Cell重磅：AI学会用血液基因数据判断衰老

过去几年，大模型在生命科学领域主要处理已被写成人类语言的知识，如读论文、查资料、总结文献。但能回答衰老标志，不代表能理解基因表达值、DNA甲基化位点或血液生化指标。

9月17日，Insilico Medicine、Liquid AI、巴克衰老研究所、哈佛医学院和布莱根妇女医院等机构在Cell发表论文，推出面向衰老研究的大模型体系：LongevityBench、Longevity-LLMs和科研智能体Longevity Claw。

研究团队首先开发LongevityBench，直接输入真实生物数据让模型完成预测。该benchmark包含17类任务、25,457个测试提示词，覆盖临床指标、DNA甲基化、转录组、蛋白质组和遗传学五个方向。临床任务考察根据基础健康指标推断年龄或健康风险；DNA甲基化任务让模型根据CpG位点判断样本年龄；转录组任务分析不同年龄阶段基因表达变化；蛋白质组任务根据血液蛋白水平预测年龄；遗传学任务判断基因变化与衰老关系。数据来自NHANES、GEO、GTEx、Olink及OpenGenes、CellAge、SynergyAge等。研究团队对数据划分专门设计，避免模型接触测试答案，并通过改变问题表达、调整数据顺序等方法测试模型是否真正依赖输入数据。

测试多款通用大模型后发现，不同模型在不同任务上表现差异明显，没有一个通用模型能覆盖所有衰老数据类型，直接从多组学数据预测年龄时表现不稳定。

研究团队随后基于Liquid AI的LFM2及阿里巴巴Qwen3、Qwen3.5等架构，训练出5款Longevity-LLM，参数量从0.6B到9B，训练语料超72万条提示词。在LongevityBench的17项任务综合排名中，9B的L-Qwen3.5-9B排名第一，综合排名分数4.4；2.6B的L-LFM2-2.6B第二，1.7B的L-Qwen3-1.7B第三。Gemini 3.1 Pro和Claude Opus 4.6分列第四、第五。该分数为跨任务综合排名指标，数值越低越好，不意味着L-Qwen3.5-9B在每个任务上都超过通用模型。

单项任务中，GEO数据集DNA甲基化年龄比较任务中L-Qwen3.5-9B一致率达0.868；Olink蛋白质组年龄预测中，0.6B的L-Qwen3-0.6B将平均绝对误差控制在5.7年，最佳通用前沿模型为10.1年；NHANES十年死亡风险预测中，该模型平衡准确率达0.890。消融实验显示，删除关键生物特征后模型置信度下降、部分预测变错，说明判断确实依赖输入数据，但这只能说明模型使用了这些特征，不能推导真实生物学因果关系。

研究进一步将L-Qwen3.5-9B接入Longevity Claw，让模型参与完整衰老研究流程。该系统由大模型理解问题、规划步骤，调用衰老时钟、基因集富集、群体分析、文献检索和候选靶点评估等工具。公开版本整合233种衰老时钟，覆盖DNA甲基化、蛋白质组、转录组等数据，并可连接PubMed、DrugAge等资源。围绕14类衰老特征搜索候选靶点，最终提出328个潜在干预基因。与独立发表的实验支持靶点集合比较，部分候选集合中已有衰老相关基因富集程度最高达5.6倍。这仅用于验证候选基因是否包含已有生物学信号，不意味着AI已发现328个抗衰老新靶点，仍需细胞、动物实验验证。

Nature报道提到，不同衰老时钟可能反映不同维度生物学变化，预测出的生物年龄不能简单等同于真实衰老程度。目前相关benchmark、模型和工具已公开。