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

Ce rapport intermédiaire présente Longevity-LLM v0.1, un modèle fondamental multimodal capable de surpasser les horloges du vieillissement spécialisées existantes en effectuant des tâches de prédiction d'âge et de génération de profils protéomiques à travers diverses modalités de données biologiques.

L'essentiel

🕰️ La Fin des Horloges de Vie : Un Seul Cerveau pour Tout Comprendre

Imaginez que vous voulez connaître l'âge biologique de quelqu'un (c'est-à-dire à quel point son corps est "usé" par rapport à son âge réel). Jusqu'à présent, les scientifiques utilisaient des horloges spécialisées, un peu comme des outils de menuisier très précis mais limités :

• Une horloge pour mesurer l'usure des gènes (ADN).
• Une autre pour les protéines dans le sang.
• Une troisième pour les marqueurs cliniques (comme le cholestérol).

Chaque outil ne fonctionnait qu'avec un seul type de matériau. Si vous vouliez changer d'outil, il fallait en acheter un nouveau, et aucun d'eux ne pouvait vous expliquer pourquoi le corps vieillissait, ils se contentaient de donner un chiffre.

La grande nouvelle ? Les chercheurs d'Insilico Medicine ont créé Longevity-LLM, un "super-cerveau" unique capable de tout comprendre, tout analyser et tout expliquer.

🧠 L'Analogie du "Polyglotte Universel"

Pensez à un traducteur qui ne parle pas seulement une langue, mais qui a lu tous les livres de biologie jamais écrits.

• Avant (Les anciennes horloges) : C'était comme avoir un expert en français, un expert en espagnol et un expert en chinois séparés. Si vous leur donniez un texte en espagnol, l'expert en français ne pouvait rien faire.
• Maintenant (Longevity-LLM) : C'est un seul traducteur génial qui a lu les livres en français, espagnol et chinois. Il peut prendre un texte en espagnol (vos protéines), le comprendre, le comparer à un texte en français (votre ADN) et vous dire : "Votre corps a l'air vieux de 50 ans, mais voici pourquoi : c'est à cause de telle protéine qui ne fonctionne plus bien."

🚀 Comment ont-ils fait ? (L'Entraînement)

Au lieu de construire un nouvel outil complexe, ils ont pris un cerveau artificiel existant (un modèle appelé Qwen3) et l'ont entraîné comme un étudiant brillant.

1. L'École (Apprentissage Supervisé) : Ils ont donné au modèle des millions d'exemples : des données d'ADN, de sang, de tissus, et les réponses correctes. Le modèle a appris à reconnaître les motifs du vieillissement, un peu comme un enfant qui apprend à reconnaître les formes.
2. Le Coach de Sport (Apprentissage par Renforcement) : Ensuite, ils ont mis le modèle en situation réelle. À chaque fois qu'il faisait une prédiction, un "coach" lui disait : "Bravo, c'est juste !" ou "Non, tu as fait une erreur, réessaie en réfléchissant plus profondément."
   • L'analogie : C'est comme si on entraînait un joueur d'échecs non pas seulement en lui montrant des parties, mais en le faisant jouer contre lui-même des milliers de fois pour qu'il devienne un grand maître.

🏆 Les Résultats : Qui gagne ?

Le modèle a passé des examens très difficiles (le "Longevity Bench") pour tester sa capacité à prédire l'âge et la survie au cancer. Voici ce qui est incroyable :

• Il bat les champions : Pour prédire l'âge basé sur l'ADN, il a fait mieux que l'ancienne référence mondiale (l'horloge de Horvath). Il s'est trompé de seulement 4,34 ans en moyenne, contre 4,61 ans pour l'ancien champion.
• Il est polyvalent : Même avec très peu de données sur les protéines (le sang), il a réussi à prédire l'âge aussi bien que des outils spécialisés qui ont vu des millions de données.
• Il imagine l'avenir : Le plus fou, c'est qu'il peut inventer des profils de protéines plausibles. Si vous lui dites : "Imaginez le sang d'une personne de 80 ans", il peut décrire quelles protéines devraient être là. C'est comme un chef cuisinier qui peut imaginer le goût d'un plat qu'il n'a jamais goûté, juste en connaissant les ingrédients.

💡 Pourquoi est-ce si important ?

Imaginez que vous vouliez créer un médicament contre le vieillissement.

