Insilico Medicine ปล่อยชุดเครื่องมือ AI อายุยืนแบบเปิดในงานวิจัยของ Cell

Insilico Medicine เมื่อวันที่ 17 กันยายน 2026 ประกาศ การตีพิมพ์การศึกษาใน Cell ที่แนะนำชุดเครื่องมือ AI ที่เปิดเผยสำหรับชีววิทยาแห่งความชรา: เกณฑ์ LongevityBench, ชุดโมเดล Longevity-LLM จำนวนห้าตัวที่กะทัดรัด, และแพลตฟอร์มการวิจัยเชิงตัวแทน Longevity Claw.

การตีพิมพ์ใน Cell

บทความ “เกณฑ์เปิดและโมเดลภาษาเพื่อ AI ในชีววิทยาแห่งความชรา” ปรากฏใน Cell ปีที่ 189 ฉบับที่ 19 หน้า 5980–5994.e8 ลงวันที่ 17 กันยายน 2026. บทความนี้เผยแพร่แบบเข้าถึงได้อย่างเปิดเผยภายใต้สัญญา Creative Commons Attribution 4.0 พร้อม DOI 10.1016/j.cell.2026.08.026 และระบุผู้เขียนทั้งหมด 13 คน รวมถึง Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev และ Fedor Galkin.

Insilico กล่าวว่าการศึกษานี้ได้รับการเลือกเป็นภาพปกของฉบับวารสารวันที่ 17 กันยายน 2026 และดำเนินการร่วมกับนักวิจัยจาก Liquid AI, Buck Institute for Research on Aging, และ Harvard Medical School กับ Brigham and Women’s Hospital.

ตามประกาศ การตีพิมพ์ใน Cell นี้เป็นต่อจากการศึกษาของ Insilico เมื่อ 7 กันยายน 2026 ใน Nature Biotechnology ซึ่งรายงานว่า rentosertib, ยาตัว候选ที่ ค้นพบโดย AI และออกแบบโดย AI สำหรับโรคปอดเสื่อมชนิดอัตพันธุ์, ลดอายุชีวภาพในหกนาฬิกาอายุแบบโปรตีโอมิกที่แยกจากกันในการทดลองคลินิกระยะ IIa.

เกณฑ์เปิดสำหรับชีววิทยาแห่งความชรา

การศึกษานี้แนะนำ LongevityBench ในฐานะชุดเปิดที่ประกอบด้วย 17 งานครอบคลุมห้าดูเมนข้อมูลชีวภาพ: ข้อมูลคลินิก, ยีน, เอพิเจเนติกส์, ทรานสคริปโตมิกส์ และโปรตีโอมิกส์. ในสรุปของบทความ ผู้เขียนระบุว่าไม่มีเกณฑ์ใดที่มีอยู่ก่อนหน้านี้ที่ประเมินว่าระบบ AI สามารถตีความประเภทข้อมูลที่หลากหลายเหล่านี้ในบริบทของชีววิทยาแห่งความชราได้หรือไม่. ตามประกาศ เกณฑ์นี้ถูกออกแบบเพื่อ ลดความเป็นไปได้ที่โมเดลจะประสบความสำเร็จโดยการจำข้อมูลที่เคยเจอระหว่างการฝึกฝน, แต่ทดสอบความสามารถในการวิเคราะห์ข้อมูลชีวภาพ, จดจำรูปแบบที่มีความหมายและแก้ปัญหาที่เกี่ยวข้องกับการวิจัยด้านความชรา.

ผู้เขียนใช้ LongevityBench เพื่อประเมินระบบ AI แนวหน้า 18 ระบบจากหกทีมผู้พัฒนา ซึ่งตามประกาศได้แก่ OpenAI, Google, Anthropic, xAI, DeepSeek และ Moonshot AI. บทความระบุว่าไม่มีโมเดลใดที่ครอบคลุมทุกงาน, ประสิทธิภาพเปลี่ยนแปลงตามวิธีการตั้งคำถาม, และการทำนายอายุโดยออมิกส์เป็นงานที่ยากที่สุดโดยไม่คำนึงถึงขนาดของโมเดล.

