The End of Aging Clocks: Training Foundation Models to Reason in Aging and Longevity

Este informe intermedio presenta Longevity-LLM v0.1, un modelo de lenguaje fundacional que supera a los relojes de envejecimiento especializados en múltiples modalidades de datos biológicos, demostrando que una única IA puede unificar y mejorar la predicción de edad, la supervivencia al cáncer y la generación de perfiles proteómicos en la investigación sobre longevidad.

Lo esencial

¡Hola! Imagina que el envejecimiento es como un reloj gigante y complejo que tiene muchas caras diferentes: una cara hecha de ADN, otra de proteínas en la sangre, otra de genes y otra de datos clínicos.

Durante años, los científicos han creado "relojes" separados para cada una de estas caras. Pero había un problema: si querías saber la edad biológica usando datos de ADN, tenías que usar un reloj específico. Si querías usar datos de proteínas, tenías que cambiar a otro reloj totalmente distinto. Eran como tener un reloj de pulsera para la hora, otro para la temperatura y otro para la presión, pero ninguno podía decirte todo a la vez ni explicarte por qué el reloj se está acelerando.

Aquí es donde entra este nuevo trabajo de Insilico Medicine. Han creado algo llamado Longevity-LLM, y es como si hubieran construido un "Super-Intelecto" único capaz de entender todas las caras del reloj de la vida al mismo tiempo.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El problema de los relojes antiguos (Los "Especialistas")

Imagina que tienes un equipo de expertos: uno es un genio de las matemáticas (para el ADN), otro es un chef experto (para las proteínas) y otro es un médico clínico.

• El problema: Si le preguntas al experto de matemáticas sobre las proteínas, no sabe responder. Si le preguntas al chef sobre el ADN, se queda en blanco. Además, ninguno de ellos puede explicarte por qué tu cuerpo está envejeciendo más rápido que tu edad real; solo te dan un número.
• La limitación: Para usar más datos, tenías que contratar a más expertos y construir más máquinas. Era caro y lento.

2. La solución: El "Cerebro Polímata" (Longevity-LLM)

Los autores tomaron un modelo de inteligencia artificial de tamaño medio (llamado Qwen3, que es como un estudiante muy inteligente pero no el más grande del mundo) y le dieron un curso intensivo de 10 días.

• La analogía del "Entrenamiento de Verano": Imagina que tomas a este estudiante y le pones a leer millones de libros, artículos científicos y bases de datos sobre ADN, proteínas y sangre. Pero no solo los lee; le piden que resuelva problemas y que explique su razonamiento paso a paso.
• El truco: En lugar de darle un reloj nuevo para cada tarea, le enseñaron a imitar a todos esos relojes antiguos. Le dijeron: "Lee estos datos de ADN y actúa como el mejor reloj de ADN. Ahora lee estas proteínas y actúa como el mejor reloj de proteínas".
• El resultado: Ahora, este único modelo puede hacer de todo. Puede predecir tu edad biológica usando solo ADN, o solo proteínas, o una mezcla de ambos, y todo en una sola conversación.

3. ¿Qué logró este "Super-Intelecto"?

Los resultados son sorprendentes, como si un estudiante promedio hubiera superado a los mejores expertos del mundo en un examen final:

• Mejor que los expertos clásicos: En la tarea de predecir la edad basada en el ADN (el "reloj epigenético"), este nuevo modelo fue más preciso que el reloj más famoso que existe (el reloj de Horvath). ¡Lo hizo sin tener una arquitectura especial, solo aprendiendo!
• El "Oráculo" de las proteínas: No solo predice números. Si le das una parte de los datos de una persona, puede imaginar (generar) cómo sería el resto de su perfil de proteínas. Es como si le dieras una foto borrosa de un paisaje y él pudiera dibujar el paisaje completo con increíble precisión.
• Habla el idioma humano: A diferencia de los modelos antiguos que solo daban números fríos, este modelo puede conversar. Puedes preguntarle: "¿Por qué mi edad biológica es mayor que mi edad real?" y puede intentar explicarte las razones basándose en los datos, como un médico que te explica tu diagnóstico.

