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 открытый набор инструментов ИИ для биологии старения: бенчмарк LongevityBench, семейство из пяти компактных Longevity-LLM и агентскую исследовательскую платформу Longevity Claw.

Публикация в Cell

Статья «Открытый бенчмарк и языковые модели для ИИ в биологии старения» опубликована в журнале Cell, том 189, выпуск 19, страницы 5980–5994.e8, датирована 17 сентября 2026 года. Она была опубликована в открытом доступе по лицензии 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 выполнено 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, опубликованным в Nature Biotechnology, в котором сообщалось, что rentosertib, ИИ-обнаруженный и ИИ-разработанный кандидат в лекарство от идиопатического лёгочного фиброза, снизил биологический возраст по шести независимым протеомным часовым механизмам старения в клиническом испытании фазы IIa.

Открытый бенчмарк для биологии старения

Исследование представляет 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 существующий бенчмарк не оценивал способность ИИ‑систем интерпретировать эти разнородные типы данных в контексте биологии старения. Согласно объявлению, бенчмарк был разработан для снижения вероятности того, что модели могут добиться успеха за счёт воспоминания информации, полученной 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 ИИ‑систем 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, эффективность менялась в зависимости от формулировки вопросов, а предсказание возраста на основе омics‑данных оказалось самой сложной задачей независимо от масштаба модели.

Проект имеет публичную таблицу лидеров, в которой отслеживаются 26 моделей по 17 задачам; набор данных берётся из клинических измерений NHANES, метилирования ДНК GEO, массивного РНК‑секвенирования GTEx, протеомики плазмы Olink, а также генетических ресурсов OpenGenes и SynergyAge. По агрегированному рейтинговому баллу, где ниже — лучше, модель Gemini 3.1 Pro с показателем 8.2 указана как лучшая передовая модель, а Claude Opus‑4.6 — 9.2.

Компактные Longevity-LLM

Чтобы проверить, могут ли эти пробелы быть закрыты без ресурсов передового масштаба, исследователи дообучили семейство из пяти многозадачных Longevity-LLM с количеством параметров от 0.6 миллиарда до 9 миллиардов на специализированных данных старения, и статья сообщает, что компактные модели сопоставимы или превосходят гораздо более крупные передовые системы в бенчмарке. Согласно объявлению, модели обучались с использованием MMAI Gym для науки, который компания описывает как тренировочную площадку для языковых моделей, применяющую её собственные данные, наборы данных рассуждений и проверенные модели, и были построены на архитектуре LFM2 от Liquid AI и семейства моделей Qwen3 и Qwen3.5 от Alibaba.

Таблица лидеров указывает L-Qwen3.5-9B как лучшую общую систему с агрегированным рейтингом 4.4, за ней следуют L-LFM2-2.6B с 7.6 и L-Qwen3-1.7B с 7.8. Среди выбранных результатов таблицы лидеров L-Qwen3.5-9B достиг согласованности 0.868 при предсказании возраста по метилированию ДНК GEO, против 0.685 у лучшей передовой модели, а L-Qwen3-0.6B показал 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 интегрировала L-Qwen3.5-9B в Longevity Claw, открыту платформу‑агент, которая сочетает специализированную модель с инструментами анализа обогащения наборов генов, расчёта биологических часов старения, профилирования на уровне популяции, извлечения и синтеза доказательств, а также оценки и приоритизации кандидатных 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 уровня по сравнению с независимым опубликованным референсным набором экспериментально подтверждённых мишеней, связанных со старением, согласно объявлению. Один из названных генов, KDM1A, был независимо подтверждён в отдельном опубликованном исследовании как двойная мишень 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 целей, который оценивает кандидатов по шести измерениям, включая новизну, возможность разработки лекарств, уверенность и безопасность, в рамках 14 признаков старения.

Открытый релиз и заявленные цели

Insilico заявила, что выпускает набор тестов, 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.