Insilico Medicine công bố Bộ công cụ AI Longevity mở trong nghiên cứu trên Cell

Insilico Medicine vào ngày 17 tháng 9, 2026 đã công bố việc xuất bản một nghiên cứu trên Cell giới thiệu một bộ công cụ AI được phát hành công khai cho sinh học lão hóa: bộ chuẩn LongevityBench, một họ năm mô hình Longevity-LLM gọn nhẹ, và nền tảng nghiên cứu agentic Longevity Claw.

Bài báo trên Cell

Bài báo, “Một bộ chuẩn mở và các mô hình ngôn ngữ cho AI trong sinh học lão hóa“, xuất hiện trong Cell tập 189, số 19, ở các trang 5980–5994.e8, ngày 17 tháng 9, 2026. Nó được xuất bản truy cập mở theo giấy phép Creative Commons Attribution 4.0 với DOI 10.1016/j.cell.2026.08.026, và liệt kê 13 tác giả, bao gồm Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev và Fedor Galkin.

Insilico cho biết nghiên cứu này được chọn làm bài báo bìa của số tạp chí ngày 17 tháng 9, 2026 và được thực hiện cùng các nhà nghiên cứu từ Liquid AI, Buck Institute for Research on Aging, và Harvard Medical School cùng Brigham and Women’s Hospital.

Theo thông báo, bài báo trên Cell là tiếp nối nghiên cứu của Insilico vào ngày 7 tháng 9, 2026 trong Nature Biotechnology, trong đó báo cáo rằng rentosertib, thuốc ứng cử được AI phát hiện và thiết kế cho bệnh xơ phổi nguyên phát, đã giảm tuổi sinh học trên sáu đồng hồ lão hóa proteomic độc lập trong một thử nghiệm lâm sàng giai đoạn IIa.

Một Bộ chuẩn mở cho Sinh học Lão hóa

Nghiên cứu giới thiệu LongevityBench như một bộ công cụ mở gồm 17 nhiệm vụ bao phủ năm lĩnh vực dữ liệu sinh học: dữ liệu lâm sàng, di truyền học, epigenetics, transcriptomics và proteomics. Trong tóm tắt của bài báo, các tác giả viết rằng không có bộ chuẩn hiện có nào đánh giá liệu các hệ thống AI có thể diễn giải những loại dữ liệu đa dạng này trong bối cảnh sinh học lão hóa hay không. Theo thông báo, bộ chuẩn được thiết kế để giảm khả năng các mô hình thành công chỉ bằng việc nhớ lại thông tin đã gặp trong quá trình huấn luyện, mà thay vào đó kiểm tra khả năng phân tích dữ liệu sinh học, nhận diện các mẫu có ý nghĩa và giải quyết các vấn đề liên quan đến nghiên cứu lão hóa.

Các tác giả đã sử dụng LongevityBench để đánh giá 18 hệ thống AI tiên tiến từ sáu nhóm nhà phát triển, mà thông báo xác định là OpenAI, Google, Anthropic, xAI, DeepSeek và Moonshot AI. Bài báo báo cáo rằng không có mô hình nào thống trị tất cả các nhiệm vụ, hiệu suất thay đổi tùy theo cách đặt câu hỏi, và dự đoán tuổi dựa trên omics là nhiệm vụ khó nhất bất kể quy mô mô hình.

Dự án có bảng xếp hạng công khai theo dõi 26 mô hình trên 17 nhiệm vụ, liệt kê các bộ dữ liệu được lấy từ các đo lường lâm sàng NHANES, methylation DNA GEO, RNA‑seq bulk GTEx, proteomics huyết tương Olink, và các nguồn gen OpenGenes và SynergyAge. Trên điểm xếp hạng tổng hợp của bảng xếp hạng, nơi giá trị thấp hơn là tốt hơn, Gemini 3.1 Pro với điểm 8.2 được ghi là mô hình tiên tiến nhất, trong khi Claude Opus‑4.6 đạt 9.2.

Longevity-LLM gọn nhẹ

Để kiểm tra xem những khoảng trống đó có thể được lấp đầy mà không cần tài nguyên quy mô tiên tiến, các nhà nghiên cứu đã tinh chỉnh một họ năm Longevity-LLM đa nhiệm, với kích thước từ 0,6 tỷ đến 9 tỷ tham số, trên dữ liệu lão hóa chuyên ngành, và bài báo báo cáo rằng các mô hình gọn nhẹ đã đạt hoặc vượt các hệ thống tiên tiến lớn hơn nhiều trên bộ chuẩn. Theo thông báo, các mô hình được huấn luyện bằng MMAI Gym for Science của Insilico, mà công ty mô tả là một môi trường đào tạo cho các mô hình ngôn ngữ áp dụng dữ liệu độc quyền, bộ dữ liệu suy luận và các mô hình đã được xác thực, và được xây dựng trên kiến trúc LFM2 của Liquid AI và các họ mô hình Qwen3 và Qwen3.5 của Alibaba.

