Insilico Medicine lanserer åpen Longevity AI‑verktøykasse i Cell‑studie

Insilico Medicine 17. september 2026 kunngjorde publiseringen av en studie i Cell som introduserer en åpent utgitt AI‑verktøykasse for aldringsbiologi: LongevityBench‑benchmarken, en familie på fem kompakte Longevity‑LLM‑modeller, og Longevity Claw‑plattformen for agentisk forskning.

Publisering i Cell

Artikkelen, “Et åpent benchmark og språkmodeller for KI i aldringsbiologi“, publiseres i Cell, volum 189, nummer 19, på sidene 5980–5994.e8, datert 17. september 2026. Den ble publisert som åpen tilgang under en Creative Commons Attribution 4.0‑lisens med DOI 10.1016/j.cell.2026.08.026, og den oppgir 13 forfattere, inkludert Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev og Fedor Galkin.

Insilico oppga at studien ble valgt som forsideartikkel i journalens utgave 17. september 2026, og ble gjennomført med forskere fra Liquid AI, Buck Institute for Research on Aging, samt Harvard Medical School og Brigham and Women’s Hospital.

Ifølge kunngjøringen følger Cell‑publikasjonen Insilicos studie fra 7. september 2026 i Nature Biotechnology, som rapporterte at rentosertib, selskapets AI‑oppdaget og AI‑designet legemiddelkandidat for idiopatisk pulmonal fibrose, reduserte den biologiske alderen på tvers av seks uavhengige proteomiske aldringsklokker i en fase‑IIa‑klinisk studie.

Et åpent benchmark for aldringsbiologi

Studien introduserer LongevityBench som en åpen samling av 17 oppgaver som dekker fem biodata‑domener: kliniske data, genetikk, epigenetikk, transkriptomikk og proteomikk. I sammendraget av artikkelen skriver forfatterne at ingen eksisterende benchmark har evaluert om AI‑systemer kan tolke disse heterogene datatypene i aldringsbiologi. Ifølge kunngjøringen er benchmarken designet for å redusere sannsynligheten for at modeller lykkes ved å hente frem informasjon fra treningsdata, og i stedet teste evnen til å analysere biologiske data, gjenkjenne meningsfulle mønstre og løse problemer som er relevante for aldringsforskning.

Forfatterne brukte LongevityBench til å vurdere 18 fremtidsrettede AI‑systemer fra seks utviklerteam, som kunngjøringen identifiserer som OpenAI, Google, Anthropic, xAI, DeepSeek og Moonshot AI. Artikkelen rapporterer at ingen enkeltmodell dominerte alle oppgavene, at ytelsen endret seg avhengig av hvordan spørsmålene ble formulert, og at aldersprediksjon basert på omics‑data var den vanskeligste oppgaven uavhengig av modellstørrelse.

Prosjektets offentlige rangliste, som følger 26 modeller på tvers av de 17 oppgavene, inneholder datasett hentet fra NHANES kliniske målinger, GEO DNA‑metylering, GTEx bulk‑RNA‑seq, Olink plasma‑proteomikk, samt OpenGenes‑ og SynergyAge‑genetikkressurser. På ranglistens samlede rangpoeng, hvor lavere er bedre, er Gemini 3.1 Pro med 8,2 oppført som den beste frontier‑modellen, etterfulgt av Claude Opus‑4.6 med 9,2.

Kompakte Longevity‑LLM‑modeller

For å teste om disse hullene kan lukkes uten frontier‑skala ressurser, finjusterte forskerne en familie på fem multitask‑Longevity‑LLM‑modeller med mellom 0,6 milliarder og 9 milliarder parametere på domene‑spesifikke aldringsdata, og artikkelen rapporterer at de kompakte modellene matchet eller overgikk langt større frontier‑systemer på benchmarken. Ifølge kunngjøringen ble modellene trent ved hjelp av Insilicos MMAI Gym for Science, som selskapet beskriver som en treningsarena for språkmodeller som bruker deres proprietære data, resonnerings‑datasett og validerte modeller, og de er bygget på Liquid AI sin LFM2‑arkitektur samt Alibaba sine Qwen3‑ og Qwen3.5‑modelfamilier.

