Insilico opent AI-toolkit voor verouderingsbiologie

Insilico Medicine opent wereldwijd drie AI-bouwstenen voor onderzoek naar veroudering: een benchmark, vijf compacte modellen en de onderzoeksagent Longevity Claw, meldt het bedrijf in een nieuwe Cell-coverstudie over AI in verouderingsbiologie.

Voor een Nederlandse pharma- of biotechorganisatie verandert daarmee de instap in AI-gedreven R&D. De release bundelt benchmark, modelgewichten, trainingsmateriaal, evaluatiecode en een agentische onderzoeksworkflow. Daarmee wordt het mogelijk om prestaties en tussenstappen van een specialistisch systeem apart te toetsen. De 328 uitkomsten die de agent later noemt zijn kandidaatgenen, geen gevalideerde geneesmiddeldoelen.

L-Qwen3.5-9B staat bovenaan

De Cell-studie test 26 modellen over 17 taken in vijf biodatadomeinen: klinische data, genetica, epigenetica, transcriptomics en proteomics. De hoofdvergelijking bevatte 16 frontiermodellen, vijf gespecialiseerde Longevity-LLMs en de vijf onderliggende basismodellen. De benchmark bestaat uit 25.457 prompts en gebruikt wisselende vraagvormen en afgeschermde evaluatiedata om het simpel reproduceren van trainingsdata zo veel mogelijk te beperken.

L-Qwen3.5-9B eindigt met een gemiddelde rangscore van 4,4, met een 95%-betrouwbaarheidsinterval van 3,5 tot 5,1. Het model is het enige waarvan dat interval niet overlapt met dat van een ander model en scoort significant beter dan de runner-up op drie taken: twee rond DNA-methylatie en één rond transcriptomics.

Dat is een geaggregeerde rang, geen winst op elk onderdeel. Op vijf taken presteerden frontiermodellen beter, en de paper zegt dat de voorsprong van de gespecialiseerde modellen per taak verschilt. De uitkomst ondersteunt dus vooral een smallere conclusie: domeinspecifieke training kan een compact model sterk maken op biologische taken, zonder dat modelgrootte alleen de doorslag geeft. De vijf modellen lopen van 0,6 tot 9 miljard parameters en zijn gebouwd op open modelarchitecturen van Qwen3, Qwen3.5 en Liquid AI’s LFM2.

Van benchmark naar agentische workflow

Insilico koppelde L-Qwen3.5-9B aan Longevity Claw. De agent gebruikt hulpmiddelen voor genverrijking, biologische leeftijdsklokken, populatieprofielen, bewijsverzameling en het rangschikken van kandidaatdoelen. De open modelcollectie en publieke benchmark zijn beschikbaar voor onafhankelijke tests; de modellen lopen van 0,6 tot 9 miljard parameters.

De paper maakt daarbij onderscheid tussen benchmarktaken met bekende antwoorden en een open zoektocht naar kandidaatdoelen zonder vast antwoord. In dat tweede onderdeel moet het systeem informatie uit meerdere biologische domeinen samenbrengen. Dat is dichter bij het werk van een R&D-team, maar ook lastiger te beoordelen dan een score op een vaste testset.

Voor de demonstratie vroeg Longevity Claw het model om over 14 kenmerken van veroudering telkens 30 kandidaatgenen te vinden. Die generatie draaide zes keer onafhankelijk, waarna dubbele resultaten werden verwijderd. Zo ontstonden 328 unieke kandidaten, elk met scores voor onder meer vertrouwen, geneesmiddelpotentieel, veiligheid, nieuwheid, commerciële potentie en mechanistische duidelijkheid.

De paper vond 12 overlappende genen met een eerdere set van 300 verouderingsdoelen, een verrijking van 2,4 keer. In een smallere set van negen experimenteel ondersteunde doelen kwamen CXCL12 en ADAMTS14 voor, goed voor een verrijking van 5,6 keer. KDM1A verscheen in vijf van de zes runs en was in een afzonderlijke studie al gekoppeld aan levensverlenging bij C. elegans. De auteurs benadrukken dat deze demonstratie experimentele validatie niet vervangt.

De verschuiving zit daarom niet in het getal 328 op zichzelf. Insilico publiceert een meetlat, compacte modelgewichten en een agentische workflow als één onderzoekspakket. Voor life-science-R&D wordt daarmee zichtbaar welke volgende stap telt: AI moet niet alleen een kandidaat noemen, maar ook een toetsbare route bieden van data en hulpmiddelen naar een onderzoeksvraag.