The Pulse

Insilico rende disponibile un toolkit di IA per la ricerca sulla longevità con 328 geni

Insilico Medicine ha presentato LongevityBench, cinque modelli linguistici specializzati e la piattaforma di ricerca Longevity Claw in uno studio pubblicato su Cell. Il sistema ha individuato 328 geni in 14 tratti distintivi dell’invecchiam

AI.info Team · Scritto con l’IA · verificato · 2026-09-17

Longevity Claw ha individuato 328 geni come possibili bersagli per interventi sull’invecchiamento, offrendo a Insilico Medicine una prova concreta del suo nuovo sistema aperto di ricerca basato sull’IA, al di là dei benchmark dei modelli. L’azienda ha reso noto il risultato il 17 settembre 2026, presentando in uno studio su Cell un toolkit in tre parti che comprende strumenti di valutazione, modelli linguistici specializzati e flussi di lavoro automatizzati per la ricerca.

Il toolkit combina LongevityBench, cinque modelli linguistici compatti denominati Longevity Large Language Models e Longevity Claw, una piattaforma open source progettata per collegare un modello specializzato in un ambito specifico a strumenti di analisi biologica. Insilico ha sviluppato il progetto con ricercatori di Liquid AI, del Buck Institute for Research on Aging, della Harvard Medical School e del Brigham and Women’s Hospital.

LongevityBench testa cinque tipi di dati sull’invecchiamento

LongevityBench valuta i sistemi di IA su dati clinici, genetica, epigenetica, trascrittomica e proteomica. I ricercatori hanno progettato il benchmark per rendere meno utile il semplice richiamo di informazioni memorizzate, chiedendo ai sistemi di interpretare misurazioni biologiche e produrre risposte legate a evidenze sull’invecchiamento.

Lo studio ha valutato 18 sistemi di IA di frontiera di sei gruppi di sviluppatori, tra cui OpenAI, Google, Anthropic, xAI, DeepSeek e Moonshot AI. Secondo Insilico, nessun singolo modello di frontiera ha ottenuto i migliori risultati in tutti e cinque gli ambiti biologici. I risultati sono inoltre cambiati in modo sostanziale quando i ricercatori hanno riformulato le domande: un segnale che i sistemi generalisti possono produrre risposte incoerenti quando lavorano con dati specialistici sull’invecchiamento.

Prevedere l’età biologica direttamente dalle misurazioni omiche si è rivelato particolarmente difficile. Il risultato limita ciò che si può dedurre dalle sole dimensioni di un modello: i sistemi più grandi non hanno mostrato con costanza le migliori capacità di ragionamento biologico.

Un modello da 0,6 miliardi di parametri si aggiunge al test

Insilico e i suoi collaboratori hanno addestrato cinque Longevity-LLMs open source su dati clinici e multi-omici specifici dell’invecchiamento. I modelli hanno dimensioni comprese tra 0,6 e 9 miliardi di parametri e usano architetture aperte di Liquid AI e Alibaba, tra cui le famiglie LFM2 di Liquid AI e Qwen3 e Qwen3.5 di Alibaba.

Secondo lo studio, i modelli specializzati hanno eguagliato o superato i 16 sistemi di frontiera inclusi nel confronto. Il modello migliore, L-Qwen3.5-9B, ha registrato il punteggio complessivo più alto tra i 26 sistemi testati, incluso Gemini 3.1-Pro di Google. Secondo Insilico, anche il modello più piccolo ha superato la maggior parte dei sistemi di frontiera.

Il risultato indica un compromesso pratico per i gruppi di ricerca. Un modello più piccolo addestrato su dati biologici accuratamente selezionati può richiedere meno capacità di calcolo e consentire l’impiego su infrastrutture locali, riuscendo comunque a gestire compiti difficili per i sistemi generalisti. I risultati del benchmark non dimostrano che i modelli possano prendere decisioni cliniche o sostituire la validazione sperimentale.

