Insilico Medicine lança Kit de IA de Longevidade Aberto no estudo da Cell

Insilico Medicine, em 17 de setembro de 2026, anunciou a publicação de um estudo na Cell que apresenta um kit de IA liberado abertamente para biologia do envelhecimento: o benchmark LongevityBench, uma família de cinco Longevity-LLMs compactos e a plataforma de pesquisa agente Longevity Claw.

Publicação na Cell

O artigo, “Um benchmark aberto e modelos de linguagem para IA em biologia do envelhecimento“, aparece na Cell, volume 189, número 19, nas páginas 5980–5994.e8, datado de 17 de setembro de 2026. Foi publicado em acesso aberto sob a licença Creative Commons Attribution 4.0 com o DOI 10.1016/j.cell.2026.08.026, e lista 13 autores, incluindo Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev e Fedor Galkin.

Insilico afirmou que o estudo foi selecionado como destaque da capa da edição da revista de 17 de setembro de 2026 e foi realizado com pesquisadores da Liquid AI, do Buck Institute for Research on Aging e da Harvard Medical School e do Brigham and Women’s Hospital.

De acordo com o anúncio, a publicação na Cell segue o estudo da Insilico de 7 de setembro de 2026 na Nature Biotechnology, que relatou que o rentosertib, o candidato a fármaco descoberto por IA e projetado por IA para fibrose pulmonar idiopática da empresa, reduziu a idade biológica em seis relógios de envelhecimento proteômicos independentes em um ensaio clínico de fase IIa.

Um Benchmark Aberto para Biologia do Envelhecimento

O estudo apresenta o LongevityBench como um conjunto aberto de 17 tarefas que abrangem cinco domínios de biodados: dados clínicos, genética, epigenética, transcriptômica e proteômica. No resumo do artigo, os autores escrevem que nenhum benchmark existente avaliou se os sistemas de IA podem interpretar esses tipos de dados heterogêneos no contexto da biologia do envelhecimento. De acordo com o anúncio, o benchmark foi projetado para reduzir a probabilidade de que os modelos tenham sucesso apenas por memorização de informações encontradas durante o treinamento, testando, em vez disso, a capacidade de analisar dados biológicos, reconhecer padrões significativos e resolver problemas relevantes para a pesquisa em envelhecimento.

Os autores usaram o LongevityBench para avaliar 18 sistemas de IA de ponta de seis equipes de desenvolvedores, que o anúncio identifica como OpenAI, Google, Anthropic, xAI, DeepSeek e Moonshot AI. O artigo relata que nenhum modelo único dominou todas as tarefas, que o desempenho variou conforme a formulação das perguntas, e que a predição de idade baseada em ómicas foi a tarefa mais difícil, independentemente da escala do modelo.

A ranking público do projeto, que acompanha 26 modelos nas 17 tarefas, lista conjuntos de dados provenientes de medições clínicas NHANES, metilação de DNA GEO, RNA-seq em massa GTEx, proteômica plasmática Olink, e dos recursos genéticos OpenGenes e SynergyAge. No escore agregado de classificação da leaderboard, onde menor é melhor, o Gemini 3.1 Pro com 8,2 está listado como o melhor modelo de ponta, seguido por Claude Opus-4.6 com 9,2.

Longevity-LLMs Compactos

Para testar se essas lacunas poderiam ser preenchidas sem recursos de escala de ponta, os pesquisadores ajustaram finamente uma família de cinco Longevity-LLMs multitarefa, variando de 0,6 bilhão a 9 bilhões de parâmetros, em dados de envelhecimento específicos de domínio, e o artigo relata que os modelos compactos corresponderam ou superaram sistemas de ponta muito maiores no benchmark. De acordo com o anúncio, os modelos foram treinados usando o MMAI Gym for Science da Insilico, que a empresa descreve como um campo de treinamento para modelos de linguagem que aplica seus dados proprietários, conjuntos de dados de raciocínio e modelos validados, e foram construídos sobre a arquitetura LFM2 da Liquid AI e as famílias de modelos Qwen3 e Qwen3.5 da Alibaba.

A leaderboard lista L-Qwen3.5-9B como o melhor sistema geral com um escore agregado de classificação de 4,4, seguido por L-LFM2-2.6B com 7,6 e L-Qwen3-1.7B com 7,8. Entre os resultados selecionados da leaderboard, L-Qwen3.5-9B alcançou 0,868 de concordância na predição de idade por metilação de DNA GEO, versus 0,685 para o melhor modelo de ponta, e L-Qwen3-0.6B registrou um erro absoluto médio de 5,7 anos na predição de idade proteômica Olink, versus 10,1 anos para o melhor modelo de ponta, além de 0,890 de acurácia balanceada na predição de mortalidade de 10 anos do NHANES.

Os modelos e os dados do benchmark estão disponíveis publicamente em uma coleção Hugging Face que inclui o conjunto de dados longebench e os modelos longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity e LFM2-1.2B-Longevity.

Longevity Claw e Descoberta Autônoma de Alvos

A equipe incorporou o L-Qwen3.5-9B ao Longevity Claw, uma plataforma agente de código aberto que combina o modelo especializado com ferramentas para análise de enriquecimento de conjuntos de genes, cálculo de relógios biológicos de envelhecimento, perfilagem em nível populacional, recuperação e síntese de evidências, e avaliação e priorização de alvos candidatos. Insilico afirmou que a plataforma foi projetada para formular e executar fluxos de trabalho de pesquisa em múltiplas etapas, em vez de responder apenas a perguntas individuais.

Implementada em 14 marcos reconhecidos do envelhecimento, a plataforma nomeou 328 genes como alvos potenciais para intervenção no envelhecimento, e os candidatos apresentaram enriquecimento estatisticamente significativo de até 5,6 vezes em relação a um conjunto de referência publicado independentemente de alvos relacionados ao envelhecimento suportados experimentalmente, segundo o anúncio. Um gene nomeado, KDM1A, foi validado independentemente em um estudo publicado separado como um alvo duplo de envelhecimento e câncer, cuja modulação prolongou a vida em C. elegans, informou o anúncio.

O repositório do GitHub do projeto, publicado sob licença MIT, documenta o LongevityClaw como um agente que prevê a idade biológica em 233 relógios que abrangem seis modalidades com 429.165 coeficientes, juntamente com conjuntos de dados de referência populacionais e um módulo de descoberta de alvos inovadores que pontua os candidatos em seis dimensões, incluindo novidade, potencial de fármacos, confiança e segurança, nos 14 marcos.

Lançamento Aberto e Metas Declaradas

A Insilico afirmou que está divulgando o benchmark, os modelos especializados, os recursos de treinamento, o código de avaliação e a plataforma Longevity Claw para permitir testes independentes, validação e desenvolvimento adicional por pesquisadores em todo o mundo.

“Estamos desenvolvendo sistemas agenticos benchmarked que podem evoluir para assistentes de longevidade personalizados e companheiros de longevidade, ajudando, em última instância, as pessoas a monitorar e melhorar sua saúde ao longo da vida”, disse Alex Zhavoronkov, fundador e co‑CEO da Insilico Medicine.

A Insilico disse que a estrutura aberta tem como objetivo fornecer aos cientistas uma base comum para medir o progresso na pesquisa de envelhecimento habilitada por IA e ajudar a distinguir sistemas que demonstram raciocínio biológico genuíno daqueles que reproduzem principalmente informações contidas em seus dados de treinamento.