Insilico Medicine wypuszcza otwartą platformę Longevity AI w badaniu w czasopiśmie Cell

Insilico Medicine 17 września 2026 ogłosił publikację badania w czasopiśmie Cell, wprowadzającego otwarcie udostępnioną platformę AI dla biologii starzenia: benchmark LongevityBench, rodzinę pięciu kompaktowych modeli Longevity-LLM oraz platformę badawczą Longevity Claw.

Publikacja w Cell

Artykuł „Otwarty benchmark i modele językowe dla AI w biologii starzenia” ukazał się w czasopiśmie Cell, tom 189, numer 19, na stronach 5980–5994.e8, datowany 17 września 2026. Został opublikowany w otwartym dostępie na licencji Creative Commons Attribution 4.0 z DOI 10.1016/j.cell.2026.08.026 i wymienia 13 autorów, w tym Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev oraz Fedor Galkin.

Insilico poinformował, że badanie zostało wybrane jako okładkowy artykuł wydania z dnia 17 września 2026 oraz przeprowadzone we współpracy z naukowcami z Liquid AI, Buck Institute for Research on Aging oraz Harvard Medical School i Brigham and Women’s Hospital.

Zgodnie z ogłoszeniem, publikacja w Cell następuje po badaniu Insilico z 7 września 2026 opublikowanym w Nature Biotechnology, które wykazało, że rentosertib, lek kandydat odkryty i zaprojektowany przez AI na idiopatyczną włóknienie płuc, obniżył wiek biologiczny w sześciu niezależnych zegarach starzenia opartych na proteomice w badaniu klinicznym fazy IIa.

Otwarty benchmark dla biologii starzenia

Badanie wprowadza LongevityBench jako otwarty zestaw 17 zadań obejmujących pięć dziedzin danych biologicznych: dane kliniczne, genetykę, epigenetykę, transkryptomikę i proteomikę. W streszczeniu artykułu autorzy zauważają, że żaden istniejący benchmark nie ocenił, czy systemy AI potrafią interpretować te heterogeniczne typy danych w kontekście biologii starzenia. Zgodnie z ogłoszeniem, benchmark został zaprojektowany tak, aby zmniejszyć prawdopodobieństwo, że modele osiągną sukces jedynie poprzez przypomnienie informacji napotkanych podczas treningu, a zamiast tego testować zdolność analizy danych biologicznych, rozpoznawania istotnych wzorców i rozwiązywania problemów istotnych dla badań nad starzeniem.

Autorzy wykorzystali LongevityBench do oceny 18 najnowocześniejszych systemów AI od sześciu zespołów deweloperskich, które według ogłoszenia to OpenAI, Google, Anthropic, xAI, DeepSeek i Moonshot AI. Artykuł informuje, że żaden pojedynczy model nie dominował we wszystkich zadaniach, że wyniki zmieniały się w zależności od sformułowania pytań oraz że prognozowanie wieku oparte na omikach było najtrudniejszym zadaniem, niezależnie od skali modelu.

Projektowa publiczny ranking, który śledzi 26 modeli w ramach 17 zadań, zawiera zestawy danych pochodzące z pomiarów klinicznych NHANES, metylacji DNA GEO, sekwencjonowania RNA‑seq GTEx, proteomiki osocza Olink oraz zasobów genetycznych OpenGenes i SynergyAge. W skumulowanym wyniku rankingu, gdzie niższy wynik jest lepszy, Gemini 3.1 Pro z wynikiem 8,2 jest wymieniony jako najlepszy model frontowy, a Claude Opus‑4.6 z wynikiem 9,2.

Kompaktowe modele Longevity‑LLM

Aby sprawdzić, czy te luki można zamknąć bez zasobów na skalę frontową, badacze dopasowali rodzinę pięciu wielozadaniowych modeli Longevity‑LLM o liczbie parametrów od 0,6 miliarda do 9 miliardów, wykorzystując dane specyficzne dla starzenia. Artykuł informuje, że kompaktowe modele dorównały lub przewyższyły znacznie większe systemy frontowe w benchmarku. Zgodnie z ogłoszeniem, modele zostały wytrenowane przy użyciu MMAI Gym for Science firmy Insilico, którą opisuje jako środowisko treningowe dla modeli językowych wykorzystujące jej własne dane, zestawy danych do rozumowania i zwalidowane modele, oraz zostały zbudowane na architekturze LFM2 firmy Liquid AI oraz rodzinach modeli Qwen3 i Qwen3.5 firmy Alibaba.

