غدت ساعات الشيخوخة أداة لا غنى عنها في علم الشيخوخة gerontology، غير أن كل أداة منها مرتبطة بنوع واحد من البيانات الحيوية ومجموعة سمات ثابتة. ولإضافة نمط قياس جديد لا بد من بناء نموذج مستقل والتحقق من صحته، بينما يبقى تفسير النتائج مسؤولية الباحث. وتسير الأعمال المجاورة في الأرشيف على نهج المتنبئات المتخصصة: بعضها يحلل مشهد المثيلة، وبعضها يربط الشيخوخة بفقدان المعنى في النصوص البيولوجية، وبعضها يبني خرائط لعمر الدماغ. أما Longevity-LLM فيقف بمعزل عن ذلك، لأنه بدل أن يقدّم أداة ضيقة أخرى يقترح نموذجًا لغويًا موحّدًا يستوعب المعرفة من ساعات عديدة ويخاطب الباحث بلغة طبيعية.
جمع المؤلفون مدونة تضم 766 640 مثالًا تدريبيًا (1,09 مليار رمز token)، تغطي 38 مهمة في أربعة أنماط قياس: مثيلة الحمض النووي، والمؤشرات الحيوية السريرية، والنسخوميات، والبروتيوميات. وحوّلوا البيانات إلى مطالبات نصية منظمة تتضمن استدلالات، ثم أجروا تدريبًا على مرحلتين للنموذج الأساسي Qwen3-14B. المرحلة الأولى: ضبط دقيق خاضع للإشراف على 4,5 مليار رمز؛ والثانية: تعلّم معزّز على سبع مهام انحدار، حيث كانت المكافأة مرتبطة بدقة التنبؤ العددي. جرى التدريب على 24 وحدة معالجة رسومية NVIDIA B200، ثم على 16 وحدة A100.
بعد التدريب حلّ Longevity-LLM في المرتبة الأولى في أربع من مهام Longevity Bench السبع، متجاوزًا 15 نموذجًا لغويًا كبيرًا تجاريًا. وفي التنبؤ بالوفاة خلال 10 سنوات وفق بيانات NHANES بلغت دقة النموذج 0,89، وفي التنبؤ بالبقيا في السرطان وفق بيانات TCGA بلغت 0,77. أما في التنبؤ بالعمر من مثيلة الحمض النووي فبلغ متوسط الخطأ المطلق 4,34 سنة، وهو أفضل إحصائيًا من ساعات هورفات (4,61 سنة). كما تنبأ النموذج بالعمر من بيانات البروتيوميات بخطأ 7,9 سنة، وولّد أنماطًا بروتيومية معقولة بمؤشر جاكار Jaccard قدره 0,072، متجاوزًا جميع النظائر التجارية.
تُظهر الدراسة أن بنية المحوّل transformer النصية القياسية قادرة، دون تعديلات، على استيعاب إشارة الشيخوخة من بيانات الأوميكس الخام. وخلافًا للأعمال المجاورة التي تبني نماذج منفصلة لكل نوع من البيانات، يجمع هنا نموذج واحد عدة أنماط قياس ويستطيع الإجابة عن أسئلة بلغة طبيعية. وهذا يزيل الحاجز بين النماذج الأساسية المتخصصة في الأوميكس والنماذج اللغوية الكبيرة الحوارية، ويفتح الطريق أمام تمثيل متسق داخليًا للشيخوخة الجزيئية.
ستستهدف النسخة التالية Longevity-LLM v0.2 أن يتنبأ النموذج بالعمر فحسب، بل أن يشرح أيضًا المنطق البيولوجي وراء تنبؤاته: بأن يربط السمات الجزيئية بالمسارات والأنماط الظاهرية. ويُخطَّط لتقوية التعلّم المعزّز لتجاوز عنق الزجاجة المتمثل في التنسيق اليدوي للبيانات ذات الاستدلالات. وعلى المدى البعيد قد يصبح مثل هذا النموذج رفيقًا لباحث الشيخوخة، لا مجرد نقطة تنبؤ نهائية.
المنهج المطوَّر لتقطير المعرفة من نماذج متخصصة إلى نموذج لغوي واحد قابل للتطبيق في أي مجال من مجالات الطب الحيوي. وفي الصيدلة يمثل خطوة نحو خط إنتاج متجانس «من المطالبة إلى الدواء»، يجمع تحديد الأهداف وتصميم الجزيئات وتخطيط التجارب السريرية.
تشمل الخطط القريبة توسيع مدونة التدريب، وإضافة مهام اختبارية جديدة، وتوسيع نطاق مرحلة التعلّم المعزّز. كما ستُختبر فرضية التعميم العابر لأنماط القياس: هل تحسّن المعرفة المستمدة من نمط قياس واحد التنبؤات في نمط آخر فعلًا.
يبقى في علم الشيخوخة سؤال لم يُحلّ بعد: لماذا يتجاوز العمر البيولوجي للمريض عمره الزمني، وما الآليات الجزيئية الكامنة وراء ذلك تحديدًا. وLongevity-LLM في نسخته الحالية يتنبأ بالعمر فقط ولا يفسّره، لذا تظل المشكلة الجوهرية المتمثلة في قابلية تفسير ساعات الشيخوخة قائمة. وينبغي للنسخ التالية من النموذج أن تتعلم ربط الانحرافات عن المسار المتوقع للشيخوخة بمسارات بيولوجية محددة.
النموذج الأساسي Qwen3-14B قبل التدريب لم يكن قادرًا على إنتاج تنبؤ صالح واحد في أي مهمة، لأنه لم يكن يجيد تنسيق الإجابات. وبعد الضبط الدقيق تفوّق على أنظمة تجارية تمتلك مئات المليارات من المعاملات.
فكرة ذكاء اصطناعي واحد يقرأ البيانات البيولوجية ويفسّر الشيخوخة تتقاطع مع الذكاء الاصطناعي الطبي في مسلسل «الكربون المعدَّل» Altered Carbon، حيث يُنقل الوعي بين الأجساد ويُتحكَّم في العمر البيولوجي بالتقنيات.
لم يُنشر على arXiv. هنا صفحته وملف PDF والصياغة الشكلية: يمكنك التحقق بنفسك، لا مجرد قراءة تحليلنا.