Insilico Medicine ha reso disponibile un insieme aperto di strumenti di intelligenza artificiale dedicati allo studio dell’invecchiamento e della longevità, sviluppato insieme a ricercatori di Liquid AI, Buck Institute for Research on Aging, Harvard Medical School e Brigham and Women’s Hospital. Il progetto comprende tre componenti collegate: LongevityBench, un benchmark per valutare le capacità dei sistemi AI nell’analisi di dati biologici relativi all’invecchiamento; una famiglia di cinque modelli linguistici specializzati denominati Longevity-LLM; e Longevity Claw, una piattaforma agentica open source progettata per combinare modelli e strumenti scientifici in flussi di ricerca articolati. Il lavoro è stato pubblicato su Cell nel volume 189, numero 19, alle pagine 5980–5994.e8, con DOI 10.1016/j.cell.2026.08.026, ed è stato selezionato per la copertina del numero del 17 settembre 2026. La pubblicazione è disponibile in open access con licenza Creative Commons Attribution 4.0 e conta 13 autori, tra cui Alex Zhavoronkov, Vladimir Naumov, Denis Sidorenko, Alex Aliper, Ramin Hasani, Alexander Amini, Vadim N. Gladyshev e Fedor Galkin.
LongevityBench è composto da 17 attività distribuite in cinque domini di dati biologici: dati clinici, genetica, epigenetica, trascrittomica e proteomica. Il benchmark è stato costruito per misurare non soltanto la capacità dei modelli di recuperare informazioni potenzialmente incontrate durante l’addestramento, ma soprattutto quella di analizzare dati biologici eterogenei, individuare pattern significativi e risolvere problemi collegati alla biologia dell’invecchiamento. Per la valutazione iniziale sono stati utilizzati 18 sistemi AI di frontiera sviluppati da sei organizzazioni: OpenAI, Google, Anthropic, xAI, DeepSeek e Moonshot AI. I risultati mostrano che nessun singolo modello prevale su tutte le attività, che le prestazioni possono variare in funzione della formulazione delle domande e che la previsione dell’età a partire dai dati omici rappresenta una delle prove più difficili indipendentemente dalle dimensioni del modello.
La classifica pubblica associata a LongevityBench include attualmente 26 modelli sottoposti alle 17 attività e utilizza dataset provenienti, tra gli altri, dalle misurazioni cliniche NHANES, dai dati di metilazione del DNA GEO, dal bulk RNA-seq di GTEx, dalla proteomica plasmatica Olink e dalle risorse genetiche OpenGenes e SynergyAge. Tra i modelli generalisti di frontiera riportati nella classifica, Gemini 3.1 Pro registra un aggregate rank score di 8,2, mentre Claude Opus-4.6 raggiunge 9,2; nel sistema adottato dal benchmark un punteggio aggregato più basso corrisponde a una posizione migliore.
I ricercatori hanno quindi sviluppato cinque Longevity-LLM multitask, con dimensioni comprese tra 0,6 e 9 miliardi di parametri, sottoponendoli a fine-tuning su dati specifici dell’invecchiamento. Lo scopo era verificare se modelli relativamente compatti e specializzati potessero ridurre il divario rispetto ai sistemi di frontiera molto più grandi. Per l’addestramento è stato utilizzato MMAI Gym for Science di Insilico Medicine, una piattaforma che combina dati proprietari, dataset dedicati al ragionamento e modelli validati. I Longevity-LLM sono basati sull’architettura LFM2 di Liquid AI e sulle famiglie Qwen3 e Qwen3.5 di Alibaba. Nel benchmark i modelli specializzati hanno eguagliato o superato sistemi di dimensioni molto maggiori in diverse attività.
L-Qwen3.5-9B raggiunge un aggregate rank score di 4,4, seguito da L-LFM2-2.6B con 7,6 e L-Qwen3-1.7B con 7,8. In alcune prove specifiche le differenze risultano particolarmente marcate: L-Qwen3.5-9B ha ottenuto una concordance di 0,868 nella previsione dell’età basata sulla metilazione del DNA GEO, rispetto a 0,685 del migliore modello di frontiera considerato nel confronto. L-Qwen3-0.6B, nonostante disponga di soli 600 milioni di parametri, ha invece registrato un errore assoluto medio di 5,7 anni nella previsione dell’età attraverso i dati proteomici Olink, contro 10,1 anni per il migliore sistema di frontiera, oltre a una balanced accuracy di 0,890 nella previsione della mortalità a dieci anni sui dati NHANES.
