Insilico Medicine brengt Open Longevity AI‑toolkit uit in Cell‑studie

Insilico Medicine op 17 september 2026 aankondigde de publicatie van een studie in Cell waarin een openlijk vrijgegeven AI‑toolkit voor verouderingsbiologie wordt geïntroduceerd: de LongevityBench‑benchmark, een familie van vijf compacte Longevity‑LLM’s en het Longevity Claw agentische onderzoeksplatform.

Publicatie in Cell

Het artikel, “Een open benchmark en taalmodellen voor AI in de biologie van veroudering“, verschijnt in Cell volume 189, nummer 19, op pagina’s 5980–5994.e8, gedateerd 17 september 2026. Het werd open access gepubliceerd onder een Creative Commons Attribution 4.0‑licentie met DOI 10.1016/j.cell.2026.08.026, en vermeldt 13 auteurs, waaronder Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev en Fedor Galkin.

Insilico zei dat de studie werd geselecteerd als de omslagfeature van het tijdschrift voor het nummer van 17 september 2026 en werd uitgevoerd met onderzoekers van Liquid AI, het Buck Institute for Research on Aging, en Harvard Medical School en Brigham and Women’s Hospital.

Volgens de aankondiging volgt de Cell‑publicatie op Insilico’s studie van 7 september 2026 in Nature Biotechnology, waarin werd gerapporteerd dat rentosertib, het AI‑ontdekte en AI‑ontworpen geneesmiddelkandidaat voor idiopathische pulmonale fibrose, de biologische leeftijd verlaagde over zes onafhankelijke proteomische verouderingsklokken in een fase‑IIa‑klinische proef.

Een open benchmark voor verouderingsbiologie

De studie introduceert LongevityBench als een open suite van 17 taken die zich uitstrekken over vijf biodata‑domeinen: klinische gegevens, genetica, epigenetica, transcriptomics en proteomics. In de samenvatting van het artikel schrijven de auteurs dat geen bestaande benchmark heeft geëvalueerd of AI‑systemen deze heterogene datatypes kunnen interpreteren in de context van verouderingsbiologie. Volgens de aankondiging is de benchmark ontworpen om de kans te verkleinen dat modellen slagen door het terugroepen van informatie die tijdens het trainen is tegengekomen, en in plaats daarvan de mogelijkheid te testen om biologische data te analyseren, betekenisvolle patronen te herkennen en problemen relevant voor verouderingsonderzoek op te lossen.

De auteurs gebruikten LongevityBench om 18 geavanceerde AI‑systemen van zes ontwikkelaarsteams te beoordelen, die volgens de aankondiging worden geïdentificeerd als OpenAI, Google, Anthropic, xAI, DeepSeek en Moonshot AI. Het artikel meldt dat geen enkel model alle taken domineerde, dat de prestaties veranderden afhankelijk van hoe vragen werden geformuleerd, en dat omics‑gebaseerde leeftijdsvoorspelling de moeilijkste taak was, ongeacht de schaal van het model.

De openbare ranglijst van het project, die 26 modellen over de 17 taken volgt, bevat datasets afkomstig van NHANES klinische metingen, GEO DNA‑methylatie, GTEx bulk RNA‑seq, Olink plasma‑proteomics, en de genetische bronnen OpenGenes en SynergyAge. Op de geaggregeerde rangscore van de ranglijst, waarbij lager beter is, staat Gemini 3.1 Pro met 8.2 vermeld als het beste frontier‑model, met Claude Opus‑4.6 op 9.2.

Compact Longevity‑LLM’s

Om te testen of die hiaten konden worden gedicht zonder frontier‑schaal‑middelen, hebben de onderzoekers een familie van vijf multitask Longevity‑LLM’s, variërend van 0.6 miljard tot 9 miljard parameters, gefinetuned op domeinspecifieke verouderingsdata, en meldt het artikel dat de compacte modellen gelijk of beter presteerden dan veel grotere frontier‑systemen op de benchmark. Volgens de aankondiging werden de modellen getraind met Insilico’s MMAI Gym for Science, dat het bedrijf beschrijft als een trainingsomgeving voor taalmodellen die haar eigen data, redeneer‑datasets en gevalideerde modellen toepast, en zijn gebouwd op Liquid AI’s LFM2‑architectuur en Alibaba’s Qwen3‑ en Qwen3.5‑modelfamilies.

