若将血液指标、DNA 甲基化数据及基因表达谱直接输入大模型，能否精准评估个体的生物年龄与死亡风险？近期，一项发表于《Cell》的研究给出了肯定答案。9 月 17 日，Insilico Medicine、Liquid AI、巴克衰老研究所等机构联合发布了一套面向衰老研究的 AI 体系，包含评测基准 LongevityBench、专用大模型 Longevity-LLMs 以及科研智能体 Longevity Claw，标志着 AI 在衰老生物学领域从“知识检索”迈向“数据分析”的新阶段。
LongevityBench：真实生物数据驱动的评测基准
传统生命科学大模型测试多集中于文献问答，而新推出的 LongevityBench 则聚焦于真实世界数据的处理能力。该基准涵盖临床指标、DNA 甲基化、转录组、蛋白质组和遗传学五大维度，包含 17 类任务及 25,457 个测试提示词，数据来源包括 NHANES、GEO、GTEx 及 OpenGenes 等权威数据库。
在具体任务设计上，LongevityBench 要求模型根据血液生化指标预测未来 10 年死亡风险，或通过 CpG 位点甲基化水平推断样本年龄。为确保评估严谨性，研究团队采用了严格的数据隔离策略，按项目、个体或蛋白家族拆分数据集，并通过变换问题表述方式，防止模型依赖固定模板作答，从而真实检验其对多组学数据的理解与推理能力。
测试结果显示，通用大模型在处理单一类型数据时表现尚可，但在面对复杂的多组学联合分析时稳定性不足，且无一款通用模型能覆盖所有衰老数据类型。这表明，仅靠扩大模型规模难以解决专业领域的深度分析问题，针对特定生物数据进行专项训练成为必然选择。
Longevity-LLMs：小参数模型超越通用巨头
基于 Liquid AI 的 LFM2 架构及阿里巴巴 Qwen3 系列，研究团队训练了参数量从 0.6B 到 9B 不等的五款 Longevity-LLM 专用模型。训练语料超 72 万条，深度覆盖 DNA 甲基化、转录组、蛋白质组及遗传扰动等核心任务。
（来源：Cell）
在 LongevityBench 综合排名中，参数量仅为 9B 的 L-Qwen3.5-9B 以 4.4 分位居榜首，优于 Gemini 3.1 Pro 和 Claude Opus 4.6 等通用前沿模型。2.6B 的 L-LFM2-2.6B 与 1.7B 的 L-Qwen3-1.7B 分列第二、三位。这一结果证明，在垂直领域经过高质量数据微调的中小参数模型，其专业性能可显著超越通用大模型。
单项任务表现更为亮眼：在 GEO 数据集的 DNA 甲基化年龄比较中，L-Qwen3.5-9B 一致率达 0.868；在 Olink 蛋白质组年龄预测中，0.6B 模型将平均绝对误差控制在 5.7 年，远优于通用模型的 10.1 年；在 NHANES 的 10 年死亡风险预测中，平衡准确率高达 0.890。消融实验进一步证实，模型的预测置信度与关键生物特征的完整性正相关，说明其决策逻辑确实建立在生物学数据基础之上，而非简单的统计拟合。
Longevity Claw：从模型评测到科研智能体
为实现从理论评测到实际应用的跨越，研究团队将表现最优的 L-Qwen3.5-9B 接入 Longevity Claw 智能体系统。该系统具备自主规划能力，可调用衰老时钟、基因集富集分析、群体分析及文献检索等工具，形成完整的科研分析闭环。
（来源：Cell）
Longevity Claw 已整合 233 种衰老时钟，支持多模态数据输入，并连接 PubMed、DrugAge 等外部资源。在针对 14 类衰老特征的候选靶点搜索任务中，系统成功筛选出 328 个潜在干预基因。对比独立发表的实验验证数据集，部分候选集合中已知衰老相关基因的富集倍数最高达 5.6 倍，显示出极高的信号捕获能力。
值得注意的是，Nature 在报道中指出，当前不同维度的“衰老时钟”反映的生物学机制存在差异，AI 预测的“生物年龄”尚不能完全等同于人体真实衰老程度。本次研究提出的 328 个候选基因仍需通过细胞与动物实验进一步验证其因果效应。然而，这套由 LongevityBench、Longevity-LLMs 和 Longevity Claw 构成的完整工具链，无疑为衰老生物学研究提供了全新的范式。目前，相关基准、模型及工具已公开，可供全球科研人员复用与拓展。
参考链接：
1. https://www.nature.com/articles/d41586-026-02913-7
2. Zhavoronkov, Alex, et al."An Open Benchmark and Language Models for AI in Aging Biology."Cell, vol. 189, no. 19, 17 Sept. 2026, pp. 5980-5994.e8.
3. https://doi.org/10.1016/j.cell.2026.08.026