Insilico Medicine เปิดตัวชุดเครื่องมือ AI อายุยืนแบบเปิดในงานศึกษา Cell

Insilico Medicine เมื่อ 17 กันยายน 2026 ประกาศ การตีพิมพ์การศึกษาใน Cell ที่แนะนำชุดเครื่องมือ AI ที่เปิดเผยสำหรับชีววิทยาการแก่: เกณฑ์ LongevityBench, ชุดของห้า Longevity-LLM ขนาดกะทัดรัด, และแพลตฟอร์มการวิจัยแบบเอเยนต์ Longevity Claw.

การตีพิมพ์ใน Cell

บทความ “เกณฑ์เปิดและโมเดลภาษาเพื่อ AI ในชีววิทยาการแก่” ปรากฏใน Cell ฉบับที่ 189, ฉบับที่ 19, หน้า 5980–5994.e8, วันที่ 17 กันยายน 2026. ถูกตีพิมพ์แบบเปิดเข้าถึงภายใต้สัญญาอนุญาต 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 ระบุว่าการศึกษานี้ได้รับการคัดเลือกเป็นภาพหน้าปกของฉบับวารสารวันที่ 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 เป็นต่อจากการศึกษาของ Insilico เมื่อ 7 กันยายน 2026 ใน Nature Biotechnology ซึ่งรายงานว่า rentosertib, ยาตัวที่ค้นพบและออกแบบโดย AI สำหรับภาวะปอดเสื่อมชนิดไม่ทราบสาเหตุ, ลดอายุทางชีวภาพในหกนาฬิกาอายุโปรตีโอมิกที่เป็นอิสระในการทดลองคลินิกระยะ Phase IIa.

เกณฑ์เปิดสำหรับชีววิทยาการแก่

การศึกษานี้แนะนำ LongevityBench ในฐานะชุดเปิดที่ประกอบด้วย 17 งานครอบคลุมห้าด้านข้อมูลชีวภาพ: ข้อมูลคลินิก, ยีน, เอพิเจเนติกส์, ทรานสคริปโทมิกส์ และโปรตีโอมิกส์. ในสรุปของบทความ ผู้เขียนระบุว่าไม่มีเกณฑ์ที่มีอยู่เดิมที่ประเมินว่าระบบ AI สามารถตีความประเภทข้อมูลที่หลากหลายเหล่านี้ในบริบทของชีววิทยาการแก่ได้หรือไม่. ตามประกาศ เกณฑ์นี้ถูกออกแบบมาเพื่อลดความเป็นไปได้ที่โมเดลจะประสบความสำเร็จโดยการจำข้อมูลที่เคยพบระหว่างการฝึก, แทนที่จะทดสอบความสามารถในการวิเคราะห์ข้อมูลชีวภาพ, จดจำรูปแบบที่มีความหมายและแก้ปัญหาที่เกี่ยวข้องกับการวิจัยการแก่.

ผู้เขียนใช้ LongevityBench เพื่อประเมินระบบ AI แนวหน้า 18 ระบบจากหกทีมพัฒนา, ซึ่งตามประกาศระบุว่าเป็น OpenAI, Google, Anthropic, xAI, DeepSeek และ Moonshot AI. บทความรายงานว่าไม่มีโมเดลใดครองทุกงาน, ประสิทธิภาพเปลี่ยนแปลงตามการตั้งคำถาม, และการทำนายอายุโดยออมิกส์เป็นงานที่ยากที่สุดโดยไม่คำนึงถึงขนาดของโมเดล.

โครงการ กระดานผู้นำสาธารณะ ซึ่งติดตาม 26 โมเดลใน 17 งาน, ระบุชุดข้อมูลที่มาจากการวัดคลินิก NHANES, การเมธิลเลชัน DNA ของ GEO, RNA‑seq แบบ bulk ของ GTEx, โปรตีโอมิกส์พลาสม่า Olink, และแหล่งข้อมูลยีนของ OpenGenes และ SynergyAge. ในคะแนนรวมของกระดานผู้นำ, ที่ค่าต่ำกว่าดีกว่า, Gemini 3.1 Pro ที่ 8.2 ถูกระบุว่าเป็นโมเดลแนวหน้าที่ดีที่สุด, พร้อมกับ Claude Opus-4.6 ที่ 9.2.

Longevity-LLM ขนาดกะทัดรัด

เพื่อทดสอบว่าช่องว่างเหล่านั้นสามารถปิดได้โดยไม่ต้องใช้ทรัพยากรระดับแนวหน้า, นักวิจัยได้ปรับแต่งชุดของห้า Longevity-LLM แบบหลายงานที่มีขนาดตั้งแต่ 0.6 พันล้านถึง 9 พันล้านพารามิเตอร์บนข้อมูลการแก่เฉพาะโดเมน, และบทความรายงานว่าโมเดลขนาดกะทัดรัดตรงหรือเหนือกว่าระบบแนวหน้าที่ใหญ่กว่ามากบนเกณฑ์. ตามประกาศ โมเดลเหล่านี้ถูกฝึกโดยใช้ MMAI Gym สำหรับวิทยาศาสตร์ของ Insilico, ซึ่งบริษัทอธิบายว่าเป็นสนามฝึกสำหรับโมเดลภาษา ที่ใช้ข้อมูลที่เป็นกรรมสิทธิ์ของบริษัท, ชุดข้อมูลการให้เหตุผลและโมเดลที่ผ่านการตรวจสอบ, และสร้างบนสถาปัตยกรรม LFM2 ของ Liquid AI และตระกูลโมเดล Qwen3 และ Qwen3.5 ของ Alibaba.

