Insilico Medicine, Cell 연구에서 공개된 장수 AI 툴킷을 발표

Insilico Medicine은 2026년 9월 17일 발표했다 Cell에 실린 연구가 노화 생물학을 위한 공개 AI 툴킷을 소개한다는 내용을, LongevityBench 벤치마크, 다섯 개의 소형 Longevity-LLM 패밀리, 그리고 Longevity Claw 에이전트형 연구 플랫폼을 포함한다.

Cell에 발표

이 논문은 “노화 생물학을 위한 AI의 개방형 벤치마크 및 언어 모델“이라는 제목으로 Cell 제189권 19호, 페이지 5980–5994.e8에 2026년 9월 17일 게재되었다. 크리에이티브 커먼즈 저작자표시 4.0 라이선스 하에 오픈 액세스로 출판되었으며 DOI 10.1016/j.cell.2026.08.026을 가진다. 저자는 Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev, Fedor Galkin 등 총 13명이다.

Insilico는 이 연구가 2026년 9월 17일 호의 표지 기사로 선정되었으며 Liquid AI, Buck Institute for Research on Aging, Harvard Medical School 및 Brigham and Women’s Hospital의 연구원들과 공동으로 수행되었다고 밝혔다.

발표에 따르면, Cell에 실린 논문은 Insilico의 2026년 9월 7일 Nature Biotechnology 연구에 이어진 것으로, 해당 연구에서는 회사의 특발성 폐섬유증에 대한 AI가 발견하고 설계한 약물 후보인 rentosertib가 Phase IIa 임상시험에서 여섯 개의 독립적인 단백질체 노화 시계에 걸쳐 생물학적 연령을 감소시켰다고 보고했다.

노화 생물학을 위한 개방형 벤치마크

이 연구는 LongevityBench를 5개의 생물데이터 영역(임상 데이터, 유전학, 후생유전학, 전사체학, 단백질체학)을 포괄하는 17개의 과제로 구성된 개방형 스위트로 소개한다. 논문의 요약에서 저자들은 기존 벤치마크 중 어느 것도 AI 시스템이 노화 생물학 맥락에서 이러한 이질적인 데이터 유형을 해석할 수 있는지를 평가하지 않았다고 적었다. 발표에 따르면, 이 벤치마크는 모델이 학습 중 접한 정보를 단순히 기억해 성공할 가능성을 낮추고, 대신 생물학적 데이터를 분석하고 의미 있는 패턴을 인식하며 노화 연구와 관련된 문제를 해결하는 능력을 테스트하도록 설계되었다.

저자들은 LongevityBench를 사용해 6개 개발팀(OpenAI, Google, Anthropic, xAI, DeepSeek, Moonshot AI)으로부터 나온 18개의 최첨단 AI 시스템을 평가했다. 논문에 따르면 단일 모델이 모든 과제를 지배하지 않았으며, 질문 표현 방식에 따라 성능이 변동했고, 오믹스 기반 연령 예측이 모델 규모와 무관하게 가장 어려운 과제였다고 보고했다.

프로젝트의 공개 순위표는 17개 과제에 걸쳐 26개 모델을 추적하며, NHANES 임상 측정치, GEO DNA 메틸화, GTEx 대량 RNA-seq, Olink 혈장 단백질체, OpenGenes 및 SynergyAge 유전학 리소스에서 추출한 데이터셋을 나열한다. 순위표의 종합 순위 점수에서 낮을수록 좋은데, Gemini 3.1 Pro가 8.2점으로 최우수 최첨단 모델로, Claude Opus-4.6은 9.2점으로 기록된다.

소형 Longevity-LLM

이러한 격차를 최첨단 규모의 자원 없이 메우는지 테스트하기 위해 연구진은 0.6 billion에서 9 billion 파라미터 규모의 5가지 멀티태스크 Longevity-LLM 패밀리를 도메인 특화 노화 데이터에 맞춰 미세조정했으며, 논문은 소형 모델들이 벤치마크에서 훨씬 큰 최첨단 시스템과 동등하거나 능가한다고 보고했다. 발표에 따르면, 모델들은 Insilico의 MMAI Gym for Science를 이용해 훈련되었으며, 이는 회사가 자체 데이터, 추론 데이터셋 및 검증된 모델을 적용하는 언어 모델 훈련 장이라고 설명한다. 또한 Liquid AI의 LFM2 아키텍처와 Alibaba의 Qwen3 및 Qwen3.5 모델 패밀리를 기반으로 구축되었다.

