Un traductor que se distrae con cada ruido de la sala convierte una reunión de una hora en dos. Así funcionaban antes los relojes del envejecimiento: cada herramienta entendía un solo «dialecto» de los datos biológicos. Una leía las marcas químicas del ADN (la metilación), otra las proteínas de la sangre, una tercera las notas del médico. Para añadir una nueva fuente de información había que construir y validar un modelo aparte, y las explicaciones de sus predicciones quedaban a merced del investigador.
Longevity-LLM v0.1 es un traductor que aprendió todos los dialectos a la vez. Los científicos de Insilico Medicine tomaron el modelo de lenguaje base Qwen3-14B y lo reentrenaron con 766 640 ejemplos en los que los datos biológicos estaban escritos como texto con razonamientos. La primera etapa fue leer 4,5 mil millones de tokens; la segunda, un aprendizaje por refuerzo: el modelo recibía una recompensa por la exactitud de sus predicciones numéricas. El entrenamiento se hizo con 24 GPU NVIDIA B200 y después con 16 A100.
El resultado fue más potente que las herramientas especializadas. Al predecir la mortalidad a 10 años con los datos de NHANES, el modelo alcanzó una exactitud de 0,89, y al pronosticar la supervivencia en cáncer con los datos de TCGA, de 0,77. El error medio al predecir la edad a partir de la metilación del ADN fue de 4,34 años, lo que es estadísticamente significativo mejor que los relojes de Horvath (4,61 años). El modelo también predecía la edad a partir de datos proteómicos con un error de 7,9 años.
Un traductor así no hace falta solo por la exactitud. Derriba la barrera entre los modelos ómicos especializados y las redes neuronales conversacionales. En la industria farmacéutica, es un paso hacia una cadena monolítica «de la pista al fármaco», que unirá la búsqueda de dianas, el diseño de moléculas y la planificación de ensayos clínicos.
El traductor que aprendió todos los dialectos del envejecimiento ahora habla el mismo idioma que el investigador. La próxima versión, Longevity-LLM v0.2, no solo predecirá la edad, sino que además explicará la lógica biológica de sus predicciones: relacionará los rasgos moleculares con rutas y fenotipos. Entonces la reunión, por fin, irá más rápido.
El modelo base Qwen3-14B, antes del entrenamiento, no podía dar ni una sola predicción válida en ninguna tarea, porque no sabía formatear las respuestas. Después del ajuste supervisado, superó a sistemas comerciales con cientos de miles de millones de parámetros.
La idea de una IA única que lee datos biológicos y explica el envejecimiento resuena con la IA médica de la serie «Altered Carbon», donde la conciencia se transfiere entre cuerpos y la edad biológica se controla con tecnología.
No publicado en arXiv. Aquí están su página, el PDF y la formalización: puede comprobarlo usted mismo, no solo leer nuestro análisis.