De ranglijst vermeldt L‑Qwen3.5‑9B als het beste algehele systeem met een geaggregeerde rangscore van 4.4, gevolgd door L‑LFM2‑2.6B op 7.6 en L‑Qwen3‑1.7B op 7.8. Onder de geselecteerde resultaten van de ranglijst bereikte L‑Qwen3.5‑9B een concordantie van 0.868 op GEO DNA‑methylatie‑leeftijdsvoorspelling versus 0.685 voor het beste frontier‑model, en registreerde L‑Qwen3.0‑0.6B een gemiddelde absolute fout van 5.7 jaar op Olink proteomische leeftijdsvoorspelling versus 10.1 jaar voor het beste frontier‑model, samen met een gebalanceerde nauwkeurigheid van 0.890 op NHANES 10‑jaar mortaliteitsvoorspelling.

De modellen en benchmark‑data zijn publiekelijk beschikbaar in een Hugging Face‑collectie die de longebench‑dataset en de longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity en LFM2‑1.2B‑Longevity‑modellen omvat.

Longevity Claw en autonome doelwitontdekking

Het team heeft L‑Qwen3.5‑9B ingebed in Longevity Claw, een open‑source agentisch platform dat het gespecialiseerde model combineert met tools voor gen‑set verrijkingsanalyse, berekening van biologische verouderingsklokken, populatieniveau‑profilering, het ophalen en synthetiseren van bewijs, en evaluatie en prioritering van kandidaat‑targets. Insilico zei dat het platform is ontworpen om meer‑staps onderzoeks‑workflows te formuleren en uit te voeren in plaats van alleen te reageren op individuele vragen.

De platform, toegepast op 14 erkende hallmarks van veroudering, nomineerde 328 genen als potentiële doelwitten voor interventies tegen veroudering, en de kandidaten vertoonden een statistisch significante verrijking tot 5,6‑voud ten opzichte van een onafhankelijk gepubliceerde referentieset van experimenteel onderbouwde verouderingsgerelateerde doelwitten, volgens de aankondiging. Eén genomineerd gen, KDM1A, werd onafhankelijk gevalideerd in een aparte gepubliceerde studie als een dubbeldoelwit voor veroudering en kanker waarvan de modulatie de levensduur van C. elegans verlengde, aldus de aankondiging.

De GitHub-repository van het project, gepubliceerd onder een MIT‑licentie, documenteert LongevityClaw als een agent die de biologische leeftijd voorspelt met behulp van 233 klokken over zes modaliteiten en 429.165 coëfficiënten, naast populatie‑referentiedatasets en een nieuw‑target‑ontdekkingsmodule die kandidaten beoordeelt op zes dimensies, waaronder noviteit, drug‑baarheid, vertrouwen en veiligheid, over de 14 hallmarks.

Open Release en Gestelde Doelen

Insilico meldt dat het de benchmark, de gespecialiseerde modellen, trainingsmiddelen, evaluatiecode en het Longevity Claw‑platform vrijgeeft om onafhankelijke tests, validatie en verdere ontwikkeling door onderzoekers wereldwijd mogelijk te maken.

„We ontwikkelen gebenchmarkt, agentische systemen die kunnen uitgroeien tot gepersonaliseerde levensduur‑assistenten en levensduur‑metgezellen, die uiteindelijk mensen helpen hun healthspan te monitoren en te verbeteren,” zei Alex Zhavoronkov, oprichter en mede‑CEO van Insilico Medicine.

Insilico stelt dat het open kader bedoeld is om wetenschappers een gemeenschappelijke basis te bieden voor het meten van vooruitgang in AI‑ondersteund verouderingsonderzoek en om systemen te onderscheiden die echte biologische redenering tonen van diegenen die voornamelijk informatie uit hun trainingsdata reproduceren.