Insilico Medicine lanserar öppet Longevity AI‑verktygssats 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‑agentiska forskningsplattformen.

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

Enligt meddelandet 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 proteomiska åldringsklockor i en fas IIa‑klinisk prövning.

Ett öppet benchmark för åldringsbiologi

Studien introducerar LongevityBench som en öppen svit av 17 uppgifter som täcker fem biodata‑domäner: 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 meddelandet utformades benchmarket 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 åldrandeforskning.

Författarna använde LongevityBench för att utvärdera 18 frontier‑AI‑system från sex utvecklingsteam, som meddelandet identifierar som OpenAI, Google, Anthropic, xAI, DeepSeek och Moonshot AI. Artikeln rapporterar att ingen enskild modell dominerade alla uppgifter, att prestandan varierade beroende på hur frågorna formulerades, och att åldersförutsägelse baserad på omics var den svåraste uppgiften oavsett modellens skala.

Projektets offentliga topplista, 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 genetiska resurserna OpenGenes och SynergyAge. På topplistans aggregerade rankningspoäng, där lägre är bättre, anges Gemini 3.1 Pro med 8.2 som den bästa frontier‑modellen, följd av Claude Opus‑4.6 med 9.2.

Kompakta Longevity‑LLM:er

För att testa om dessa luckor kunde överbryggas utan frontier‑skala resurser finjusterade forskarna en familj av fem multitask‑Longevity‑LLM:er med mellan 0,6 miljarder och 9 miljarder parametrar på domänspecifika åldringsdata, och artikeln rapporterar att de kompakta modellerna matchade eller överträffade mycket större frontier‑system på benchmarket. Enligt meddelandet tränades modellerna med Insilicos MMAI Gym for Science, som företaget beskriver som en träningsmiljö för språkmodeller som använder deras proprietära data, resonemangs‑dataset och validerade modeller, och de byggdes på Liquid AI:s LFM2‑arkitektur samt Alibabas Qwen3‑ och Qwen3.5‑modellsfamiljer.

Topplistan listar L-Qwen3.5-9B som det bästa totala 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 i GEO DNA‑metylerings‑åldersförutsägelse jämfört med 0.685 för den bästa frontier‑modellen, och L-Qwen3-0.6B registrerade ett medelabsolutfel på 5.7 år i Olink proteomisk åldersförutsägelse jämfört med 10.1 år för den bästa frontier‑modellen, samt en balanserad noggrannhet på 0.890 i NHANES 10‑års mortalitetsförutsägelse.

Modellerna och benchmark‑data 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 källkod‑agentisk plattform som kombinerar den specialiserade modellen med verktyg för gen‑set‑enriktningsanalys, beräkning av biologiska åldringsklockor, profilering på befolkningsnivå, hämtning och syntes av bevis samt utvärdering och prioritering av kandidatmål. Insilico sade att plattformen är utformad för att formulera och genomföra flerstegsför 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 mot en oberoende publicerad referensuppsättning av experimentellt stödda åldersrelaterade mål, enligt tillkännagivandet. En nominerad gen, 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‑arkivet, publicerat under en MIT‑licens, dokumenterar LongevityClaw som en agent som förutsäger biologisk ålder över 233 klockor som täcker 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 meddelar 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, agentiska system som kan utvecklas till personliga livslängdsassistenter och livslängdskamrater, som i slutändan hjälper människor att övervaka och förbättra sin hälsospann,” sade Alex Zhavoronkov, grundare och med‑VD för Insilico Medicine.

Insilico säger att den öppna ramen är avsedd 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.