Longevity Claw trasforma le risposte del modello in flussi di lavoro

Insilico ha integrato L-Qwen3.5-9B in Longevity Claw, che combina il modello linguistico con l’analisi di arricchimento degli insiemi di geni, il calcolo degli orologi dell’invecchiamento biologico, la profilazione a livello di popolazione, il recupero di evidenze e la definizione delle priorità tra i bersagli candidati.

La piattaforma è progettata per eseguire flussi di lavoro di ricerca articolati in più passaggi, anziché limitarsi a rispondere a singoli prompt. Può raccogliere evidenze, eseguire analisi specializzate, esaminare i risultati intermedi e costruire un’argomentazione a favore di un bersaglio biologico. I ricercatori l’hanno usata sui 14 tratti distintivi riconosciuti dell’invecchiamento e hanno riferito che ha individuato 328 geni.

Questi candidati hanno mostrato un arricchimento fino a 5,6 volte rispetto a un insieme di riferimento, pubblicato indipendentemente, di bersagli legati all’invecchiamento supportati da evidenze sperimentali. Il risultato avvalora la rilevanza biologica dei risultati prodotti, ma non dimostra che i geni siano bersagli farmacologici efficaci negli esseri umani. Uno dei geni individuati, KDM1A, è comparso anche in uno studio separato già pubblicato, nel quale la sua modulazione ha esteso la durata della vita di C. elegans.

Zhavoronkov presenta il progetto come un’infrastruttura aperta

Insilico rende disponibili il benchmark, la raccolta di modelli, le risorse per l’addestramento, il codice di valutazione e la piattaforma Longevity Claw per test indipendenti e ulteriori sviluppi. La raccolta di modelli è disponibile su Hugging Face, mentre il codice della piattaforma è pubblicato nel repository GitHub di Longevity Claw. Una pagina pubblica dei risultati è disponibile su LongevityBenchmarks.org.

«La comunità che si occupa di longevità sta andando oltre gli orologi statici dell’invecchiamento, verso modelli fondamentali capaci di generare informazioni misurabili e utilizzabili in modo concreto».

Alex Zhavoronkov, fondatore e co-amministratore delegato di Insilico Medicine

Zhavoronkov ha dichiarato che l’azienda sta sviluppando sistemi agentici valutati tramite benchmark che potrebbero, in futuro, supportare il monitoraggio personalizzato della salute. La pubblicazione attuale, tuttavia, descrive infrastrutture di ricerca e risultati computazionali, non un prodotto per la salute destinato ai consumatori né un trattamento per la longevità di efficacia comprovata.

Da rentosertib a un insieme aperto di strumenti per la ricerca

La pubblicazione su Cell segue uno studio del 7 settembre 2026 su Nature Biotechnology dedicato a rentosertib, il candidato farmaco di Insilico per la fibrosi polmonare idiopatica scoperto e progettato con l’IA. L’azienda ha dichiarato che l’analisi dello studio clinico di fase IIa ha rilevato una riduzione dell’età biologica misurata con sei orologi proteomici dell’invecchiamento indipendenti.

Quei risultati e il nuovo toolkit affrontano questioni diverse. Rentosertib fornisce evidenze da uno studio clinico che un candidato farmaco può influire sulle firme biologiche dell’invecchiamento, mentre LongevityBench e Longevity Claw mirano ad aiutare i ricercatori a identificare e classificare futuri bersagli. Nessuno dei due risultati dimostra che un intervento possa estendere la durata della vita umana.

La prova immediata per il progetto di Insilico sarà verificare se ricercatori indipendenti riusciranno a riprodurre le classifiche del benchmark, a esaminare i geni individuati e a determinare quanto spesso le proposte della piattaforma superino gli esperimenti di laboratorio. Per ora, l’azienda ha reso pubblici un insieme di 328 geni individuati, cinque modelli specializzati e un sistema di valutazione aperto.