Insilico Medicine 在《Cell》研究中发布开放的长寿 AI 工具包

Insilico Medicine 于 2026 年 9 月 17 日 宣布 在《Cell》上发表了一项研究，介绍了一套公开发布的用于衰老生物学的 AI 工具包：LongevityBench 基准、由五个紧凑型 Longevity-LLM 组成的系列，以及 Longevity Claw 代理式研究平台。

《Cell》发表

该论文题为“一个用于衰老生物学的开放基准和语言模型”，发表于《Cell》第 189 卷第 19 期，页码 5980–5994.e8，日期为 2026 年 9 月 17 日。该论文以开放获取方式在 Creative Commons Attribution 4.0 许可证下发布，DOI 为 10.1016/j.cell.2026.08.026，列出了 13 位作者，包括 Alex Zhavoronkov、Vladimir Naumov、Denis Sidorenko、Alex Aliper、Ramin Hasani、Alexander Amini、Vadim N. Gladyshev 和 Fedor Galkin。

Insilico 表示，该研究被选为期刊 2026 年 9 月 17 日期刊的封面特稿，并与来自 Liquid AI、Buck Institute for Research on Aging 以及哈佛医学院和布里格姆妇女医院的研究人员合作完成。

根据公告，这篇《Cell》发表的论文紧随 Insilico 于 2026 年 9 月 7 日在《Nature Biotechnology》上发表的研究，该研究报告称，公司的 用于特发性肺纤维化的AI发现和AI设计的药物候选物 rentosertib 在 IIa 期临床试验中降低了六个独立蛋白质组衰老时钟的生物年龄。

用于衰老生物学的开放基准

该研究将 LongevityBench 介绍为一个开放的套件，包含 17 项任务，覆盖五个生物数据领域：临床数据、遗传学、表观遗传学、转录组学和蛋白质组学。在论文摘要中，作者指出目前没有现有基准评估 AI 系统是否能够在衰老生物学背景下解释这些异构数据类型。根据公告，该基准旨在降低模型仅通过回忆训练期间遇到的信息而取得成功的可能性，而是测试其分析生物数据、识别有意义模式并解决与衰老研究相关问题的能力。

作者使用 LongevityBench 对来自六个开发团队的 18 种前沿 AI 系统进行评估，公告中列出的团队包括 OpenAI、Google、Anthropic、xAI、DeepSeek 和 Moonshot AI。论文报告称，没有单一模型在所有任务中占据优势，性能会随问题表述方式的不同而变化，并且基于组学的年龄预测是最困难的任务，无论模型规模如何。

该项目的 公开排行榜跟踪 17 项任务中的 26 个模型，列出的数据集来源于 NHANES 临床测量、GEO DNA 甲基化、GTEx 大规模 RNA-seq、Olink 血浆蛋白质组以及 OpenGenes 和 SynergyAge 遗传资源。在排行榜的综合排名分数中，分数越低越好，Gemini 3.1 Pro 以 8.2 分被列为最佳前沿模型，Claude Opus-4.6 为 9.2 分。

紧凑型 Longevity-LLM

为了检验这些差距是否可以在不使用前沿规模资源的情况下弥合，研究人员对一系列五个多任务 Longevity-LLM 进行微调，参数规模从 0.6 亿到 90 亿不等，使用特定于衰老领域的数据。论文报告称，这些紧凑模型在基准测试中匹配或超越了规模更大的前沿系统。根据公告，这些模型使用 Insilico 的 MMAI Gym for Science 进行训练，该公司将其描述为语言模型的训练场，利用其专有数据、推理数据集和已验证模型，并基于 Liquid AI 的 LFM2 架构以及阿里巴巴的 Qwen3 和 Qwen3.5 模型系列构建。

排行榜显示 L-Qwen3.5-9B 以 4.4 的综合排名分数成为整体最佳系统，其次是 L-LFM2-2.6B（7.6）和 L-Qwen3-1.7B（7.8）。在排行榜选取的结果中，L-Qwen3.5-9B 在 GEO DNA-甲基化年龄预测上达到了 0.868 的一致性，而最佳前沿模型为 0.685；L-Qwen3-0.6B 在 Olink 蛋白质组年龄预测上的平均绝对误差为 5.7 年，而最佳前沿模型为 10.1 年，同时在 NHANES 10 年死亡率预测上实现了 0.890 的平衡准确率。

这些模型和基准数据已在一个 Hugging Face 集合 中公开，可获取，其中包括 longebench 数据集以及 longevity-llm 9B、Qwen3-0.6B-Longevity、Qwen3-1.7B-Longevity、LFM2-2.6B-Longevity 和 LFM2-1.2B-Longevity 模型。

Longevity Claw 与自主目标发现

团队将 L-Qwen3.5-9B 嵌入 Longevity Claw，这是一款开源的代理式平台，将专用模型与基因集富集分析、生物年龄时钟计算、群体水平画像、证据检索与合成以及候选目标评估与优先排序等工具相结合。Insilico 表示，该平台旨在制定并执行多步骤的研究工作流，而不仅仅是对单个问题作出回应。

该平台覆盖了 14 项公认的衰老标志，提名了 328 个基因作为潜在的衰老干预靶点，并且这些候选基因相较于独立发布的实验支持的衰老相关靶点参考集，显示出最高达 5.6 倍的统计显著富集，公告称。公告还指出，其中一项提名基因 KDM1A 在另一项已发表的研究中被独立验证为兼具衰老和癌症双重作用的靶点，其调控能够延长秀丽隐杆线虫的寿命。

该项目的GitHub 仓库在 MIT 许可证下发布，记录了 LongevityClaw 作为一种代理，可在六种模态下的 233 种生物年龄时钟上预测生物年龄，使用 429,165 个系数，并提供人口参考数据集以及一个新靶点发现模块，对候选对象在包括新颖性、可药性、可信度和安全性在内的六个维度进行评分，覆盖 14 项标志。

开放发布及既定目标

Insilico 表示，正在发布基准、专用模型、训练资源、评估代码以及 Longevity Claw 平台，以便全球研究人员进行独立测试、验证和进一步开发。

“我们正在开发经过基准测试的代理系统，这些系统可以演化为个性化的长寿助理和长寿伴侣，最终帮助人们监测并提升健康寿命，”Insilico Medicine 的创始人兼联席首席执行官 Alex Zhavoronkov 说。

Insilico 表示，开放框架旨在为科学家提供一个共同的基础，用于衡量 AI 驱动的衰老研究进展，并帮助区分那些展示真实生物学推理的系统与主要复现训练数据中信息的系统。