4. ¿Por qué es importante esto? (La visión de futuro)

Hasta ahora, la investigación de la longevidad era como tener un cinturón de herramientas donde cada herramienta hacía una sola cosa. Si querías construir una casa (un nuevo fármaco o tratamiento), tenías que cambiar de herramienta constantemente.

Con Longevity-LLM, tienen una navaja suiza inteligente.

• Pueden identificar una enfermedad.
• Pueden entender cómo envejece el cuerpo en ese contexto.
• Pueden diseñar una molécula para curarla.
• Todo esto dentro de un solo sistema que "piensa" de manera coherente, sin perderse en la traducción entre diferentes herramientas.

En resumen

Este papel nos dice que ya no necesitamos un reloj diferente para cada tipo de dato. Hemos creado un cerebro artificial unificado que ha aprendido a entender la biología del envejecimiento desde todas las perspectivas a la vez.

Es como pasar de tener un mapa de papel, una brújula y un GPS separados, a tener un copiloto de IA que conoce todo el territorio, te dice dónde estás, hacia dónde vas y cómo llegar a tu destino (la salud y la longevidad) de la manera más eficiente posible.

¡Es el comienzo de una nueva era donde la inteligencia artificial no solo calcula, sino que entiende y razona sobre cómo vivir más y mejor!

Resumen técnico

Título: El Fin de los Relojes de Envejecimiento: Entrenamiento de Modelos Fundacionales para Razonar en Envejecimiento y Longevidad

1. El Problema

Los "relojes de envejecimiento" (aging clocks) actuales son herramientas indispensables en la investigación de la longevidad, capaces de estimar la edad cronológica o la mortalidad a partir de diversos tipos de datos biológicos (metilación del ADN, expresión génica, proteómica, etc.). Sin embargo, estos modelos presentan limitaciones fundamentales:

• Modo único y rigidez: Cada reloj está confinado a una sola modalidad de datos y un conjunto de características predeterminado. Añadir una nueva modalidad requiere construir y validar un modelo completamente nuevo.
• Falta de interpretabilidad: Los relojes tradicionales no explican por qué la edad biológica de un paciente excede su edad cronológica; requieren métodos analíticos complementarios externos para interpretar las señales.
• Limitaciones de los sistemas de agentes: Las soluciones actuales que combinan LLMs con herramientas bioinformáticas externas actúan como orquestadores que resumen salidas de herramientas "congeladas", sin internalizar realmente la biología del envejecimiento ni resolver los sesgos inherentes a esas herramientas.

2. Metodología

Los autores proponen una alternativa basada en la destilación de relojes de envejecimiento dentro de un modelo de lenguaje grande (LLM) fundacional, en lugar de equipar al LLM con relojes externos.

• Modelo Base: Se utilizó Qwen3-14B (14 mil millones de parámetros), un modelo de lenguaje de propósito general.
• Datos de Entrenamiento: El corpus incluyó 766,640 ejemplos (1.09 mil millones de tokens) abarcando 38 tareas en cuatro modalidades principales:
  • Metilación del ADN (DNAm): La modalidad más grande, incluyendo perfiles de valores beta de CpG y trazas de razonamiento genómico.
  • Biomarcadores clínicos (datos de NHANES).
  • Datos transcriptómicos (GTEx).
  • Datos proteómicos (Olink Explore 3072).
  • También se incluyeron tareas de supervivencia al cáncer (TCGA) y predicción de vida útil.
• Estrategia de Entrenamiento: Se empleó un enfoque de dos etapas sin métodos de adaptación eficiente de parámetros (full-parameter fine-tuning):
  1. Ajuste Fino Supervisado (SFT): Entrenamiento en una mezcla multitarea de pares instrucción-respuesta y trazas de razonamiento intermedias. Se utilizó una ventana de contexto de 65,536 tokens.
  2. Ajuste Fino por Refuerzo (RFT): Aplicación de Optimización de Política Relativa de Grupo (GRPO) en siete tareas de regresión con objetivos numéricos verificables.
     • Función de Recompensa: Compuesta por tres componentes: recompensa de formato (etiquetas de razonamiento), recompensa por longitud de pensamiento (hasta 5,000 caracteres) y recompensa por corrección de regresión (error absoluto normalizado).
     • Se aplicó una penalización KL para evitar el colapso de la política.

