AIが血液・遺伝子・タンパク質データで老化を判定

9月17日、Insilico Medicine、Liquid AI、バク衰老研究所、ハーバード大学医学部、ブリーガム女性病院の国際連携チームが学術誌Cellに、老化生物学におけるAI活用基盤を提案する論文を発表した。同研究は、既存の大規模言語モデルが論文読解や知識照合に特化している課題を解決すべく、生体直接データを解析する初の包括的フレームワークLongevityシリーズを開発した。 中核をなすベンチマークLongevityBenchは、臨床指標、DNAメチル化、トランスクリプトーム、プロテオーム、遺伝学を含む5分野17課題2万5千件以上の生体データを用い、モデルの加齢予測や死亡リスク推定能力を測定する。テスト結果、汎用モデルの性能はタスクによって大きく偏り、マルチオミクスデータの直接処理では精度が不安定だった。 そこで研究陣はLFM2とQwenアーキテクチャを基に、72万件以上の生体データで学習させた0.6B〜9B規模の専用モデルLongevity-LLMsを構築。9BパラメータのL-Qwen3.5-9Bがベンチマーク総合1位となり、DNAメチル化や血液タンパク質データを用いた年齢推定精度でGeminiやClaudeなどの最先端汎用モデルを凌駕した。特徴アボレーション実験により、モデルが生体特異的パターンに基づいて判断していることが裏付けられた。 さらに高精度モデルを233種の加齢時計や文献データベースに連携した研究エージェントLongevity Clawを活用した候補遺伝子スクリーニングでは、328の老化介入遺伝子を同定。既知の老化シグナルと一致する結果が得られたものの、研究チームはAIの出力が因果関係を証明するものではなく、実験検証が不可欠であると警鐘を鳴らした。 同プロジェクトで提供される評価基盤、専用モデル、分析ツールはすべて公開され、マルチオミクス時代における老化研究の標準的なワークフロー確立と、創薬開発の加速に寄与するものと期待されている。