Insilico Medicine, Cell Çalışmasında Açık Uzun Ömür AI Araç Setini Yayınladı

Insilico Medicine, 17 Eylül 2026 tarihinde duyurdu Cell dergisinde yayımlanan bir çalışmanın, yaşlanma biyolojisi için açıkça yayınlanmış bir AI araç setini tanıttığını: LongevityBench kıyaslamasını, beş kompakt Longevity-LLM ailesini ve Longevity Claw ajan araştırma platformunu.

Cell Dergisinde Yayın

Makale, “Açık bir kıyaslama ve yaşlanma biyolojisinde AI için dil modelleri“, Cell dergisinin 189. cilt, 19. sayı, 5980–5994.e8 sayfalarında, 17 Eylül 2026 tarihli olarak yer alıyor. Creative Commons Attribution 4.0 lisansı altında açık erişim olarak yayımlanmış ve DOI 10.1016/j.cell.2026.08.026 ile, Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev ve Fedor Galkin dahil 13 yazar listelenmiştir.

Insilico, çalışmanın derginin 17 Eylül 2026 sayısının kapak özelliği olarak seçildiğini ve Liquid AI, Buck Institute for Research on Aging, Harvard Medical School ve Brigham and Women’s Hospital araştırmacılarıyla birlikte yürütüldüğünü belirtti.

Duyuruma göre, Cell yayını, Insilico’nun 7 Eylül 2026 tarihli Nature Biotechnology çalışmasını takiben, rentosertib adlı, şirketin idiopatik pulmoner fibroz için AI tarafından keşfedilen ve AI tarafından tasarlanan ilaç adayı, Faz IIa klinik denemesinde altı bağımsız proteomik yaşlanma saatinde biyolojik yaşı azalttığını bildirmiştir.

Yaşlanma Biyolojisi İçin Açık Bir Kıyaslama

Çalışma, LongevityBench’i beş biyod veri alanını kapsayan 17 görevden oluşan açık bir paket olarak tanıtıyor: klinik veriler, genetik, epigenetik, transkriptomik ve proteomik. Makalenin özetinde yazarlar, mevcut hiçbir kıyaslamanın AI sistemlerinin bu heterojen veri türlerini yaşlanma biyolojisi bağlamında yorumlayıp yorumlayamadığını değerlendirmediğini belirtiyor. Duyuruma göre, kıyaslama, modellerin eğitim sırasında karşılaştıkları bilgileri hatırlayarak başarılı olma olasılığını azaltmak ve bunun yerine biyolojik verileri analiz etme, anlamlı kalıpları tanıma ve yaşlanma araştırmasıyla ilgili sorunları çözme yeteneğini test etmek amacıyla tasarlandı.

Yazarlar, LongevityBench’i altı geliştirici ekibinden 18 öncü AI sistemini değerlendirmek için kullandılar; duyuruda bu ekipler OpenAI, Google, Anthropic, xAI, DeepSeek ve Moonshot AI olarak belirtiliyor. Makale, tek bir modelin tüm görevlerde hâkim olmadığını, performansın soruların nasıl formüle edildiğine bağlı olarak değiştiğini ve omik tabanlı yaş tahmininin model ölçeği ne olursa olsun en zor görev olduğunu rapor ediyor.

Projenin kamu liderlik tablosu, 17 görevde 26 modeli izleyerek NHANES klinik ölçümleri, GEO DNA metilasyonu, GTEx toplu RNA-seq, Olink plazma proteomikleri ve OpenGenes ile SynergyAge genetik kaynaklarından alınan veri setlerini listeler. Liderlik tablosunun toplu sıralama puanında, daha düşük puan daha iyidir; Gemini 3.1 Pro 8.2 puanla en iyi öncü model olarak, Claude Opus-4.6 ise 9.2 puanla listelenmiştir.

Kompakt Longevity-LLM’ler

Bu boşlukların öncü ölçekli kaynaklar olmadan kapatılıp kapatılamayacağını test etmek için araştırmacılar, 0.6 milyar ila 9 milyar parametre arasında değişen beş çok görevli Longevity-LLM ailesini alan‑spesifik yaşlanma verileri üzerinde ince ayar yaptılar ve makale, kompakt modellerin kıyaslamada çok daha büyük öncü sistemlerle eşit veya daha iyi performans gösterdiğini rapor ediyor. Duyuruma göre, modeller Insilico’nun MMAI Gym for Science kullanılarak eğitildi; şirket bu platformu, sahip olduğu veri, akıl yürütme veri setleri ve doğrulanmış modelleri uygulayan bir dil modeli eğitim sahası olarak tanımlıyor ve modeller Liquid AI’nın LFM2 mimarisi ile Alibaba’nın Qwen3 ve Qwen3.5 model aileleri üzerine inşa edildi.