โครงการ กระดานผู้นำสาธารณะ ซึ่งติดตามโมเดล 26 ตัวใน 17 งาน, รายการชุดข้อมูลที่มาจากการวัดคลินิกของ NHANES, การเมทิลเลชัน DNA ของ GEO, RNA‑seq bulk ของ GTEx, โปรตีโอมพลาสม่า Olink, และแหล่งข้อมูลพันธุกรรม OpenGenes และ SynergyAge. บนคะแนนรวมของกระดานผู้นำ, ที่ค่าต่ำกว่าดีกว่า, Gemini 3.1 Pro ที่ 8.2 ถูกระบุว่าเป็นโมเดลแนวหน้าที่ดีที่สุด, พร้อมกับ Claude Opus‑4.6 ที่ 9.2.

Longevity‑LLM กะทัดรัด

เพื่อทดสอบว่าช่องว่างเหล่านั้นสามารถปิดได้โดยไม่ต้องใช้ทรัพยากรระดับแนวหน้า นักวิจัยได้ทำการปรับแต่งชุดโมเดล Longevity‑LLM ห้าตัวที่ทำหลายงาน ซึ่งมีขนาดตั้งแต่ 0.6 พันล้านถึง 9 พันล้านพารามิเตอร์บนข้อมูลด้านความชราเฉพาะโดเมน, และบทความระบุว่าโมเดลกะทัดรัดเหล่านี้เทียบหรือเหนือกว่าระบบแนวหน้าที่ใหญ่กว่ามากบนเกณฑ์. ตามประกาศ โมเดลเหล่านี้ได้รับการฝึกด้วย MMAI Gym สำหรับวิทยาศาสตร์ของ Insilico, ซึ่งบริษัทอธิบายว่าเป็นสนามฝึกสำหรับโมเดลภาษา ที่ใช้ข้อมูลที่เป็นกรรมสิทธิ์ของบริษัท, ชุดข้อมูลการให้เหตุผลและโมเดลที่ได้รับการตรวจสอบ, และสร้างบนสถาปัตยกรรม LFM2 ของ Liquid AI และตระกูลโมเดล Qwen3 และ Qwen3.5 ของ Alibaba.

กระดานผู้นำระบุว่า L‑Qwen3.5‑9B เป็นระบบโดยรวมที่ดีที่สุดด้วยคะแนนรวม 4.4, รองตามด้วย L‑LFM2‑2.6B ที่ 7.6 และ L‑Qwen3‑1.7B ที่ 7.8. ในผลลัพธ์ที่เลือกจากกระดานผู้นำ, L‑Qwen3.5‑9B ได้ความสอดคล้อง 0.868 ในการทำนายอายุจากการเมทิลเลชัน DNA ของ GEO เทียบกับ 0.685 ของโมเดลแนวหน้าที่ดีที่สุด, และ L‑Qwen3‑0.6B มีค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ 5.7 ปีในการทำนายอายุจากโปรตีโอมิกของ Olink เทียบกับ 10.1 ปีของโมเดลแนวหน้าที่ดีที่สุด, พร้อมกับความแม่นยำสมดุล 0.890 ในการทำนายอัตราการเสียชีวิต 10 ปีของ NHANES.

โมเดลและข้อมูลเกณฑ์มีให้ดาวน์โหลดสาธารณะใน คอลเลกชัน Hugging Face ซึ่งรวมชุดข้อมูล longebench และโมเดล longevity-llm 9B, Qwen3-0.6B‑Longevity, Qwen3-1.7B‑Longevity, LFM2-2.6B‑Longevity และ LFM2-1.2B‑Longevity.

