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

Deze interim-rapportage introduceert Longevity-LLM v0.1, een op Qwen3-14B gebaseerd foundation model dat door middel van geavanceerde training diverse biologische data modaliteiten integreert om bestaande specialistische verouderingsklokken te overtreffen en te vervangen door een enkel, veelzijdig systeem voor leeftijdsvoorspelling en gerelateerde taken.

De kern

De Oude Klokken zijn voorbij: Een AI die het geheim van veroudering begrijpt

Stel je voor dat je al je leven lang een horloge hebt gedragen dat je vertelt hoe oud je bent. Maar dit horloge heeft een groot nadeel: het werkt alleen als je hem op je pols hebt. Als je wilt weten hoe oud je bent op basis van je bloed, moet je een ander horloge kopen. Wil je weten hoe je huid veroudert? Dan heb je weer een derde horloge nodig. Elk horloge kijkt alleen naar één ding, en ze praten niet met elkaar.

Dat is precies hoe de huidige wetenschap over veroudering werkt. Er zijn honderden speciale "verouderingsklokken" die kijken naar DNA, eiwitten of bloedwaarden, maar elk werkt alleen. Ze zijn slim, maar ze zijn ook erg star en kunnen niet goed uitleggen waarom iemand sneller veroudert dan zijn of haar leeftijd zou voorspellen.

De nieuwe speler: Longevity-LLM

In dit nieuwe onderzoek hebben de wetenschappers van Insilico Medicine iets heel anders bedacht. In plaats van honderd verschillende horloges te bouwen, hebben ze één super-intelligente assistent getraind. Ze noemen deze AI: Longevity-LLM.

Je kunt dit zien als een veelzijdige chef-kok in plaats van een machine die alleen maar soep maakt.

• De oude klokken zijn als machines die alleen soep kunnen maken (alleen DNA), of alleen salade (alleen eiwitten).
• Longevity-LLM is de chef die alle ingrediënten (DNA, bloed, eiwitten, genen) in één grote pan kan gooien, ze kan mengen, en een compleet gerecht kan bereiden.

Hoe hebben ze dit gedaan?

De wetenschappers namen een bestaande, krachtige AI (een "foundation model" genaamd Qwen3) en gaven hem een intensieve training, alsof je een student een jaar lang laat studeren voor een examen.

1. De Leraar (Supervised Learning): Ze gaven de AI duizenden voorbeelden van verouderingsdata. Ze leerden de AI niet alleen wat de cijfers waren, maar ook waarom ze belangrijk zijn. Het was alsof ze de AI leerden lezen en begrijpen in plaats van alleen te tellen.
2. De Coach (Reinforcement Learning): Daarna kregen de AI-quizvragen met de juiste antwoorden. Als de AI een fout maakte, kreeg hij een "tik op zijn vingers" en mocht het opnieuw proberen. Als hij het goed deed, kreeg hij een sterretje. Zo leerde hij steeds beter en scherper te worden.

Wat kan deze AI nu?

De resultaten zijn verbazingwekkend voor een model dat relatief klein is (in de wereld van AI):

• Het is een betere klok: Bij het voorspellen van de biologische leeftijd op basis van DNA (epigenetica) was deze AI preciezer dan de beroemde Horvath-klok, die jarenlang de gouden standaard was. Het maakte gemiddeld 4,34 jaar fout, terwijl de oude klok 4,61 jaar fout maakte.
• Het is een profeet: De AI kan niet alleen zeggen hoe oud iemand is, maar ook voorspellen wie er langer gezond blijft of wie een hoger risico heeft op kanker. In tests scoorde hij beter dan de beste commerciële AI's ter wereld.
• Het is een schepper: Dit is misschien wel het coolste deel: de AI kan nieuwe eiwitprofielen bedenken. Als je hem vraagt: "Hoe zou het eiwitprofiel van een 80-jarige eruitzien?", kan hij een lijst met eiwitten genereren die biologisch gezien kloppen. Geen enkele andere AI kon dit zo goed.

Waarom is dit zo belangrijk?

Vroeger moest je voor elk onderzoek een nieuw, speciaal computerprogramma bouwen. Dat was duur, langzaam en onhandig.

Met Longevity-LLM hebben ze een alles-in-één systeem gemaakt. Het is als het verschil tussen een lade vol losse gereedschappen (hamer, schroevendraaier, tang) en een Zwitsers zakmes dat alles kan.

• Het begrijpt de taal van de biologie.
• Het kan praten met onderzoekers in gewone taal.
• Het kan denken over complexe vragen, zoals: "Welk medicijn zou het verouderingsproces vertragen?"

De toekomst

De auteurs zeggen dat dit pas het begin is (versie 0.1). Ze hopen dat deze AI in de toekomst niet alleen cijfers kan voorspellen, maar ook kan uitleggen waarom iets gebeurt. Het zou kunnen zeggen: "Je bent biologisch ouder dan je chronologische leeftijd, omdat je lever-eiwitten verouderd zijn, en hier is een medicijn dat dat kan verhelpen."

