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 verouderingsbiologie“, 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 gekozen als omslagartikel van het tijdschrift voor de uitgave 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 van het bedrijf, 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 vijf biodata‑domeinen beslaan: 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 in de context van verouderingsbiologie kunnen interpreteren. Volgens de aankondiging is de benchmark ontworpen om de kans te verkleinen dat modellen slagen door het terugroepen van tijdens de training tegengekomen informatie, en in plaats daarvan de capaciteit 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 OpenAI, Google, Anthropic, xAI, DeepSeek en Moonshot AI zijn. Het artikel meldt dat geen enkel model alle taken domineerde, dat de prestaties varieerden 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, vermeldt datasets afkomstig van NHANES klinische metingen, GEO DNA‑methylatie, GTEx bulk‑RNA‑seq, Olink plasma‑proteomics, en de OpenGenes‑ en SynergyAge‑genetica‑bronnen. Op de geaggregeerde rangschikking van de ranglijst, waarbij lager beter is, staat Gemini 3.1 Pro met 8,2 genoteerd als het beste frontier‑model, gevolgd door Claude Opus‑4.6 met 9,2.

Compacte Longevity‑LLM’s

Om te testen of die hiaten gesloten konden worden zonder frontier‑schaal resources, hebben de onderzoekers een familie van vijf multitask Longevity‑LLM’s, variërend van 0,6 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 zijn eigen data, redeneer‑datasets en gevalideerde modellen toepast, en ze 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 met 7,6 en L‑Qwen3‑1.7B met 7,8. Onder de geselecteerde resultaten van de ranglijst behaalde L‑Qwen3.5‑9B een concordantie van 0,868 bij GEO DNA‑methylatie‑leeftijdsvoorspelling versus 0,685 voor het beste frontier‑model, en registreerde L‑Qwen3‑0.6B een gemiddelde absolute fout van 5,7 jaar bij Olink proteomische leeftijdsvoorspelling versus 10,1 jaar voor het beste frontier‑model, evenals een gebalanceerde nauwkeurigheid van 0,890 bij 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 integreerde L‑Qwen3.5‑9B in Longevity Claw, een open‑source agentisch platform dat het gespecialiseerde model combineert met tools voor gen‑set verrijkingsanalyse, berekening van biologische verouderingsklokken, profilering op populatieniveau, opvragen en synthetiseren van bewijsmateriaal, en evaluatie en prioritering van kandidaat‑doelwitten. Insilico zei dat het platform is ontworpen om meer‑staps onderzoeks‑workflows te formuleren en uit te voeren in plaats van alleen op individuele vragen te reageren.

Ingezet over 14 erkende hallmarks van veroudering, nomineerde het platform 328 genen als potentiële doelwitten voor verouderingsinterventie, en de kandidaten vertoonden een statistisch significante verrijking tot 5,6‑voudig 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 over 233 klokken die zes modaliteiten bestrijken met 429.165 coëfficiënten, naast populatiereferecedatasets en een nieuw‑target‑ontdekkingsmodule die kandidaten beoordeelt op zes dimensies, waaronder nieuwheid, drugbaarheid, vertrouwen en veiligheid, over de 14 hallmarks.

Open release en gestelde doelen

Insilico zei 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, agentisch 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 zei dat het open raamwerk 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 aantonen van diegenen die voornamelijk informatie uit hun trainingsdata reproduceren.