3. Contribuciones Clave

• Longevity-LLM v0.1: Un modelo monolítico capaz de procesar metilación, proteómica, transcriptómica y datos clínicos sin dependencias externas ni arquitecturas especializadas (como cabezas de predicción dedicadas).
• Destilación de Conocimiento: Demostración de que un LLM puede internalizar la funcionalidad de múltiples relojes de envejecimiento especializados y aprender la biología del envejecimiento a través de múltiples modalidades.
• Capacidad Generativa: El modelo no solo predice la edad, sino que puede generar perfiles proteómicos biológicamente plausibles condicionados a la edad y el sexo.
• Pipeline "Prompt-to-Drug": Un paso hacia un sistema de inteligencia artificial farmacéutica unificado que pueda manejar todo el ciclo de desarrollo de fármacos, desde la identificación de dianas hasta el diseño de ensayos clínicos.

4. Resultados

• Benchmarks de Longevidad (Longevity Bench): Longevity-LLM se evaluó contra 15 LLMs comerciales de vanguardia. A pesar de tener solo 14B de parámetros, ocupó el primer lugar en 4 de 7 tareas, incluyendo pronóstico de cáncer basado en ARN y predicción de mortalidad a 10 años (0.89 de precisión), superando a modelos mucho más grandes como Gemini 3 Pro.
• Predicción de Edad Epigenética:
  • Tras el SFT, el modelo alcanzó un Error Absoluto Medio (MAE) de 5.91 años.
  • Tras el RFT, el MAE se redujo a 4.34 años, superando significativamente al reloj multi-tejido de Horvath (MAE 4.61) en el mismo conjunto de prueba (p < 0.05).
• Predicción y Generación Proteómica:
  • En la predicción de edad basada en proteómica, el modelo logró un MAE de 7.9 años, situándose dentro del rango de los relojes proteómicos especializados entrenados en conjuntos de datos mucho más grandes (como UK Biobank).
  • En la generación de perfiles proteómicos, el modelo superó a todos los LLMs de vanguardia con un índice Jaccard de 0.072, demostrando una representación interna significativa de la dinámica del proteoma.

5. Significado e Impacto

Este trabajo representa un cambio de paradigma en la investigación del envejecimiento:

• Unificación de Modalidades: Demuestra que un único modelo de lenguaje, sin modificaciones arquitectónicas específicas para datos ómicos, puede igualar o superar a herramientas estadísticas especializadas en múltiples modalidades de datos.
• Coherencia Biológica Interna: A diferencia de los sistemas de agentes que orquestan herramientas desconectadas, Longevity-LLM desarrolla una representación interna coherente de la biología del envejecimiento, lo que permite generalizar entre modalidades y extrapolar información parcial.
• Escalabilidad Futura: Este enfoque sienta las bases para la iniciativa MMAI Gym for Science, que busca crear una "superinteligencia farmacéutica" capaz de razonar sobre datos biológicos complejos, interpretar desviaciones en las trayectorias de envejecimiento y comunicar su lógica a los investigadores, eliminando la fragmentación tecnológica en el descubrimiento de fármacos.

En resumen, el artículo valida que la destilación de conocimientos de modelos especializados en un LLM fundacional es una vía viable y superior para crear sistemas de IA integrales para la biogerontología y el desarrollo de fármacos.