KI bewertet biologisches Altern aus Gen- und Protein-Daten

Am 17. September veröffentlichten Forschergruppen um Insilico Medicine, Liquid AI, das Buck Institute for Research on Aging sowie Institutionen der Harvard Medical School und des Brigham and Women’s Hospital in der Fachzeitschrift Cell ein umfassendes KI-System zur Analyse biologischen Alterns. Das neue Framework adressiert eine zentrale Limitation aktueller großer Sprachmodelle: Während diese Texte und Literatur effizient verarbeiten, fehlt ihnen bisher die Fähigkeit, rohe multiohmische Daten wie Blutwerte, DNA-Methylierung oder Proteomics präzise zu interpretieren. Um diese Lücke zu schließen, etablierten die Entwickler ein dreiteiliges System. Zunächst wurde LongevityBench vorgestellt, ein standardisierter Benchmark zur Leistungsbewertung von Modellen in der Alternsforschung. Der Testkorpus umfasst 17 Aufgabentypen und über 25.000 Prompts aus klinischen, epigenetischen, transkriptomischen und proteomischen Datensätzen diverser öffentlicher Quellen. Tests mit führenden allgemeinen Modellen zeigten deutliche Schwankungen und mangelnde Robustheit bei der direkten Verarbeitung komplexer Biomarkerdaten. Als Antwort darauf trainierten die Wissenschaftler fünf spezialisierte Modelle, die Longevity-LLMs, mit einer Basis zwischen 0,6 und 9 Milliarden Parametern. Basierend auf Architekturen von Liquid AI und Alibaba Qwen und gefüttert mit über 720.000 spezialisierten Trainingsdaten, schnitt das 9-Parameter-Modell im Gesamtranking des Benchmarks am besten ab und übertraf dabei sogar kommerzielle Spitzenmodelle wie Gemini und Claude. Ablationstests bestätigten, dass die spezialisierten Modelle tatsächlich biologische Merkmalsmuster nutzen, was ihre Relevanz für datengetriebene Altersschätzung untermauert, wobei kausale Rückschlüsse weiterhin experimentell geprüft werden müssen. Darüber hinaus integrierte das Forschungsteam die leistungsstärksten Modelle in Longevity Claw, einen agentenbasierten Forschungsworkflow. Dieser autonom gesteuerte Ansatz verbindet Sprachmodelle mit etablierten Altersclocks, Gen-Analysetools und externen Datenbanken wie PubMed und DrugAge. Bei einem Pilotprojekt zur Identifizierung potentieller Interventionsziele schlug das System innerhalb von 14 Alternskategorien 328 potenzielle Zielgene vor. Ein Abgleich mit validierten Altersmarkern bestätigte eine signifikante biologische Relevanz, wenngleich eine therapeutische Anwendbarkeit noch durch Zell- und Tierversuche validiert werden muss. Mit der öffentlichen Freigabe von Benchmark, Modellen und Agenten-Toolchain setzen die Autoren neue Maßstäbe für die computergestützte Gerontologie. Das Framework ermöglicht der wissenschaftlichen Community, KI-Ansätze reproduzierbar zu evaluieren und in bestehende Forschungsprozesse zu integrieren. Gleichzeitig unterstreicht die Studie die Notwendigkeit, KI-generierte biologische Alterssignaturen stets durch experimentelle Biologie zu verifizieren, da computatorische Schätzwerte nicht ohne Weiteres mit dem phänotypischen Alter gleichgesetzt werden dürfen. Die vorgelegte Systematik markiert einen fundierten Schritt hin zu datengetriebenen, KI-akzelerierten Discovery-Prozessen in der Alternsforschung.