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

โมเดลและข้อมูลเกณฑ์พร้อมให้เข้าถึงสาธารณะใน คอลเลกชันของ Hugging Face ซึ่งรวมถึงชุดข้อมูล 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, แพลตฟอร์มเอเย่นต์แบบโอเพ่นซอร์สที่ผสานโมเดลเฉพาะทางกับเครื่องมือสำหรับการวิเคราะห์การอุดมสมบูรณ์ของชุดยีน, การคำนวณนาฬิกาอายุชีวภาพ, การสร้างโปรไฟล์ระดับประชากร, การสืบค้นและสังเคราะห์หลักฐาน, และการประเมินและจัดลำดับความสำคัญของเป้าหมายผู้สมัคร. Insilico ระบุว่าแพลตฟอร์มนี้ออกแบบมาเพื่อกำหนดและดำเนินการเวิร์กโฟลว์การวิจัยหลายขั้นตอน แทนที่จะตอบคำถามแต่ละข้อเท่านั้น.

แพลตฟอร์มที่นำไปใช้กับ 14 ลักษณะสำคัญของการแก่ชราได้เสนอชื่อยีน 328 ตัวว่าเป็นเป้าหมายที่อาจใช้ในการแทรกแซงการแก่ชรา และยีนเหล่านี้แสดงการอุดมคติที่มีนัยสำคัญทางสถิติสูงสุดถึง 5.6 เท่าเมื่อเทียบกับชุดอ้างอิงที่ตีพิมพ์แยกต่างหากซึ่งสนับสนุนเป้าหมายที่เกี่ยวข้องกับการแก่ชราอย่างทดลองตามที่ประกาศหนึ่งยีนที่ได้รับการเสนอชื่อคือ KDM1A ได้รับการตรวจสอบความถูกต้องโดยอิสระในงานวิจัยที่ตีพิมพ์แยกต่างหากว่าเป็นเป้าหมายการแก่ชราและมะเร็งที่มีวัตถุประสงค์สองด้าน ซึ่งการปรับเปลี่ยนยีนนี้ทำให้ชีวิตของ C. elegans ยืดอายุออกไปตามที่ประกาศกล่าว

โครงการนี้มี คลัง GitHub ที่เผยแพร่ภายใต้สัญญาอนุญาต MIT ซึ่งบันทึก LongevityClaw ว่าเป็นเอเจนต์ที่ทำนายอายุชีวภาพจากนาฬิกา 233 ตัวครอบคลุมหกรูปแบบด้วยค่าสัมประสิทธิ์ 429,165 ตัว พร้อมชุดข้อมูลอ้างอิงของประชากรและโมดูลการค้นหาเป้าหมายใหม่ที่ให้คะแนนผู้สมัครในหกมิติ รวมถึงความแปลกใหม่ ความสามารถในการเป็นยา ความมั่นใจและความปลอดภัย ครอบคลุม 14 ลักษณะสำคัญของการแก่ชรา

การเปิดตัวและเป้าหมายที่ระบุ

Insilico กล่าวว่า บริษัทได้เปิดเผยชุดมาตรฐาน โมเดลเฉพาะทรัพยากรการฝึก โค้ดการประเมินผล และแพลตฟอร์ม Longevity Claw เพื่อให้ผู้วิจัยทั่วโลกสามารถทดสอบ ตรวจสอบความถูกต้อง และพัฒนาต่อยอดได้อย่างอิสระ

“เรากำลังพัฒนาระบบที่ผ่านการตั้งมาตรฐานและมีความเป็นเอเจนต์ ซึ่งสามารถพัฒนาเป็นผู้ช่วยด้านอายุยืนส่วนบุคคลและเพื่อนร่วมทางด้านอายุยืนในที่สุด เพื่อช่วยให้ผู้คนเฝ้าติดตามและปรับปรุงช่วงเวลาที่มีสุขภาพดีของตนเอง” อเล็กซ์ ซาวโรนคอฟ ผู้ก่อตั้งและประธานเจ้าหน้าที่บริหารร่วมของ Insilico Medicine กล่าว

Insilico กล่าวว่า โครงสร้างเปิดนี้มีจุดมุ่งหมายเพื่อให้ผู้เชี่ยวชาญมีฐานข้อมูลร่วมในการวัดความก้าวหน้าในงานวิจัยการแก่ชราที่ใช้ AI และช่วยแยกแยะระบบที่แสดงเหตุผลทางชีวภาพที่แท้จริงจากระบบที่เพียงแค่ทำซ้ำข้อมูลที่มีอยู่ในชุดฝึกของตน