Insilico Medicine lansează Open Longevity AI Toolkit în studiul publicat în Cell

Insilico Medicine, pe 17 septembrie 2026, anunță publicarea unui studiu în Cell care prezintă un set de instrumente AI lansat deschis pentru biologia îmbătrânirii: benchmark-ul LongevityBench, o familie de cinci Longevity-LLM-uri compacte și platforma de cercetare agentică Longevity Claw.

Publicare în Cell

Articolul, “Un benchmark deschis și modele de limbaj pentru AI în biologia îmbătrânirii“, apare în Cell volumul 189, numărul 19, la paginile 5980–5994.e8, datat 17 septembrie 2026. A fost publicat cu acces deschis sub o licență Creative Commons Attribution 4.0 cu DOI 10.1016/j.cell.2026.08.026 și enumeră 13 autori, inclusiv Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev și Fedor Galkin.

Insilico a declarat că studiul a fost selectat ca imagine de copertă a ediției din 17 septembrie 2026 a revistei și a fost realizat împreună cu cercetători de la Liquid AI, Buck Institute for Research on Aging și Harvard Medical School și Brigham and Women’s Hospital.

Conform anunțului, publicația din Cell urmează studiul Insilico din 7 septembrie 2026 în Nature Biotechnology, care a raportat că rentosertib, candidat de medicament descoperit și proiectat de AI pentru fibroza pulmonară idiopatică, a redus vârsta biologică în șase ceasuri proteomice independente de îmbătrânire într-un studiu clinic de fază IIa.

Un benchmark deschis pentru biologia îmbătrânirii

Studiul prezintă LongevityBench ca o suită deschisă de 17 sarcini care acoperă cinci domenii de biodate: date clinice, genetică, epigenetică, transcriptomică și proteomică. În rezumatul articolului, autorii scriu că niciun benchmark existent nu a evaluat dacă sistemele AI pot interpreta aceste tipuri de date eterogene în contextul biologiei îmbătrânirii. Conform anunțului, benchmark-ul a fost conceput pentru a reduce probabilitatea ca modelele să reușească prin reamintirea informațiilor întâlnite în timpul antrenamentului, testând în schimb capacitatea de a analiza date biologice, de a recunoaște modele semnificative și de a rezolva probleme relevante pentru cercetarea îmbătrânirii.

Autorii au folosit LongevityBench pentru a evalua 18 sisteme AI de frontieră de la șase echipe de dezvoltare, pe care anunțul le identifică ca fiind OpenAI, Google, Anthropic, xAI, DeepSeek și Moonshot AI. Articolul raportează că niciun model singular nu a dominat toate sarcinile, că performanța a variat în funcție de formularea întrebărilor și că predicția vârstei bazată pe omice a fost cea mai dificilă sarcină, indiferent de dimensiunea modelului.

Clasamentul clasament public al proiectului, care urmărește 26 de modele pe cele 17 sarcini, enumeră seturi de date prelevate din măsurători clinice NHANES, metilare ADN GEO, RNA‑seq în vrac GTEx, proteomică plasmatică Olink și resursele genetice OpenGenes și SynergyAge. Pe scorul agregat de rang al clasamentului, unde un scor mai mic este mai bun, Gemini 3.1 Pro cu 8,2 este listat ca cel mai bun model de frontieră, urmat de Claude Opus‑4.6 cu 9,2.

Longevity-LLM-uri compacte

Pentru a testa dacă aceste lacune pot fi închise fără resurse la scară de frontieră, cercetătorii au ajustat fin o familie de cinci Longevity-LLM-uri multitask, cu parametri cuprinse între 0,6 miliarde și 9 miliarde, pe date de îmbătrânire specifice domeniului, iar articolul raportează că modelele compacte au egalat sau depășit sistemele frontieră mult mai mari în benchmark. Conform anunțului, modelele au fost antrenate folosind MMAI Gym for Science, pe care compania o descrie ca un teren de antrenament pentru modele de limbaj care aplică datele sale proprietare, seturi de date de raționament și modele validate, și au fost construite pe arhitectura LFM2 a Liquid AI și pe familiile de modele Qwen3 și Qwen3.5 ale Alibaba.

Clasamentul enumeră L‑Qwen3.5‑9B ca cel mai bun sistem global cu un scor agregat de rang de 4,4, urmat de L‑LFM2‑2.6B cu 7,6 și L‑Qwen3‑1.7B cu 7,8. Printre rezultatele selectate ale clasamentului, L‑Qwen3.5‑9B a atins o concordanță de 0,868 la predicția vârstei pe baza metilării ADN GEO, comparativ cu 0,685 pentru cel mai bun model de frontieră, iar L‑Qwen3‑0.6B a înregistrat o eroare absolută medie de 5,7 ani la predicția vârstei proteomice Olink, comparativ cu 10,1 ani pentru cel mai bun model de frontieră, împreună cu o acuratețe echilibrată de 0,890 la predicția mortalității pe 10 ani în NHANES.

Modelele și datele benchmark sunt disponibile public în colecție Hugging Face care include setul de date longebench și modelele longevity-llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity și LFM2‑1.2B‑Longevity.

Longevity Claw și descoperirea autonomă a țintelor

Echipa a integrat L‑Qwen3.5‑9B în Longevity Claw, o platformă agentică open‑source care combină modelul specializat cu instrumente pentru analiza de îmbogățire a seturilor de gene, calculul ceasului biologic de îmbătrânire, profilarea la nivel de populație, recuperarea și sinteza probelor, și evaluarea și prioritizarea țintelor candidate. Insilico a declarat că platforma a fost concepută pentru a formula și executa fluxuri de lucru de cercetare în mai mulți pași, nu doar pentru a răspunde la întrebări individuale.

Implementată pe cele 14 de semne recunoscute ale îmbătrânirii, platforma a nominalizat 328 de gene ca potențiale ținte pentru intervenții anti-îmbătrânire, iar candidații au prezentat o îmbogățire statistic semnificativă de până la 5,6 ori față de un set de referință publicat independent, care conține ținte legate de îmbătrânire susținute experimental, conform anunțului. O genă nominalizată, KDM1A, a fost validată independent într-un studiu publicat separat ca o țintă duală pentru îmbătrânire și cancer, a cărei modulație a extins durata de viață la C. elegans, a precizat anunțul.

depozitul GitHub al proiectului, publicat sub licența MIT, documentează LongevityClaw ca un agent care prezice vârsta biologică pe baza a 233 de ceasuri ce acoperă șase modalități, cu 429.165 de coeficienți, alături de seturi de date de referință pentru populație și un modul de descoperire a țintelor noi care evaluează candidații pe șase dimensiuni, inclusiv noutate, druggabilitate, încredere și siguranță, pe cele 14 semne.

Lansare deschisă și obiective declarate

Insilico a declarat că lansează setul de referință, modelele specializate, resursele de instruire, codul de evaluare și platforma Longevity Claw pentru a permite testarea independentă, validarea și dezvoltarea ulterioară de către cercetători din întreaga lume.

“Dezvoltăm sisteme benchmarkate și agentice care pot evolua în asistenți personali pentru longevitate și parteneri de longevitate, ajutând în final oamenii să își monitorizeze și să își îmbunătățească perioada de sănătate,” a declarat Alex Zhavoronkov, fondator și co-CEO al Insilico Medicine.

Insilico a declarat că cadrul deschis este destinat să ofere oamenilor de știință o bază comună pentru măsurarea progresului în cercetarea îmbătrânirii asistată de AI și să ajute la distingerea sistemelor care demonstrează raționament biologic autentic de cele care reproduc în principal informațiile conținute în datele lor de instruire.