Ranking wskazuje L‑Qwen3.5‑9B jako najlepszy system ogólnie z wynikiem skumulowanego rankingu 4,4, po którym następują L‑LFM2‑2,6B z wynikiem 7,6 oraz L‑Qwen3‑1,7B z wynikiem 7,8. Wśród wybranych wyników rankingu, L‑Qwen3.5‑9B osiągnął zgodność 0,868 w prognozowaniu wieku na podstawie metylacji DNA GEO, w porównaniu do 0,685 najlepszego modelu frontowego, a L‑Qwen3‑0,6B odnotował średni błąd bezwzględny 5,7 roku w prognozowaniu wieku na podstawie proteomiki Olink, w porównaniu do 10,1 lat dla najlepszego modelu frontowego, oraz uzyskał zrównoważoną dokładność 0,890 w prognozowaniu 10‑letniej śmiertelności w NHANES.

Modele i dane benchmarkowe są publicznie dostępne w kolekcji Hugging Face, która zawiera zestaw danych longebench oraz modele longevity‑llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity i LFM2‑1.2B‑Longevity.

Longevity Claw i autonomiczne odkrywanie celów

Zespół wbudował L‑Qwen3.5‑9B w Longevity Claw, otwarto‑źródłową platformę agentową, która łączy wyspecjalizowany model z narzędziami do analizy wzbogacenia zestawów genów, obliczania biologicznych zegarów starzenia, profilowania populacji, pozyskiwania i syntezy dowodów oraz oceny i priorytetyzacji kandydatów na cele. Insilico poinformował, że platforma została zaprojektowana do formułowania i realizacji wieloetapowych przepływów badawczych, a nie jedynie do odpowiadania na pojedyncze pytania.

Wdrożona w ramach 14 uznanych cech starzenia, platforma wytypowała 328 genów jako potencjalne cele interwencji przeciwstarzeniowej, a kandydaci wykazali statystycznie istotne wzbogacenie aż do 5,6‑krotności w porównaniu z niezależnie opublikowanym zestawem odniesienia eksperymentalnie potwierdzonych celów związanych ze starzeniem, jak podano w komunikacie. Jeden z wytypowanych genów, KDM1A, został niezależnie zweryfikowany w osobnym opublikowanym badaniu jako podwójny cel starzenia i raka, którego modulacja wydłużyła długość życia u C. elegans, jak stwierdzono w komunikacie.

Projektu repozytorium GitHub, opublikowane na licencji MIT, dokumentuje LongevityClaw jako agenta przewidującego biologiczny wiek przy użyciu 233 zegarów obejmujących sześć modalności i 429 165 współczynników, wraz z zestawami danych referencyjnych populacji oraz modułem odkrywania nowych celów, który ocenia kandydatów w sześciu wymiarach, w tym nowość, możliwości lekowe, pewność i bezpieczeństwo, w ramach 14 cech.

Otwarte wydanie i określone cele

Insilico poinformowało, że udostępnia benchmark, wyspecjalizowane modele, zasoby szkoleniowe, kod ewaluacyjny oraz platformę Longevity Claw, aby umożliwić niezależne testowanie, weryfikację i dalszy rozwój przez badaczy na całym świecie.

„Opracowujemy benchmarkowane, agentowe systemy, które mogą ewoluować w spersonalizowane asystenty długowieczności i towarzyszy długowieczności, ostatecznie pomagając ludziom monitorować i poprawiać ich zdrowy okres życia,” powiedział Alex Zhavoronkov, założyciel i współ-CEO Insilico Medicine.

Insilico stwierdziło, że otwarte ramy mają zapewnić naukowcom wspólną podstawę do mierzenia postępów w badaniach starzenia wspomaganych sztuczną inteligencją oraz pomóc odróżnić systemy wykazujące autentyczne rozumowanie biologiczne od tych, które głównie odtwarzają informacje zawarte w ich danych treningowych.