Kortom: ze hebben de "verouderingsklokken" niet vervangen door een betere klok, maar ze hebben ze allemaal opgeslokt in één slimme, sprekende robot die de taal van het leven zelf spreekt. Dit is een grote stap richting een toekomst waarin AI ons helpt om niet alleen ouder te worden, maar ook gezonder.

Technische samenvatting

` tags.
2. Lengte: Beloning voor substantieel redeneren (tot 5.000 karakters).
3. Correctheid: Genormaliseerde absolute fout (MAE) voor regressietaken, met een straf voor waarden buiten de geldigheidsbanden.
* Dit werd uitgevoerd op 16 NVIDIA A100 GPU's.

Belangrijkste Bijdragen

• Monolithische AI voor Veroudering: Het bewijs dat een enkel, middelgroot LLM (14B parameters) gespecialiseerde verouderingsklokken kan vervangen of evenaren zonder architecturale aanpassingen (zoals speciale tokens of dedicated heads).
• Cross-Modal Generalisatie: Het model kan methylerings-, proteomische, transcriptomische en klinische data verwerken en redeneren zonder externe afhankelijkheden.
• Generatieve Capaciteiten: Het model kan niet alleen voorspellen, maar ook biologisch plausibele proteomische profielen genereren op basis van leeftijd en geslacht.
• Interpretatie door Redeneren: Door het model te trainen met redeneertraces, wordt de basis gelegd voor een systeem dat de biologische logica achter voorspellingen kan uitleggen, in plaats van alleen een getal te leveren.

Resultaten

De prestaties van Longevity-LLM v0.1 werden geëvalueerd tegenover 15 state-of-the-art commerciële LLM's en gespecialiseerde verouderingsklokken.

1. Longevity Bench Prestaties:

   • Het model behaalde de eerste plaats in 4 van de 7 taken van de Longevity Bench, ondanks dat het veel kleiner is dan de concurrenten.
   • Kankerprognose: 0,77 nauwkeurigheid bij TCGA-pairwise progressie-vrije overleving.
   • Mortaliteit: 0,89 nauwkeurigheid bij 10-jaar mortaliteitsvoorspelling (NHANES), beter dan de beste eerdere modellen (Gemini 3 Pro).
   • De basis Qwen3-14B (zonder fine-tuning) kon geen bruikbare voorspellingen genereren, wat aantoont dat de prestaties volledig het resultaat zijn van de training.

2. Epigenetische Leeftijdsvoorspelling (DNAm):

   • Na SFT: MAE van 5,91 jaar.
   • Na RFT: MAE van 4,34 jaar.
   • Dit presteert significant beter dan de beroemde Horvath multi-tissue clock (MAE 4,61) op dezelfde holdout-set (p < 0,05).

3. Proteomische Voorspelling en Generatie:

   • Leeftijdsvoorspelling: MAE van 7,9 jaar, wat binnen het bereik ligt van gespecialiseerde proteomische klokken (zoals PAC en Proteoclock), ondanks een veel kleiner trainingsdataset.
   • Proteomische Profielgeneratie: Het model behaalde een Jaccard-index van 0,072 bij het genereren van de 25 meest voorkomende plasma-eiwitten, wat significant beter is dan alle geteste frontier-LLM's. Dit suggereert dat het model betekenisvolle representaties van proteoomdynamiek heeft geleerd.

Significantie en Toekomstperspectief

Dit werk markeert een paradigmaverschuiving in de verouderingsbiologie:

• Van Specialist naar Generalist: Het toont aan dat een conversational LLM, zonder specifieke architecturale aanpassingen voor omics-data, kan dienen als een krachtige basis voor wetenschappelijke ontdekking. Dit elimineert de noodzaak voor honderden gespecialiseerde modellen.
• Interne Coherentie: In tegenstelling tot agent-systemen die losse tools orkestreren, creëert Longevity-LLM een intern consistent beeld van moleculaire veroudering. Dit stelt het model in staat om kennis over te dragen tussen modaliteiten (bijv. proteomische prestaties verbeteren door kennis uit andere domeinen).
• Roadmap naar "Prompt-to-Drug": Dit is een tussenrapport van het MMAI Gym for Science initiatief. De volgende stap is het verder verfijnen van het redeneervermogen om biologische logica te articuleren, met als uiteindelijke doel een "pharmaceutical superintelligence" die het volledige traject van target-identificatie tot klinisch trial-design kan ondersteunen.

Kortom, Longevity-LLM v0.1 bewijst dat verouderingsklokken niet langer statische, gespecialiseerde tools hoeven te zijn, maar kunnen worden "gedistilleerd" in een flexibel, redenerend foundation model dat de weg vrijmaakt voor geïntegreerde AI-gestuurde drugontwikkeling.