• L'ancienne méthode : Vous deviez engager un expert en ADN, un expert en sang, un expert en statistiques, et un expert en IA pour les assembler. C'est lent, coûteux et plein de malentendus.
• La nouvelle méthode (Longevity-LLM) : Vous avez un seul assistant super-intelligent. Vous lui dites : "Trouve-moi une molécule qui ralentit le vieillissement en agissant sur ces protéines." Et il vous répond avec une logique cohérente, en reliant tous les points.

C'est le début d'une intelligence artificielle pharmaceutique capable de passer de la simple question ("Quel est mon âge ?") à la solution complète ("Voici comment je peux vous rajeunir").

En résumé

Les chercheurs ont réussi à transformer un simple chatbot en un scientifique de la longévité. Au lieu d'avoir des dizaines d'outils séparés qui ne se parlent pas, ils ont créé un seul cerveau qui comprend la biologie du vieillissement dans toutes ses langues (ADN, protéines, sang) et qui peut nous aider à vivre plus longtemps et en meilleure santé.

C'est comme passer d'une boîte à outils remplie de marteaux, de scies et de clés à un seul robot qui sait tout faire, tout comprendre, et tout expliquer.

Résumé technique

1. Problématique et Contexte

Le domaine de la recherche sur le vieillissement repose actuellement sur des « horloges du vieillissement » (aging clocks) spécialisées. Bien que ces modèles aient prouvé leur utilité pour estimer l'âge chronologique ou la mortalité à partir de divers types de données biologiques (méthylation de l'ADN, protéomique, transcriptomique, biomarqueurs cliniques), ils souffrent de limitations fondamentales :

• Spécialisation modale : Chaque modèle est confiné à un seul type de données (une modalité) et à un ensemble de caractéristiques prédéfini.
• Manque d'interprétabilité : Ils fournissent une prédiction numérique mais n'expliquent pas pourquoi l'âge biologique d'un patient dépasse son âge chronologique.
• Coût et complexité : L'ajout d'une nouvelle modalité nécessite la construction, la validation et le déploiement d'un modèle entièrement nouveau.
• Limites des systèmes d'agents : Les solutions actuelles utilisant des LLM (Large Language Models) comme orchestrateurs d'outils spécialisés ne résolvent pas le problème de la compréhension biologique intrinsèque ; le LLM ne fait que router les requêtes vers des outils « figés » qui conservent leurs biais.

L'objectif de cette étude est de dépasser ces contraintes en créant un modèle fondationnel unique capable d'intégrer et de raisonner sur le vieillissement à travers plusieurs modalités de données, sans dépendre d'outils externes.

2. Méthodologie

Les auteurs ont développé Longevity-LLM v0.1, un modèle basé sur l'architecture Qwen3-14B (14 milliards de paramètres), affiné spécifiquement pour la biologie du vieillissement.

Données d'entraînement

Le corpus d'entraînement comprend 766 640 exemples (1,09 milliard de tokens) couvrant 38 tâches réparties sur quatre modalités principales :

• Méthylation de l'ADN (DNAm) : La plus grande partie des données (416 110 exemples), incluant des profils de valeurs bêta de CpG, des comparaisons d'importance des caractéristiques et des traces de raisonnement annotées.
• Biomarqueurs cliniques : Données issues de NHANES pour la prédiction d'âge et la classification de la mortalité.
• Transcriptomique : Données de GTEx pour la prédiction d'âge basée sur l'expression génique.
• Protéomique : Données Olink Explore 3072 (plasma) pour la régression d'âge et la génération de profils protéiques.
• Tâches supplémentaires : Survie au cancer (TCGA), prédiction de durée de vie multi-mutante, et tâches générales de biologie du vieillissement.

Les données ont été structurées en « traces de raisonnement » (reasoning traces) pour l'apprentissage supervisé et incluent des variations sémantiques pour améliorer la généralisation.

Procédure d'entraînement

L'entraînement s'est déroulé en deux étapes successives sur le modèle Qwen3-14B, sans méthodes d'adaptation efficaces des paramètres (full-parameter fine-tuning) :

1. Affinement Supervisé (SFT) : Entraînement sur un mélange multitâche de paires instruction-réponse et de traces de raisonnement intermédiaires. Cela a permis au modèle d'apprendre la diversité des tâches et la structure des données omiques.
2. Affinement par Renforcement (RFT) : Utilisation de l'optimisation de la politique relative par groupe (GRPO) sur sept tâches de régression avec des cibles numériques vérifiables.
   • Fonction de récompense : Composée de trois éléments : une récompense de format (balises de raisonnement correctes), une récompense de longueur de réflexion (encouragement au raisonnement substantiel) et une récompense de justesse de régression (erreur absolue normalisée).
   • Une pénalité KL a été appliquée pour éviter l'effondrement de la politique par rapport au modèle de référence SFT.