Longevity Claw และการค้นหาเป้าหมายอัตโนมัติ

ทีมได้ฝัง L‑Qwen3.5‑9B เข้าไปใน Longevity Claw, แพลตฟอร์มเชิงตัวแทนแบบโอเพ่นซอร์สที่รวมโมเดลเฉพาะด้านกับเครื่องมือสำหรับการวิเคราะห์การเพิ่มความอุดมสมบูรณ์ของชุดยีน, การคำนวณนาฬิกาอายุชีวภาพ, การสร้างโปรไฟล์ระดับประชากร, การสืบค้นและสังเคราะห์หลักฐาน, และการประเมินและจัดลำดับความสำคัญของเป้าหมายผู้สมัคร. Insilico กล่าวว่าแพลตฟอร์มนี้ออกแบบมาเพื่อกำหนดและดำเนินการขั้นตอนการวิจัยหลายขั้นตอน แทนที่จะตอบคำถามเดี่ยวเท่านั้น.

แพลตฟอร์มที่ใช้งานได้บนลักษณะการแก่ที่ได้รับการยอมรับ 14 รายการ ได้เสนอชื่อยีน 328 ตัวเป็นเป้าหมายที่เป็นไปได้สำหรับการแทรกแซงการแก่ และผู้สมัครเหล่านั้นแสดงการเพิ่มความสำคัญเชิงสถิติสูงสุดถึง 5.6 เท่าต่อชุดอ้างอิงที่ตีพิมพ์อย่างอิสระซึ่งสนับสนุนเป้าหมายที่เกี่ยวข้องกับการแก่ตามการทดลอง ตามประกาศหนึ่งยีนที่ได้รับการเสนอชื่อคือ KDM1A ซึ่งได้รับการตรวจสอบอย่างอิสระในงานวิจัยที่ตีพิมพ์แยกต่างหากว่าเป็นเป้าหมายการแก่และมะเร็งสองประการที่การปรับเปลี่ยนทำให้ชีวิตของ C. elegans ยืดอายุขึ้น ตามประกาศนั้น

โครงการ คลัง GitHub ซึ่งเผยแพร่ภายใต้สัญญาอนุญาต MIT บันทึกว่า LongevityClaw ทำหน้าที่เป็นเอเจนต์ที่ทำนายอายุทางชีวภาพผ่านนาฬิกา 233 ตัวที่ครอบคลุมหกรูปแบบด้วยค่าสัมประสิทธิ์ 429,165 ตัว พร้อมชุดข้อมูลอ้างอิงของประชากรและโมดูลการค้นหาเป้าหมายใหม่ที่ให้คะแนนผู้สมัครในหกมิติ รวมถึงความแปลกใหม่ ความสามารถในการเป็นยา ความมั่นใจและความปลอดภัย ครอบคลุมลักษณะการแก่ 14 รายการ

การเปิดตัวและเป้าหมายที่ระบุ

Insilico กล่าวว่า บริษัทกำลังปล่อยชุดมาตรฐาน โมเดลเฉพาะ การทรัพยากรการฝึก โค้ดการประเมินผล และแพลตฟอร์ม Longevity Claw เพื่อให้การทดสอบ การตรวจสอบความถูกต้อง และการพัฒนาต่อไปโดยนักวิจัยทั่วโลกทำได้อย่างอิสระ

“เรากำลังพัฒนาระบบที่ผ่านการตั้งมาตรฐานและเป็นเอเจนต์ซึ่งสามารถพัฒนาเป็นผู้ช่วยอายุยืนนานส่วนบุคคลและเพื่อนร่วมทางด้านอายุยืนนานในที่สุด เพื่อช่วยผู้คนติดตามและปรับปรุงช่วงเวลาสุขภาพของตน,” กล่าวโดย Alex Zhavoronkov ผู้ก่อตั้งและประธานเจ้าหน้าที่ร่วมของ Insilico Medicine.

Insilico กล่าวว่า โครงสร้างเปิดนี้มีจุดมุ่งหมายเพื่อให้นักวิทยาศาสตร์มีพื้นฐานร่วมกันในการวัดความก้าวหน้าในงานวิจัยการแก่ที่ใช้ AI และเพื่อช่วยแยกระบบที่แสดงการให้เหตุผลทางชีวภาพที่แท้จริงจากระบบที่ส่วนใหญ่ทำซ้ำข้อมูลที่มีอยู่ในชุดข้อมูลการฝึกของตน