Insilico Medicine släpper öppet Longevity AI Toolkit i Cell-studie

Insilico Medicine den 17 september 2026 meddelade publiceringen av en studie i Cell som introducerar ett öppet AI-verktyg för åldringsbiologi: LongevityBench-benchmarken, en familj av fem kompakta Longevity-LLM:er och Longevity Claw-agentplattformen.

Publicering i Cell

Artikeln “Ett öppet benchmark och språkmodeller för AI inom åldringsbiologi” publiceras i Cell volym 189, nummer 19, på sidorna 5980–5994.e8, daterad 17 september 2026. Den publicerades som öppen åtkomst under en Creative Commons Attribution 4.0-licens med DOI 10.1016/j.cell.2026.08.026, och listar 13 författare, inklusive Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev och Fedor Galkin.

Insilico sade att studien valdes som omslagsartikel i tidskriftens nummer den 17 september 2026 och genomfördes med forskare från Liquid AI, Buck Institute for Research on Aging samt Harvard Medical School och Brigham and Women’s Hospital.

Enligt tillkännagivandet följer Cell-publikationen Insilicos studie den 7 september 2026 i Nature Biotechnology, som rapporterade att rentosertib, företagets AI-upptäckt och AI-designad läkemedelskandidat för idiopatisk pulmonell fibros, minskade biologisk ålder i sex oberoende proteomikbaserade åldersklockor i en fas IIa-klinisk prövning.

Ett öppet benchmark för åldringsbiologi

Studien introducerar LongevityBench som en öppen samling av 17 uppgifter som täcker fem biodataområden: kliniska data, genetik, epigenetik, transkriptomik och proteomik. I artikelns sammanfattning skriver författarna att inget befintligt benchmark har utvärderat om AI-system kan tolka dessa heterogena datatyper i samband med åldringsbiologi. Enligt tillkännagivandet designades benchmarken för att minska sannolikheten att modeller lyckas genom återkallelse av information som de stött på under träning, och istället testa förmågan att analysera biologiska data, känna igen meningsfulla mönster och lösa problem som är relevanta för åldringsforskning.

Författarna använde LongevityBench för att utvärdera 18 frontier-AI-system från sex utvecklingsteam, som enligt tillkännagivandet identifieras som OpenAI, Google, Anthropic, xAI, DeepSeek och Moonshot AI. Artikeln rapporterar att ingen enskild modell dominerade alla uppgifter, att prestanda förändrades beroende på hur frågorna formulerades, och att åldersprediktion baserad på omics var den svåraste uppgiften oavsett modellens skala.

Projektets offentliga topplistan, som spårar 26 modeller över de 17 uppgifterna, listar dataset hämtade från NHANES kliniska mätningar, GEO DNA-metylering, GTEx bulk RNA-seq, Olink plasma-proteomik samt OpenGenes- och SynergyAge-genetikresurser. På topplistans aggregerade rankningspoäng, där lägre är bättre, listas Gemini 3.1 Pro med 8.2 som den bästa frontier-modellen, med Claude Opus-4.6 på 9.2.

Kompakta Longevity-LLM:er

För att testa om dessa luckor kan överbryggas utan frontier-skala resurser finjusterade forskarna en familj av fem multitask Longevity-LLM:er med 0.6 miljarder till 9 miljarder parametrar på domänspecifika åldersdata, och artikeln rapporterar att de kompakta modellerna matchade eller överträffade mycket större frontier-system på benchmarken. Enligt tillkännagivandet tränades modellerna med Insilicos MMAI Gym för Science, som företaget beskriver som en träningsplats för språkmodeller som använder dess proprietära data, resonemangsdatamängder och validerade modeller, och de byggdes på Liquid AI:s LFM2-arkitektur samt Alibabas Qwen3- och Qwen3.5-modellfamiljer.

Topplistan listar L-Qwen3.5-9B som det bästa övergripande systemet med en aggregerad rankningspoäng på 4.4, följt av L-LFM2-2.6B med 7.6 och L-Qwen3-1.7B med 7.8. Bland topplistans utvalda resultat nådde L-Qwen3.5-9B en koncordans på 0.868 för GEO DNA-metyleringsåldersprediktion jämfört med 0.685 för den bästa frontier-modellen, och L-Qwen3-0.6B registrerade ett medelabsolutfel på 5.7 år för Olink proteomisk åldersprediktion jämfört med 10.1 år för den bästa frontier-modellen, samt en balanserad noggrannhet på 0.890 för NHANES 10-års mortalitetsprediktion.

Modellerna och benchmarkdata är offentligt tillgängliga i en Hugging Face-samling som inkluderar longebench-datasetet samt longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity och LFM2-1.2B-Longevity-modellerna.

Longevity Claw och autonom målupptäckt

Teamet integrerade L-Qwen3.5-9B i Longevity Claw, en öppen källkods-agentplattform som kombinerar den specialiserade modellen med verktyg för genuppsättnings‑enriktningsanalys, beräkning av biologiska åldersklockor, befolkningsnivåprofilering, insamling och syntes av bevis samt utvärdering och prioritering av kandidatmål. Insilico sade att plattformen designades för att formulera och genomföra flerstegs forskningsarbetsflöden snarare än att bara svara på enskilda frågor.

Plattformen, som är implementerad över 14 erkända åldrandets kännetecken, nominerade 328 gener som potentiella mål för åldersintervention, och kandidaterna visade statistiskt signifikant berikning på upp till 5,6‑faldigt jämfört med en oberoende publicerad referensuppsättning av experimentellt stödda åldersrelaterade mål, enligt tillkännagivandet. En av de nominerade generna, KDM1A, validerades oberoende i en separat publicerad studie som ett dubbeländamålsmål för både åldrande och cancer, vars modulering förlängde livslängden hos C. elegans, enligt tillkännagivandet.

Projektets GitHub‑arkiv, som publicerats under en MIT‑licens, dokumenterar LongevityClaw som en agent som förutsäger biologisk ålder över 233 klockor som spänner över sex modaliteter med 429 165 koefficienter, tillsammans med referensdatamängder för populationer och en modul för upptäckt av nya mål som bedömer kandidater på sex dimensioner, inklusive nyhet, läkemedelsbarhet, förtroende och säkerhet, över de 14 kännetecknen.

Öppen lansering och angivna mål

Insilico uppgav att de släpper benchmarken, de specialiserade modellerna, träningsresurserna, utvärderingskoden och Longevity Claw‑plattformen för att möjliggöra oberoende testning, validering och vidare utveckling av forskare världen över.

”Vi utvecklar benchmarkade, agentbaserade system som kan utvecklas till personliga livslängdsassistenter och livslängdskamrater, och som i slutändan hjälper människor att övervaka och förbättra sin hälsospann,” sade Alex Zhavoronkov, grundare och med‑VD för Insilico Medicine.

Insilico uppgav att det öppna ramverket är avsett att ge forskare en gemensam grund för att mäta framsteg inom AI‑stödd åldrandeforskning och för att hjälpa till att särskilja system som visar verklig biologisk resonemang från de som främst reproducerar information som finns i deras träningsdata.