3. Contributions Clés

• Distillation des horloges du vieillissement : Transformation de la connaissance encapsulée dans des dizaines d'horloges spécialisées en un seul modèle de langage capable de raisonner directement sur les données brutes.
• Architecture monolithique : Démonstration qu'un modèle de langage standard (sans têtes de prédiction dédiées, sans tokens spéciaux ou prétraitement numérique complexe) peut surpasser des modèles statistiques spécialisés.
• Génération de profils biologiques : Capacité du modèle à générer des profils protéomiques biologiquement plausibles conditionnés par l'âge et le sexe, une tâche inédite pour les LLMs.
• Intégration multimodale : Un seul point d'accès pour la méthylation, la protéomique, la transcriptomique et les données cliniques, permettant une cohérence interne entre les modalités.

4. Résultats

Les performances de Longevity-LLM v0.1 ont été évaluées sur le Longevity Bench (15 modèles LLM de pointe comparés) et contre des horloges du vieillissement établies.

• Performance sur le Longevity Bench :

  • Avec seulement 14 milliards de paramètres, le modèle SFT a obtenu la première place sur 4 tâches sur 7 (incluant le pronostic du cancer par ARN et la prédiction de mortalité à 10 ans sur NHANES).
  • Il a surpassé des modèles commerciaux beaucoup plus grands (comme Gemini 3 Pro) sur la prédiction de mortalité (0,89 de précision).
  • Le modèle de base Qwen3-14B, sans affinement, échouait à produire des sorties valides, soulignant l'importance cruciale de l'entraînement spécifique.

• Prédiction de l'âge épigénétique (DNAm) :

  • Après SFT, l'erreur absolue moyenne (MAE) était de 5,91 ans.
  • Après RFT, la MAE est descendue à 4,34 ans, surpassant significativement l'horloge multi-tissus de Horvath (MAE de 4,61 ans) sur le même ensemble de test (p < 0,05).

• Prédiction et génération protéomique :

  • Sur la prédiction d'âge à partir de protéines, le modèle a atteint une MAE de 7,9 ans, se situant dans la fourchette de précision des horloges protéomiques spécialisées (entraînées sur des ensembles de données beaucoup plus vastes comme UK Biobank).
  • Génération de profils : Pour la tâche de génération des 25 protéines plasmatiques les plus abondantes, le modèle a obtenu un indice de Jaccard de 0,072, surpassant tous les autres LLMs de pointe testés, prouvant qu'il a internalisé la dynamique du protéome.

5. Signification et Perspectives

Ce travail constitue une preuve de concept majeure pour l'avenir de la recherche en biogérontologie et en découverte de médicaments :

• Fin des horloges spécialisées : Il démontre qu'un seul modèle de taille modeste peut remplacer ou égaler une multitude d'outils spécialisés, réduisant la fragmentation technologique.
• Vers une « Superintelligence Pharmaceutique » : Longevity-LLM est une étape vers un pipeline de développement de médicaments « prompt-to-drug » (de la commande à la molécule), capable de gérer toutes les étapes, de l'identification de cibles à la conception d'essais cliniques, avec une cohérence biologique interne.
• Interprétabilité et Raisonnement : Contrairement aux boîtes noires statistiques, ce modèle est conçu pour articuler la logique biologique derrière ses prédictions, passant des caractéristiques moléculaires de bas niveau à l'interprétation phénotypique.
• Fondation pour l'avenir : Bien que ce soit un rapport intérimaire (v0.1), il pose les bases pour Longevity-LLM v0.2, qui visera à renforcer le composant de raisonnement par renforcement (RFT) et à intégrer davantage de modalités pour créer un véritable compagnon de recherche capable de générer des hypothèses actionnables.

En résumé, cette étude marque un tournant en unifiant les modèles statistiques disparates du vieillissement en un système d'intelligence artificielle conversationnel et multimodal, capable non seulement de prédire, mais aussi de raisonner sur la biologie du vieillissement.