Insilico Medicine, Cell Çalışmasında Açık Uzunömür AI Araç Setini Yayınladı

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

Cell Dergisinde Yayın

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

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 söyledi.

Duyuruma göre, Cell yayını, Insilico’nun 7 Eylül 2026 tarihli Nature Biotechnology çalışmasını takiben yayımlanmıştır; bu çalışmada şirketin İdiopatik pulmoner fibroz için AI tarafından keşfedilen ve AI tarafından tasarlanan ilaç adayı rentosertib’in, Faz IIa klinik denemesinde altı bağımsız proteomik yaşlanma saatinde biyolojik yaşı azalttığı bildirilmiştir.

Yaşlanma Biyolojisi İçin Açık Bir Kıyaslama

Çalışma, LongevityBench’i beş biyod veri alanını kapsayan 17 görevden oluşan açık bir paket olarak tanıtıyor: klinik veri, 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, bunun yerine biyolojik verileri analiz etme, anlamlı kalıpları tanıma ve yaşlanma araştırmasıyla ilgili problemleri çözme yeteneğini test etmek amacıyla tasarlanmıştır.

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 belirtilmiştir. Makale, tek bir modelin tüm görevlerde üstünlük sağlamadığını, performansın soruların nasıl formüle edildiğine bağlı olarak değiştiğini ve omik tabanlı yaş tahmininin model ölçeğinden bağımsız olarak en zor görev olduğunu rapor ediyor.

Projenin kamu lider tablosu, 17 görevde 26 modeli izler ve NHANES klinik ölçümleri, GEO DNA metilasyonu, GTEx toplu RNA-seq, Olink plazma proteomikleri ve OpenGenes ile SynergyAge genetik kaynaklarından alınan veri setlerini listeler. Lider tablosunun toplu sıralama puanında, 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 sistemlere eşit ya da daha iyi performans gösterdiğini rapor ediyor. Duyuruma göre, modeller Insilico’nun MMAI Gym for Science platformu kullanılarak eğitildi; şirket bu platformu, kendi veri, akıl yürütme veri setleri ve doğrulanmış modellerini 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.

Lider tablo, 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 puanla gelir. Lider tablosunun seçilmiş sonuçları arasında, L-Qwen3.5-9B GEO DNA-metilasyon yaş tahmininde 0.868 uyum elde ederken, en iyi öncü model 0.685 değerindeydi; L-Qwen3-0.6B ise Olink proteomik yaş tahmininde ortalama mutlak hata olarak 5.7 yıl kaydederken, en iyi öncü model 10.1 yıl gösterdi; ayrıca NHANES 10‑yıllık mortalite tahmininde 0.890 dengeli doğruluk sağladı.

Modeller ve kıyaslama verileri, Hugging Face koleksiyonu içinde halka açık olarak sunulmaktadır; bu koleksiyon 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 içerir.

Longevity Claw ve Otonom Hedef Keşfi

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

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

Projenin GitHub deposu, MIT lisansı altında yayımlanmış, LongevityClaw’ı 233 saat içinde altı modaliteyi kapsayan 429.165 katsayıyla biyolojik yaşı tahmin eden bir ajan olarak belgelemekte, ayrıca popülasyon referans veri setleri ve yeni hedef keşif modülü sunmakta; bu modül adayları 14 ayırt edici özelliğe göre yenilik, ilaçlanabilirlik, güven ve güvenlik gibi altı boyutta puanlamaktadır.

Açık Yayın ve Belirtilen Hedefler

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

“Kişiselleştirilmiş uzun ömür asistanları ve uzun ömür yoldaşlarına dönüşebilen, ölçülmüş benchmark’lı, ajan tabanlı sistemler geliştiriyoruz; nihayetinde insanların sağlık ömürlerini izlemelerine ve iyileştirmelerine yardımcı olacağız,” dedi Insilico Medicine’ın kurucusu ve eş-CEO’su Alex Zhavoronkov.

Insilico, açık çerçevenin, bilim insanlarına yapay zeka destekli yaşlanma araştırmalarında ilerlemeyi ölçmek için ortak bir temel sağlamayı ve eğitim verilerinde bulunan bilgileri çoğunlukla yeniden üreten sistemlerden gerçek biyolojik akıl yürütme gösteren sistemleri ayırt etmelerine yardımcı olmayı amaçladığını söyledi.