순위표에서 L-Qwen3.5-9B는 4.4점의 종합 순위 점수로 전체 최우수 시스템으로, 그 다음이 L-LFM2-2.6B(7.6점)와 L-Qwen3-1.7B(7.8점)이다. 순위표에서 선택된 결과 중 L-Qwen3.5-9B는 GEO DNA 메틸화 연령 예측에서 0.868의 일치도를 기록했으며, 최우수 최첨단 모델은 0.685였다. 또한 L-Qwen3-0.6B는 Olink 단백질체 연령 예측에서 평균 절대 오차가 5.7년으로, 최우수 최첨단 모델의 10.1년보다 낮았으며, NHANES 10년 사망률 예측에서는 0.890의 균형 정확도를 보였다.

이 모델과 벤치마크 데이터는 Hugging Face 컬렉션에서 공개적으로 제공되며, 여기에는 longebench 데이터셋과 longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity 및 LFM2-1.2B-Longevity 모델이 포함된다.

Longevity Claw와 자율적 표적 발견

팀은 L-Qwen3.5-9B를 Longevity Claw에 통합했으며, 이는 유전자 집합 강화 분석, 생물학적 노화 시계 계산, 인구 수준 프로파일링, 증거 검색 및 종합, 후보 표적 평가와 우선순위 지정 도구와 특화 모델을 결합한 오픈소스 에이전트형 플랫폼이다. Insilico는 이 플랫폼이 개별 질문에만 답하는 것이 아니라 다단계 연구 워크플로를 설계하고 실행하도록 설계되었다고 밝혔다.

노화의 14가지 인정된 특징 전반에 걸쳐 배포된 이 플랫폼은 328개의 유전자를 노화 개입을 위한 잠재적 표적으로 지정했으며, 후보 유전자들은 독립적으로 발표된 실험적으로 입증된 노화 관련 표적 집합에 대해 최대 5.6배까지 통계적으로 유의한 풍부성을 보였다고 발표했다. 지정된 유전자 중 하나인 KDM1A는 별도의 발표된 연구에서 이중 목적의 노화 및 암 표적으로 독립적으로 검증되었으며, 그 조절이 선충(C. elegans)의 수명을 연장시켰다고 발표는 밝혔다.

프로젝트의 GitHub 저장소는 MIT 라이선스로 공개되어 LongevityClaw가 6가지 방식에 걸친 233개의 시계와 429,165개의 계수를 사용해 생물학적 연령을 예측하는 에이전트이며, 인구 기준 데이터셋 및 후보를 14가지 특징 전반에 걸친 새로움, 약물가능성, 신뢰도 및 안전성 등 6가지 차원으로 평가하는 신표적 발견 모듈을 포함하고 있다고 문서화하고 있다.

오픈 릴리스 및 목표

Insilico는 벤치마크, 특화 모델, 교육 자료, 평가 코드 및 Longevity Claw 플랫폼을 전 세계 연구자들이 독립적으로 테스트하고 검증하며 추가 개발할 수 있도록 공개한다고 밝혔다.

“우리는 벤치마크된 에이전시 시스템을 개발하고 있으며, 이는 개인 맞춤형 장수 어시스턴트와 장수 동반자로 진화하여 궁극적으로 사람들의 건강수명을 모니터링하고 향상시키는 데 도움을 줄 것입니다,” 라고 Insilico Medicine의 설립자이자 공동 CEO인 Alex Zhavoronkov가 말했다.

Insilico는 이 오픈 프레임워크가 AI 기반 노화 연구에서 진행 상황을 측정하기 위한 공통 기반을 과학자들에게 제공하고, 훈련 데이터에 포함된 정보를 단순히 재현하는 시스템과 진정한 생물학적 추론을 보여주는 시스템을 구별하는 데 도움이 되도록 의도되었다고 말했다.