Insilico Medicine выпускает открытый набор инструментов Longevity AI в исследовании Cell

Insilico Medicine 17 сентября 2026 года объявила о публикации исследования в журнале Cell, представляющего открыто выпущенный набор инструментов ИИ для биологии старения: бенчмарк LongevityBench, семейство из пяти компактных Longevity-LLM и агентскую исследовательскую платформу Longevity Claw.

Публикация в журнале Cell

Статья, «Открытый бенчмарк и языковые модели для ИИ в биологии старения», появляется в журнале Cell том 189, выпуск 19, на страницах 5980–5994.e8, датирована 17 сентября 2026 года. Она была опубликована в открытом доступе под лицензией Creative Commons Attribution 4.0 с DOI 10.1016/j.cell.2026.08.026 и перечисляет 13 авторов, включая Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev и Fedor Galkin.

Insilico заявила, что исследование было выбрано в качестве обложки выпуска журнала от 17 сентября 2026 года и проведено совместно с исследователями из Liquid AI, Buck Institute for Research on Aging, а также Harvard Medical School и Brigham and Women’s Hospital.

Согласно объявлению, публикация в Cell следует за исследованием Insilico от 7 сентября 2026 года в журнале Nature Biotechnology, в котором сообщалось, что rentosertib, препарат, открытый ИИ и разработанный ИИ для идиопатического лёгочного фиброза, снизил биологический возраст по шести независимым протеомическим часам старения в клиническом испытании фазы IIa.

Открытый бенчмарк для биологии старения

В исследовании представляется LongevityBench как открытый набор из 17 задач, охватывающих пять областей биоданных: клинические данные, генетику, эпигенетику, транскриптомику и протеомику. В резюме статьи авторы отмечают, что ни один из существующих бенчмарков не оценивал, способны ли системы ИИ интерпретировать эти разнородные типы данных в контексте биологии старения. Согласно объявлению, бенчмарк был разработан с целью снизить вероятность того, что модели смогут добиться успеха за счёт запоминания информации, встреченной во время обучения, а вместо этого проверять способность анализировать биологические данные, распознавать значимые паттерны и решать задачи, актуальные для исследований старения.

Авторы использовали LongevityBench для оценки 18 передовых систем ИИ от шести команд разработчиков, которые, согласно объявлению, включают OpenAI, Google, Anthropic, xAI, DeepSeek и Moonshot AI. В статье сообщается, что ни одна модель не доминировала во всех задачах, что эффективность менялась в зависимости от формулировки вопросов, и что предсказание возраста на основе омics было самой сложной задачей независимо от масштаба модели.

Проектный публичный рейтинг, который отслеживает 26 моделей по 17 задачам, перечисляет наборы данных, взятые из клинических измерений NHANES, метилирования ДНК GEO, массивного RNA‑seq GTEx, протеомики плазмы Olink, а также генетических ресурсов OpenGenes и SynergyAge. По агрегированному баллу ранжирования, где ниже лучше, Gemini 3.1 Pro с 8.2 указана как лучшая передовая модель, а Claude Opus‑4.6 с 9.2.

Компактные Longevity‑LLM

Чтобы проверить, могут ли эти пробелы быть устранены без ресурсов уровня передовых систем, исследователи дообучили семейство из пяти многозадачных Longevity‑LLM с количеством параметров от 0,6 до 9 миллиардов на специализированных данных о старении, и в статье сообщается, что компактные модели сопоставимы или превосходят гораздо более крупные передовые системы в бенчмарке. Согласно объявлению, модели обучались с использованием MMAI Gym for Science, который компания описывает как тренировочную площадку для языковых моделей, использующую её собственные данные, наборы данных для рассуждений и проверенные модели, и были построены на архитектуре LFM2 от Liquid AI и семейства моделей Qwen3 и Qwen3.5 от Alibaba.

Рейтинг показывает, что L‑Qwen3.5‑9B является лучшей общей системой с агрегированным баллом 4.4, за ней следуют L‑LFM2‑2.6B с 7.6 и L‑Qwen3‑1.7B с 7.8. Среди выбранных результатов рейтинга L‑Qwen3.5‑9B достиг согласованности 0.868 при предсказании возраста по метилированию ДНК GEO по сравнению с 0.685 у лучшей передовой модели, а L‑Qwen3‑0.6B зафиксировал среднюю абсолютную ошибку 5.7 года при предсказании возраста по протеомике Olink против 10.1 года у лучшей передовой модели, а также сбалансированную точность 0.890 при предсказании 10‑летней смертности по NHANES.

Модели и данные бенчмарка доступны публично в коллекции Hugging Face, которая включает набор данных longebench и модели longevity-llm 9B, Qwen3‑0.6B‑Longevity, Qwen3‑1.7B‑Longevity, LFM2‑2.6B‑Longevity и LFM2‑1.2B‑Longevity.

Longevity Claw и автономный поиск целей

Команда внедрила L‑Qwen3.5‑9B в Longevity Claw, открыто‑исходную агентскую платформу, которая сочетает специализированную модель с инструментами для анализа обогащения наборов генов, расчёта биологического часов старения, профилирования на уровне популяции, извлечения и синтеза доказательств, а также оценки и приоритизации потенциальных целей. Insilico заявила, что платформа разработана для формирования и выполнения многошаговых исследовательских рабочих процессов, а не только для ответа на отдельные вопросы.

Платформа, охватывающая 14 признанных признаков старения, назвала 328 генов потенциальными мишенями для вмешательства в процесс старения, и кандидаты продемонстрировали статистически значимое обогащение до 5,6‑кратного по сравнению с независимым опубликованным референсным набором экспериментально подтверждённых мишеней, связанными со старением, согласно объявлению. Один из названных генов, KDM1A, был независимо подтверждён в отдельном опубликованном исследовании как двойная мишень для старения и рака, модуляция которой продлила жизнь у C. elegans, говорится в объявлении.

Проектный репозиторий GitHub, опубликованный под лицензией MIT, документирует LongevityClaw как агента, предсказывающего биологический возраст по 233 часам, охватывающим шесть модальностей, с 429 165 коэффициентами, а также предоставляет наборы данных справочных популяций и модуль обнаружения новых мишеней, оценивающий кандидатов по шести измерениям, включая новизну, лекарственную доступность, уверенность и безопасность, в рамках 14 признаков старения.

Открытый релиз и заявленные цели

Insilico заявила, что выпускает набор эталонных данных, специализированные модели, обучающие ресурсы, код оценки и платформу Longevity Claw, чтобы обеспечить независимое тестирование, валидацию и дальнейшую разработку исследователями по всему миру.

«Мы разрабатываем проверенные агентные системы, которые могут эволюционировать в персонализированных помощников по долголетию и компаньонов по долголетию, в конечном итоге помогая людям контролировать и улучшать их здоровый период жизни», — сказал Алекс Жаворонков, основатель и со‑генеральный директор Insilico Medicine.

Insilico заявила, что открытая структура предназначена предоставить учёным общую основу для измерения прогресса в исследованиях старения с использованием ИИ и помочь отличать системы, демонстрирующие подлинное биологическое рассуждение, от тех, которые в основном воспроизводят информацию, содержащуюся в их обучающих данных.