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

Insilico Medicine den 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‑er, og Longevity Claw‑plattformen for agentisk forskning.

Publisering i Cell

Artikkelen, “Et åpent benchmark og språkmodeller for AI i aldringsbiologi,” vises i Cell bind 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 tidsskriftets utgave 17. september 2026, og ble utført sammen 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 biologisk alder 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 på 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 sammenheng med aldringsbiologi. Ifølge kunngjøringen ble 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 oppgaver, at ytelsen varierte med hvordan spørsmål ble formulert, og at aldersprediksjon basert på omics var den vanskeligste oppgaven uavhengig av modellstørrelse.

Prosjektets offentlige rangliste, som følger 26 modeller på tvers av de 17 oppgavene, viser datasett hentet fra NHANES kliniske målinger, GEO DNA‑metylering, GTEx bulk‑RNA‑seq, Olink plasma‑proteomikk, samt genetikkressursene OpenGenes og SynergyAge. På ranglistens samlede rangscore, hvor lavere er bedre, er Gemini 3.1 Pro med 8.2 oppført som den beste fremtidsmodellen, etterfulgt av Claude Opus-4.6 med 9.2.

Kompakte Longevity‑LLM‑er

For å teste om disse hullene kunne lukkes uten ressurser på fremtids‑skala, finjusterte forskerne en familie på fem multitask‑Longevity‑LLM‑er 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 fremtids‑systemer på benchmarken. Ifølge kunngjøringen ble modellene trent ved bruk av Insilicos MMAI Gym for Science, som selskapet beskriver som en treningsarena for språkmodeller som anvender deres proprietære data, resonneringsdatasett og validerte modeller, og de ble bygget på Liquid AI sin LFM2‑arkitektur og Alibabas Qwen3‑ og Qwen3.5‑modellfamilier.

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 koncordans på 0.868 på GEO DNA‑metylerings‑aldersprediksjon sammenlignet med 0.685 for den beste fremtidsmodellen, 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 fremtidsmodellen, samt en balansert nøyaktighet på 0.890 på NHANES 10‑års mortalitets‑prediksjon.

Modellene og benchmark‑dataene er offentlig tilgjengelige i en Hugging Face‑samling som inkluderer longebench‑datasettet og 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 biologiske aldringsklokker, populasjonsnivå‑profilering, innhenting og syntese av bevis, samt evaluering og prioritering av kandidatmål. Insilico oppga at plattformen er designet for å formulere og gjennomføre flertrinns forsknings‑arbeidsflyter i stedet for kun å svare på individuelle spørsmål.

Distribuert over 14 anerkjente aldringshallmer, nominerte plattformen 328 gener som potensielle mål for aldersintervensjon, og kandidatene viste statistisk signifikant berikelse på opptil 5,6‑fold mot 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 dobbeltformål alders‑ og kreftmål, hvor moduleringen forlenger levetiden i C. elegans, sa kunngjøringen.

Prosjektets GitHub‑depot, publisert under en MIT‑lisens, dokumenterer LongevityClaw som en agent som forutsier biologisk alder på tvers av 233 klokker som dekker seks modaliteter med 429 165 koeffisienter, sammen med befolkningsreferansedatasett og en ny måloppdagelsesmodul som vurderer kandidater på seks dimensjoner, inkludert nyhet, legemiddelformbarhet, tillit og sikkerhet, på tvers av de 14 hallmerkene.

Åpen utgivelse og angitte mål

Insilico sier at de frigir benchmarken, de spesialiserte modellene, treningsressursene, evalueringskoden og Longevity Claw‑plattformen for å muliggjøre uavhengig testing, validering og videre utvikling av forskere verden over.

“Vi utvikler benchmarkede, agentbaserte systemer som kan utvikle seg til personlige levetidsassistenter og levetidspartner, og til slutt hjelpe folk med å overvåke og forbedre helsespennet sitt,” sa Alex Zhavoronkov, grunnlegger og med‑administrerende direktør i Insilico Medicine.

Insilico sier at den åpne rammen er ment å gi forskere et felles grunnlag for å måle fremgang i AI‑drevet aldringsforskning og for å hjelpe med å skille systemer som viser ekte biologisk resonnering fra de som hovedsakelig gjenskaper informasjon som finnes i treningsdataene deres.