Insilico Medicine випускає відкритий інструментарій Longevity AI у дослідженні Cell

Insilico Medicine 17 вересня 2026 оголосила про публікацію дослідження в журналі Cell, у якому представлено відкритий інструментарій ШІ для біології старіння: бенчмарк LongevityBench, сімейство з п’яти компактних Longevity-LLM та агентська дослідницька платформа Longevity Claw.

Публікація в Cell

Стаття «Відкритий бенчмарк і мовні моделі ШІ для біології старіння» опублікована в журналі Cell, том 189, випуск 19, на сторінках 5980–5994.e8, датована 17 вересня 2026. Вона була опублікована у відкритому доступі за ліцензією Creative Commons Attribution 4.0 з DOI 10.1016/j.cell.2026.08.026 і містить 13 авторів, серед яких Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev та Fedor Galkin.

Insilico повідомила, що дослідження було вибрано як обкладинкову статтю випуску журналу від 17 вересня 2026 і виконано спільно з дослідниками з Liquid AI, Buck Institute for Research on Aging, а також Harvard Medical School та Brigham and Women’s Hospital.

За даними оголошення, публікація в Cell є продовженням дослідження Insilico від 7 вересня 2026 у журналі Nature Biotechnology, у якому повідомлялося, що rentosertib, препарат, виявлений та спроектований ШІ для ідіопатичної легеневої фібрози, знизив біологічний вік за шістьма незалежними протеомічними годинниками старіння у клінічному дослідженні фази IIa.

Відкритий бенчмарк для біології старіння

У дослідженні представлено LongevityBench як відкритий набір з 17 завдань, що охоплює п’ять доменів біоданих: клінічні дані, генетику, епігенетику, транскриптоміку та протеоміку. У резюме статті автори зазначають, що жоден існуючий бенчмарк не оцінював, чи можуть системи ШІ інтерпретувати ці гетерогенні типи даних у контексті біології старіння. За даними оголошення, бенчмарк був розроблений з метою зменшити ймовірність того, що моделі успішно працюватимуть лише за рахунок запам’ятовування інформації, отриманої під час навчання, а натомість тестуватимуть здатність аналізувати біологічні дані, розпізнавати значущі патерни та вирішувати проблеми, релевантні дослідженням старіння.

Автори використали LongevityBench для оцінки 18 передових систем ШІ від шести команд розробників, які згідно оголошення включають OpenAI, Google, Anthropic, xAI, DeepSeek та Moonshot AI. У статті зазначено, що жодна окрема модель не домінувала у всіх завданнях, що продуктивність змінювалася в залежності від формулювання питань, і що передбачення віку на основі омікс-даних було найскладнішим завданням незалежно від масштабу моделі.

Проектний публічний рейтинг, який відстежує 26 моделей у 17 завданнях, містить набори даних, отримані з клінічних вимірювань NHANES, метилювання ДНК GEO, масових RNA‑seq GTEx, протеоміки плазми Olink, а також генетичних ресурсів OpenGenes та SynergyAge. За агрегованим рейтингом, де нижчий бал кращий, Gemini 3.1 Pro зі значенням 8.2 зазначений як найкраща передова модель, а Claude Opus‑4.6 – 9.2.

Компактні Longevity-LLM

Щоб перевірити, чи можна подолати ці прогалини без ресурсів передового масштабу, дослідники донавчали сімейство з п’яти багатозадачних Longevity-LLM, параметри яких варіюються від 0.6 мільярда до 9 мільярдів, на даних, специфічних для старіння, і у статті повідомляється, що компактні моделі досягли або перевершили значно більші передові системи у бенчмарці. За даними оголошення, моделі були навчено за допомогою MMAI Gym for Science, який компанія описує як майданчик для навчання мовних моделей, що застосовує її власні дані, набори даних для міркувань та перевірені моделі, і вони були побудовані на архітектурі LFM2 від Liquid AI та сімействах моделей Qwen3 і Qwen3.5 від Alibaba.

У рейтингу зазначено L‑Qwen3.5‑9B як найкращу загальну систему з агрегованим рейтингом 4.4, далі йдуть L‑LFM2‑2.6B зі значенням 7.6 та L‑Qwen3‑1.7B зі значенням 7.8. Серед обраних результатів рейтингу L‑Qwen3.5‑9B досяг 0.868 узгодженості у передбаченні віку за метилюванням ДНК GEO порівняно з 0.685 у кращої передової моделі, а L‑Qwen3‑0.6B зафіксував середню абсолютну помилку 5.7 року у передбаченні віку за протеомікою Olink проти 10.1 року у кращої передової моделі, а також 0.890 збалансовану точність у передбаченні 10‑річної смертності за даними NHANES.

Моделі та дані бенчмарку доступні публічно у колекція Hugging Face, яка включає набір даних longebench та моделі longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity і LFM2-1.2B-Longevity.

Longevity Claw та автономне виявлення мішеней

Команда вбудувала L‑Qwen3.5‑9B у Longevity Claw, відкриту агентську платформу, яка поєднує спеціалізовану модель з інструментами аналізу збагачення набору генів, розрахунку біологічних годинників старіння, профілювання на рівні популяції, отримання та синтезу доказів, а також оцінки та пріоритезації кандидатних мішеней. Insilico зазначила, що платформа розроблена для формулювання та виконання багатокрокових дослідницьких робочих процесів, а не лише для відповіді на окремі питання.

Платформа, впроваджена у 14 визнаних ознаках старіння, визначила 328 генів як потенційні мішені для втручання у процес старіння, і кандидати продемонстрували статистично значуще збагачення до 5,6‑кратного порівняно з незалежно опублікованим референтним набором експериментально підтверджених мішеней, пов’язаних зі старінням, згідно з оголошенням. Один з визначених генів, KDM1A, був незалежно підтверджений у окремому опублікованому дослідженні як двозначна мішень для старіння та раку, модулювання якої продовжувало тривалість життя у C. elegans, повідомляє оголошення.

Проєктний репозиторій GitHub, опублікований під ліцензією MIT, документує LongevityClaw як агента, який передбачає біологічний вік за допомогою 233 годинників, що охоплюють шість модальностей і містять 429 165 коефіцієнтів, разом із референтними наборами даних популяції та модулем виявлення нових мішеней, який оцінює кандидати за шістьма вимірами, включаючи новизну, лікарську придатність, впевненість і безпеку, у межах 14 ознак старіння.

Відкритий випуск та заявлені цілі

Insilico повідомляє, що випускає бенчмарк, спеціалізовані моделі, навчальні ресурси, код оцінки та платформу Longevity Claw, щоб надати можливість незалежного тестування, валідації та подальшого розвитку дослідникам у всьому світі.

«Ми розробляємо бенчмарковані, агентні системи, які можуть еволюціонувати у персоналізованих помічників з довголіття та супутників довголіття, зрештою допомагаючи людям моніторити та покращувати їхній здоровий період життя», — сказав Алекс Жаворонков, засновник і спів‑генеральний директор Insilico Medicine.

Insilico зазначає, що відкритий каркас призначений надати вченим спільну основу для вимірювання прогресу в дослідженнях старіння за допомогою ШІ та допомогти розрізнити системи, які демонструють справжнє біологічне мислення, від тих, що переважно відтворюють інформацію, що міститься у їхніх навчальних даних.