Liderlik tablosu, L-Qwen3.5-9B’yi 4.4 toplu sıralama puanı ile en iyi genel sistem olarak listeler; ardından L-LFM2-2.6B 7.6 ve L-Qwen3-1.7B 7.8 puanlarla gelir. Liderlik tablosunun seçilmiş sonuçları arasında, L-Qwen3.5-9B GEO DNA‑metilasyon yaş tahmininde 0.868 uyum sağlarken, en iyi öncü model 0.685 idi; L-Qwen3-0.6B Olink proteomik yaş tahmininde ortalama mutlak hata olarak 5.7 yıl elde etti, en iyi öncü model ise 10.1 yıl oldu ve NHANES 10‑yıllık mortalite tahmininde 0.890 dengeli doğruluk elde etti.

Modeller ve kıyaslama verileri, longebench veri seti ile longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity ve LFM2-1.2B-Longevity modellerini içeren bir Hugging Face koleksiyonu içinde herkese açıktır.

Longevity Claw ve Otonom Hedef Keşfi

Ekip, L-Qwen3.5-9B’yi Longevity Claw içine entegre etti; bu açık kaynaklı ajan platform, özelleşmiş modeli gen seti zenginleştirme analizi, biyolojik yaş‑saat hesaplaması, nüfus‑seviyesi profilleme, kanıt toplama ve sentezleme, ayrıca aday hedef değerlendirme ve önceliklendirme araçlarıyla birleştiriyor. Insilico, platformun yalnızca tek tek sorulara yanıt vermek yerine çok adımlı araştırma iş akışlarını formüle edip yürütmek için tasarlandığını belirtti.

14 tanınmış yaşlanma belirteci boyunca dağıtılan platform, yaşlanma müdahalesi için potansiyel hedefler olarak 328 geni aday gösterdi ve adaylar, bağımsız olarak yayınlanmış deneysel olarak desteklenen yaşlanma ile ilişkili hedeflerin referans setine karşı en fazla 5,6 katlık istatistiksel olarak anlamlı bir zenginleşme gösterdi, duyuruya göre. Aday gösterilen bir gen, KDM1A, ayrı bir yayınlanmış çalışmada bağımsız olarak doğrulandı; bu gen, yaşlanma ve kanser için çift amaçlı bir hedef olup, modülasyonu C. elegans’ta yaşam süresini uzattı, duyuru belirtti.

Projenin GitHub deposu, MIT lisansı altında yayınlanmış, LongevityClaw’ı 233 saat ve altı modaliteyi kapsayan 429.165 katsayı ile biyolojik yaşı tahmin eden bir ajan olarak belgelemektedir; ayrıca popülasyon referans veri setleri ve yeni hedef keşif modülü de bulunmakta; bu modül adayları yenilik, ilaçlanabilirlik, güven ve güvenlik dahil olmak üzere altı boyutta puanlamaktadır, 14 belirteç boyunca.

Açık Yayın ve Belirtilen Hedefler

Insilico, benchmark’i, uzmanlaşmış modelleri, eğitim kaynaklarını, değerlendirme kodunu ve Longevity Claw platformunu, dünya çapındaki araştırmacıların bağımsız test, doğrulama ve daha ileri geliştirme yapabilmelerini sağlamak amacıyla yayınladığını söyledi.

“Kişiselleştirilmiş uzun ömür asistanları ve uzun ömür dostları haline evrilebilen, benchmark’lanmış ajan sistemleri geliştiriyoruz; nihayetinde insanlara sağlık ömürlerini izlemelerine ve iyileştirmelerine yardımcı olacağız,” dedi Insilico Medicine kurucusu ve ortak CEO’su Alex Zhavoronkov.

Insilico, açık çerçevenin, bilim insanlarına yapay zekâ destekli yaşlanma araştırmalarındaki ilerlemeyi ölçmek için ortak bir temel sağlaması ve sistemlerin gerçek biyolojik akıl yürütmeyi gösterenlerle, öncelikle eğitim verilerindeki bilgileri yeniden üretenler arasındaki farkı ayırt etmelerine yardımcı olması amaçlandığını belirtti.