企业官网建设流程全解析

英矽智能在Cell研究中发布开源长寿AI工具包

#长寿 #衰老 #基准 #大语言模型 #微调 #衰老时钟 #多组学 #衰老保护剂 #基础模型 #靶点发现

Source: Unite.AI

英矽智能于2026年9月17日宣布，在Cell期刊发表研究，推出面向衰老生物学的开源AI工具包：LongevityBench基准测试集、由5个轻量化Longevity-LLM组成的模型家族，以及Longevity Claw智能体研究平台。

Cell论文发表信息

论文标题为「An open benchmark and language models for AI in aging biology」，刊载于Cell第189卷，第19期，页码5980–5994.e8，发表日期2026年9月17日。该论文以知识共享署名4.0许可协议开放获取，DOI：10.1016/j.cell.2026.08.026，共有13名作者，包括Alex Zhavoronkov、Vladimir Naumov、Denis Sidorenko、Alex Aliper、Ramin Hasani、Alexander Amini、Vadim N. Gladyshev与Fedor Galkin。

Insilico表示，该研究被选为期刊2026年9月17日刊封面文章，研究由 Liquid AI、巴克衰老研究所、哈佛医学院以及布莱根妇女医院的科研人员共同完成。

公告称，这篇Cell论文发布前，Insilico已于2026年9月7日在Nature Biotechnology刊发研究，报道其由AI发现并设计的特发性肺纤维化候选药物rentosertib，在IIa期临床试验中，可在6个独立蛋白质组衰老时钟上降低生物学年龄。

衰老生物学开源基准测试集

该研究推出包含17项任务的开源套件LongevityBench，覆盖５大生物数据领域：临床数据、遗传学、表观遗传学、转录组学与蛋白质组学。作者在论文摘要中写道，目前尚无基准测试集能够评估AI系统能否在衰老生物学场景下解读这类异质性数据。公告说明，该基准测试集旨在降低模型依靠复述训练信息取得高分的可能性，转而测试其分析生物数据、识别有效模式、解决衰老研究相关问题的能力。

研究者使用LongevityBench评估来自6个开发团队的18个前沿AI系统，公告中标注团队包括OpenAI、Google、Anthropic、xAI、DeepSeek以及Moonshot AI。论文指出，没有单一模型在全部任务中占据优势；模型表现会随提问表述方式变化；无论模型规模大小，基于多组学的年龄预测均为难度最高的任务。

项目公开排行榜追踪26个模型在17项任务上的表现，所用数据集来自NHANES临床检测数据、GEO DNA甲基化数据、GTEx批量RNA测序数据、Olink血浆蛋白质组数据，以及OpenGenes和SynergyAge遗传资源。排行榜综合排名分数越低性能越好，Gemini 3.1 Pro综合得分8.2，为最优前沿模型；Claude Opus-4.6得分9.2。

轻量化Longevity-LLM模型

为验证无需前沿大模型级算力即可弥补上述性能差距，研究人员基于衰老领域专用数据，微调得到5个多任务Longevity-LLM模型，参数规模从6亿至90亿不等。论文表明，这类轻量化模型在该基准测试集上性能达到甚至超过规模大得多的前沿系统。公告称，模型基于Insilico自研MMAI Gym for Science训练，该平台是大语言模型训练环境，使用公司专有数据、推理数据集与经验证模型；模型架构基于Liquid AI的LFM2架构以及阿里巴巴的Qwen3、Qwen3.5模型系列。

排行榜显示L-Qwen3.5-9B综合性能最优，综合排名得分4.4；L-LFM2-2.6B得分7.6；L-Qwen3-1.7B得分7.8。选取结果中，L-Qwen3.5-9B在GEO DNA甲基化年龄预测任务上一致性为0.868，最优前沿模型为0.685；L-Qwen3-0.6B在Olink蛋白质组年龄预测任务上平均绝对误差为5.7年，最优前沿模型为10.1年；该模型在NHANES十年死亡风险预测任务上平衡准确率达0.890。

模型与基准数据集在Hugging Face合集公开，包含longebench数据集，以及longevity-llm 9B、Qwen3-0.6B-Longevity、Qwen3-1.7B-Longevity、LFM2-2.6B-Longevity、LFM2-1.2B-Longevity模型。

Longevity Claw与自主靶点挖掘

研究团队将L-Qwen3.5-9B嵌入Longevity Claw，这是个开源智能体平台，融合该专用模型与多种工具，可实现基因集富集分析、生物衰老时钟计算、群体水平图谱绘制、证据检索与整合、候选靶点评估及优先级排序。Insilico表示，该平台可构建并执行多步骤研究工作流，而非仅回答单一问题。

公告称，该平台围绕公认的14大衰老标志开展运算，筛选出328个可作为衰老干预潜在靶点的基因。相较于已发表、经实验验证的衰老相关靶点参考集，筛选候选基因富集度最高达5.6倍，具有统计学显著性。公告提到，其中筛选出的KDM1A基因，在另１篇已发表独立研究中被证实是兼具衰老调控与肿瘤调控双重作用靶点，调控该基因可延长秀丽隐杆线虫（C. elegans）寿命。

项目GitHub仓库基于MIT协议开源。仓库文档显示，LongevityClaw智能体可依托6种模态、共计233个衰老时钟与429,165个系数预测生物学年龄，附带群体参考数据集与新型靶点挖掘模块；该模块从6个维度对候选靶点打分，包括新颖性、成药性、置信度与安全性，覆盖14大衰老标志。

开源发布及既定目标

Insilico表示，将开放该基准测试集、专用模型、训练资源、评估代码以及Longevity Claw平台，供全球科研人员开展独立测试、验证与２次开发。

「正在开发经过基准评测的智能体系统，这类系统有望逐步发展为个性化长寿助手、长寿辅助工具，最终帮助人们监测并提升健康寿命。」英矽智能创始人兼联合CEO Alex Zhavoronkov表示。

Insilico称，该开源框架旨在为科学家提供统一基准，衡量AI赋能衰老研究领域的进展，并区分真正具备生物推理能力的系统与仅能复述训练数据信息的系统。

详细总结

思维导图

LongevityBench综合排名得分

得分越低越优 | 来源：Unite.AI报道

论文基本信息

3大组件一览

评估与排行榜关键数据

Longevity Claw与开源

参考

Insilico Medicine Releases Open Longevity AI Toolkit in Cell Study

https://aifuturefront.com/insilico-medicine-releases-open-longevity-ai-toolkit-in-cell-study/

注：AI辅助创作，如有不当欢迎指出。内容仅供参考，不构成任何建议。