Nové zjištění v oblasti umělé inteligence a biologie stárnutí
Výzkumníci publikovali v odborném časopise Cell studii představující LongevityBench, otevřený srovnávací test (benchmark) navržený k posouzení schopností systémů umělé inteligence v oblasti biologie stárnutí. Testování pokrývá sedmnáct úkolů zahrnujících klinická data, genetiku, epigenetiku, transkriptomiku a proteomiku. Autoři studie analyzovali celkem 18 běžně dostupných systémů umělé inteligence a současně vyvinuli pět specializovaných modelů Longevity-LLM, které byly trénovány přímo na datech o stárnutí.
Výsledky ukazují, že specializované modely, které disponují výrazně nižším počtem parametrů (v rozmezí 0,6 až 9 miliard), dokázaly v rámci benchmarku vyrovnat nebo překonat mnohem rozsáhlejší obecné systémy. Tato skutečnost naznačuje, že pro analýzu komplexních biologických dat, jako jsou methylační vzorce nebo proteomické profily, nemusí být určující celková velikost modelu, ale spíše míra jeho specializace na danou doménu.
Rozdíl mezi schopností reprodukovat literární poznatky a schopností interpretovat biologická data
Studie rozlišuje mezi schopností umělé inteligence čerpat z odborné literatury a schopností vyvozovat závěry přímo z primárních molekulárních měření. Zatímco velké jazykové modely dosahovaly vysoké úspěšnosti při dotazech na existující vědecké poznatky o stárnutí, jejich výkonnost při zpracování surových omických dat byla nižší. Specialisté naopak prokázali vyšší efektivitu právě při práci s těmito datovými sadami, což potvrzuje, že interpretace experimentálních dat vyžaduje odlišné mechanismy než prostá retence informací.
Navzdory pokroku zůstávají v predikci biologického věku limity. V některých úkolech, například při regresi proteomického věku, konvenční statistické metody stále vykazují přesnější výsledky než testované modely umělé inteligence.
Identifikace terapeutických cílů
Součástí projektu je také platforma Longevity Claw, která využívá model L-Qwen3.5-9B k vyhledávání potenciálních terapeutických cílů napříč 14 kategoriemi stárnutí. V rámci tohoto procesu bylo identifikováno 328 kandidátních genů. Z nich bylo 12 v souladu s dříve publikovanými daty platformy PandaOmics a dva kandidáti, CXCL12 a ADAMTS14, již prošli experimentálním ověřením.
Autoři projektu zdůrazňují, že tato zjištění jsou hypotézami, které vyžadují další experimentální validaci v laboratoři. Veškeré nástroje, datasety, kód a samotný benchmark jsou nyní veřejně dostupné. Tento krok má umožnit širší vědecké komunitě testovat modely na shodných biologických problémech a dále rozvíjet metodologii výzkumu stárnutí.