Bảng xếp hạng liệt kê L-Qwen3.5-9B là hệ thống tổng thể tốt nhất với điểm xếp hạng tổng hợp 4,4, tiếp theo là L-LFM2-2.6B với 7,6 và L-Qwen3-1.7B với 7,8. Trong các kết quả được chọn, L-Qwen3.5-9B đạt độ đồng nhất 0,868 trong dự đoán tuổi dựa trên methylation DNA GEO so với 0,685 của mô hình tiên tiến tốt nhất, và L-Qwen3-0.6B ghi nhận sai số tuyệt đối trung bình 5,7 năm trong dự đoán tuổi proteomic Olink so với 10,1 năm của mô hình tiên tiến tốt nhất, cùng với độ chính xác cân bằng 0,890 trong dự đoán tử vong 10 năm của NHANES.

Các mô hình và dữ liệu bộ chuẩn có sẵn công khai trong bộ sưu tập Hugging Face bao gồm bộ dữ liệu longebench và các mô hình longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity và LFM2-1.2B-Longevity.

Longevity Claw và Khám phá Mục tiêu Tự động

Nhóm đã tích hợp L-Qwen3.5-9B vào Longevity Claw, một nền tảng agentic mã nguồn mở kết hợp mô hình chuyên biệt với các công cụ phân tích tăng cường bộ gen, tính toán đồng hồ lão hóa sinh học, lập hồ sơ cấp độ dân số, truy xuất và tổng hợp bằng chứng, và đánh giá cũng như ưu tiên các mục tiêu ứng cử. Insilico cho biết nền tảng này được thiết kế để xây dựng và thực thi quy trình nghiên cứu đa bước thay vì chỉ trả lời các câu hỏi riêng lẻ.

Được triển khai trên 14 dấu hiệu lão hóa đã được công nhận, nền tảng đã đề cử 328 gen là các mục tiêu tiềm năng cho can thiệp lão hóa, và các ứng cử viên cho thấy mức tăng đáng kể thống kê lên tới 5,6‑lần so với một bộ tham chiếu đã được công bố độc lập gồm các mục tiêu liên quan đến lão hóa đã được hỗ trợ bằng thí nghiệm, theo thông báo. Một gen được đề cử, KDM1A, đã được xác nhận độc lập trong một nghiên cứu công bố riêng như một mục tiêu lão hóa và ung thư đa mục đích, việc điều chỉnh nó đã kéo dài tuổi thọ ở C. elegans, thông báo cho biết.

kho lưu trữ GitHub của dự án, được công bố dưới giấy phép MIT, ghi lại LongevityClaw như một tác nhân dự đoán tuổi sinh học qua 233 đồng hồ bao phủ sáu mô thức với 429,165 hệ số, cùng với các bộ dữ liệu tham chiếu dân số và mô-đun khám phá mục tiêu mới cho phép đánh giá các ứng cử viên trên sáu chiều, bao gồm tính mới, khả năng làm thuốc, độ tin cậy và độ an toàn, trên 14 dấu hiệu lão hóa.

Phát hành mở và các mục tiêu đã đề ra

Insilico cho biết họ đang công bố bộ chuẩn, các mô hình chuyên biệt, tài nguyên đào tạo, mã đánh giá và nền tảng Longevity Claw để cho phép các nhà nghiên cứu trên toàn thế giới thực hiện kiểm tra độc lập, xác thực và phát triển tiếp theo.

“Chúng tôi đang phát triển các hệ thống có chuẩn mực, mang tính đại lý có thể phát triển thành trợ lý tuổi thọ cá nhân hoá và người bạn đồng hành tuổi thọ, cuối cùng giúp mọi người theo dõi và cải thiện giai đoạn sức khỏe của họ,” Alex Zhavoronkov, nhà sáng lập và đồng CEO của Insilico Medicine, cho biết.

Insilico cho biết khung mở này nhằm cung cấp cho các nhà khoa học một nền tảng chung để đo lường tiến bộ trong nghiên cứu lão hóa hỗ trợ bởi AI và giúp phân biệt các hệ thống thể hiện lập luận sinh học thực sự với những hệ thống chủ yếu tái tạo thông tin có trong dữ liệu đào tạo của chúng.