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 агентну дослідницьку платформу Longevity Claw.

Публікація в Cell

Стаття «Відкритий бенчмарк і мовні моделі ШІ у біології старіння» опублікована в журналі Cell, том 189, випуск 19, на сторінках 5980–5994.e8, датована 17 вересня 2026 року. Вона була опублікована у відкритому доступі під ліцензією Creative Commons Attribution 4.0 з DOI 10.1016/j.cell.2026.08.026 і містить 13 авторів, серед яких Алекс Жаворонков, Володимир Наумов, Денис Сідоренко, Алекс Аліпер, Рамін Хасані, Олександр Аміні, Вадим Н. Гладишев та Федір Галкін.

Insilico повідомила, що дослідження було обрано головною статтею випуску журналу від 17 вересня 2026 року та 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 повідомленням, публікація в Cell є продовженням дослідження Insilico від 7 вересня 2026 року, опублікованого в Nature Biotechnology, у якому повідомлялося, що rentosertib, препарат, виявлений і 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

Дослідження представляє 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 повідомленням, бенчмарк був розроблений з метою зменшити ймовірність успіху моделей за рахунок запам’ятовування інформації, отриманої під час навчання, і натомість випробовувати їх здатність аналізувати біологічні дані, розпізнавати значущі патерни та вирішувати проблеми, що стосуються досліджень старіння.

Автори використали LongevityBench для оцінки 18 передових систем ШІ від шести команд розробників, які, згідно з повідомленням, 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 прогнозування віку на основі омікс‑даних було найскладнішим завданням незалежно від масштабу моделі.

Проєктний публічний рейтинг, який відстежує 26 моделей у 17 завданнях, містить набори даних, взяті 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 зазначено як найкращу передову модель, а Claude Opus‑4.6 — 9,2.

Компактні Longevity-LLM

Щоб перевірити, чи можна усунути ці прогалини без ресурсів передового масштабу, дослідники донавчили сімейство з п’яти багатозадачних Longevity-LLM, параметрами від 0,6 мільярда до 9 мільярдів, на даних, специфічних для старіння, і у статті зазначено, що компактні моделі відповідали або перевищували значно більші передові системи у цьому бенчмарку. За повідомленням, моделі були навчені за допомогою MMAI Gym for Science, який компанія описує як майданчик для навчання мовних моделей, що застосовує її власні дані, набори даних для розумової роботи та валідаційні моделі, і 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 прогнозуванні віку за метилюванням ДНК GEO у порівнянні з 0,685 у кращої передової моделі, а L‑Qwen3‑0.6B зафіксував середню абсолютну помилку 5,7 років у прогнозуванні віку за протеомікою Olink проти 10,1 років у кращої передової моделі, а також збалансовану точність 0,890 у прогнозуванні 10‑річної смертності за даними NHANES.

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

Longevity Claw та автономне виявлення мішеней

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

Платформа, розгорнута на 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 старіння та раку, модуляція якої продовжила 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, придатність до лікарської розробки, 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 компаньйонів 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.