Ranglisten viser L‑Qwen3.5‑9B som det beste samlede systemet med en samlet rangscore på 4,4, etterfulgt av L‑LFM2‑2.6B med 7,6 og L‑Qwen3‑1.7B med 7,8. Blant ranglistens utvalgte resultater oppnådde L‑Qwen3.5‑9B en konkordans på 0,868 på GEO DNA‑metylering aldersprediksjon versus 0,685 for den beste frontier‑modellen, og L‑Qwen3‑0.6B registrerte en gjennomsnittlig absolutt feil på 5,7 år på Olink proteomisk aldersprediksjon versus 10,1 år for den beste frontier‑modellen, samt en balansert nøyaktighet på 0,890 på NHANES 10‑års dødelighetsprediksjon.

Modellene og benchmark‑dataene er offentlig tilgjengelige i en Hugging Face‑samling som inkluderer longebench‑datasettet samt longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity og LFM2‑1.2B‑Longevity‑modeller.

Longevity Claw og autonom måloppdagelse

Teamet integrerte L‑Qwen3.5‑9B i Longevity Claw, en åpen kildekode‑agentisk plattform som kombinerer den spesialiserte modellen med verktøy for gen‑sett‑berikelsesanalyse, beregning av biologisk aldringsklokke, profilering på befolkningsnivå, innhenting og syntese av bevis, samt evaluering og prioritering av kandidatmål. Insilico oppga at plattformen er designet for å formulere og gjennomføre flertrinns forskningsarbeidsflyter i stedet for kun å svare på enkeltspørsmål.

Plattformen, som er implementert på tvers av 14 anerkjente aldringshallmerker, nominerte 328 gener som potensielle mål for aldersintervensjon, og kandidatene viste statistisk signifikant berikelse på opptil 5,6‑fold sammenlignet med et uavhengig publisert referansesett av eksperimentelt støttede aldersrelaterte mål, ifølge kunngjøringen. Ett nominert gen, KDM1A, ble uavhengig validert i en separat publisert studie som et dobbeltfunksjonelt alders‑ og kreftmål, hvor modulering av dette genets aktivitet forlenger levetiden hos C. elegans, står det i kunngjøringen.

Prosjektets GitHub‑depot, publisert under en MIT‑lisens, dokumenterer LongevityClaw som en agent som forutsier biologisk alder ved hjelp av 233 klokker som dekker seks modaliteter med 429 165 koeffisienter, sammen med referansedatasett for befolkninger og en modul for oppdagelse av nye mål som vurderer kandidatene på seks dimensjoner, inkludert nyhet, legemiddelformulering, pålitelighet og sikkerhet, på tvers av de 14 hallmerkene.

Åpen utgivelse og angitte mål

Insilico opplyser at de gjør tilgjengelig referansegrunnlaget, de spesialiserte modellene, treningsressursene, evalueringskoden og Longevity Claw‑plattformen for å muliggjøre uavhengig testing, validering og videre utvikling av forskere over hele verden.

«Vi utvikler benchmark‑testede, agentbaserte systemer som kan utvikle seg til personlige levetidsassistenter og levetidspartner, og som til slutt hjelper folk med å overvåke og forbedre sin helsespenn,» sa Alex Zhavoronkov, grunnlegger og med‑administrerende direktør i Insilico Medicine.

Insilico opplyser at det åpne rammeverket er ment å gi forskere et felles grunnlag for å måle fremgang innen AI‑drevet aldringsforskning, samt å hjelpe med å skille systemer som viser ekte biologisk resonnering fra de som hovedsakelig gjenskaper informasjon som finnes i deres treningsdata.