I modelli e i dati del benchmark sono stati pubblicati anche attraverso una raccolta su Hugging Face. La distribuzione comprende il dataset longebench e i modelli longevity-llm 9B, Qwen3-0.6B-Longevity, Qwen3-1.7B-Longevity, LFM2-2.6B-Longevity e LFM2-1.2B-Longevity, mettendo quindi a disposizione della comunità scientifica sia gli strumenti di valutazione sia diversi modelli specializzati con dimensioni e architetture differenti.
Il modello L-Qwen3.5-9B è stato inoltre integrato in Longevity Claw, una piattaforma agentica open source pensata per organizzare ed eseguire procedure di ricerca composte da più passaggi anziché limitarsi a rispondere a singole interrogazioni. Il sistema mette insieme strumenti per l’analisi dell’arricchimento di set di geni, il calcolo degli aging clock biologici, la profilazione a livello di popolazione, il recupero e la sintesi delle evidenze scientifiche e la valutazione e prioritizzazione di possibili target. Applicando la piattaforma ai 14 hallmark dell’invecchiamento, il sistema ha identificato 328 geni come potenziali bersagli per interventi legati all’invecchiamento. Secondo i risultati riportati, i candidati presentano un arricchimento statisticamente significativo fino a 5,6 volte rispetto a un insieme di riferimento indipendente costituito da target dell’invecchiamento già supportati sperimentalmente.
Tra i geni individuati compare KDM1A, successivamente collegato anche da uno studio indipendente a un possibile ruolo congiunto nell’invecchiamento e nel cancro; la modulazione del gene è stata associata a un prolungamento della durata della vita in C. elegans. Il repository GitHub di Longevity Claw, distribuito con licenza MIT, descrive inoltre la capacità dell’agente di stimare l’età biologica attraverso 233 aging clock appartenenti a sei modalità e basati complessivamente su 429.165 coefficienti. La piattaforma integra dataset di riferimento della popolazione e un modulo per la scoperta di nuovi target che valuta i candidati attraverso sei dimensioni, comprendenti novità, druggability, livello di confidenza e sicurezza, mettendoli in relazione con i 14 hallmark dell’invecchiamento.
Insilico Medicine ha reso pubblici il benchmark, i modelli specializzati, le risorse utilizzate per l’addestramento, il codice di valutazione e la piattaforma Longevity Claw, consentendo ad altri gruppi di ricerca di verificare i risultati, ripetere le valutazioni e sviluppare ulteriormente gli strumenti. L’obiettivo dichiarato è creare una base comune per misurare i progressi dell’intelligenza artificiale applicata alla biologia dell’invecchiamento e distinguere più facilmente i sistemi capaci di elaborare effettivamente informazioni biologiche da quelli che si limitano soprattutto a riprodurre conoscenze presenti nei dati di addestramento. Alex Zhavoronkov, fondatore e co-CEO di Insilico Medicine, ha inoltre indicato come direzione futura lo sviluppo di sistemi agentici sottoposti a benchmark che possano evolvere verso assistenti personalizzati dedicati alla longevità e al monitoraggio dell’healthspan.
Il lavoro arriva pochi giorni dopo uno studio di Insilico Medicine pubblicato il 7 settembre 2026 su Nature Biotechnology e dedicato a rentosertib, candidato farmacologico per la fibrosi polmonare idiopatica scoperto e progettato con sistemi di intelligenza artificiale. Nello studio clinico di fase IIa, rentosertib è stato associato a una riduzione dell’età biologica misurata attraverso sei aging clock proteomici indipendenti. I due progetti affiancano quindi la sperimentazione clinica di un composto individuato attraverso l’AI a un’infrastruttura aperta destinata alla valutazione dei modelli e alla ricerca di nuovi potenziali target biologici nell’ambito dell’invecchiamento.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)