Les horloges du vieillissement sont devenues un outil indispensable en gérontologie, mais chacune reste liée à un seul type de données biologiques et à un ensemble fixe de caractéristiques. Pour ajouter une nouvelle modalité, il faut construire et valider un modèle distinct, et l'interprétation des résultats reste à la charge du chercheur. Les travaux voisins dans l'archive suivent la piste des prédicteurs spécialisés : certains analysent le paysage de la méthylation, d'autres relient le vieillissement à la perte de sens dans les textes biologiques, d'autres encore dressent des cartes de l'âge cérébral. Longevity-LLM fait bande à part, car au lieu d'un outil étroit de plus, il propose un modèle de langage unifié qui absorbe les connaissances de nombreuses horloges et dialogue avec le chercheur en langage naturel.
Les auteurs ont assemblé un corpus de 766 640 exemples d'entraînement (1,09 milliard de tokens), couvrant 38 tâches dans quatre modalités : méthylation de l'ADN, biomarqueurs cliniques, transcriptomique et protéomique. Les données ont été converties en invites textuelles structurées avec raisonnement, puis un entraînement en deux étapes a été mené sur le modèle de base Qwen3-14B. La première étape : un affinage supervisé sur 4,5 milliards de tokens ; la seconde : un apprentissage par renforcement sur sept tâches de régression, où la récompense dépendait de la précision de la prédiction numérique. L'entraînement a été réalisé sur 24 GPU NVIDIA B200, puis sur 16 A100.
Après entraînement, Longevity-LLM a pris la première place dans quatre des sept tâches de Longevity Bench, devançant 15 LLM commerciaux. Pour la prédiction de la mortalité à 10 ans sur NHANES, le modèle a atteint une précision de 0,89, et pour le pronostic de survie au cancer sur les données TCGA, 0,77. Pour la prédiction de l'âge par méthylation de l'ADN, l'erreur absolue moyenne s'est établie à 4,34 ans, ce qui est statistiquement significatif par rapport aux horloges de Horvath (4,61 ans). Le modèle prédisait aussi l'âge à partir de données protéomiques avec une erreur de 7,9 ans et générait des profils protéomiques plausibles avec un indice de Jaccard de 0,072, surpassant tous les équivalents commerciaux.
Ce travail montre qu'une architecture de transformeur textuel standard, sans modifications, est capable d'assimiler le signal du vieillissement à partir de données omiques brutes. Contrairement aux travaux voisins, qui construisent des modèles séparés pour chaque type de données, ici un modèle unique réunit plusieurs modalités et peut répondre à des questions en langage naturel. Cela lève la barrière entre les modèles fondamentaux omiques spécialisés et les LLM conversationnels, ouvrant la voie à une représentation cohérente du vieillissement moléculaire.
La prochaine itération, Longevity-LLM v0.2, visera à ce que le modèle ne se contente pas de prédire l'âge, mais explique aussi la logique biologique de ses prédictions : relier les caractéristiques moléculaires aux voies et aux phénotypes. Il est prévu de renforcer l'apprentissage par renforcement pour contourner le goulot d'étranglement de la curation manuelle des données avec raisonnement. À terme, un tel modèle pourrait devenir un compagnon du chercheur sur le vieillissement, et non un simple point final de prédiction.
L'approche développée pour distiller les connaissances de modèles spécialisés dans un modèle de langage unifié est applicable à tout domaine de la biomédecine. En pharmacie, c'est un pas vers un pipeline monolithique « de l'invite au médicament », qui réunira l'identification des cibles, la conception de molécules et la planification des essais cliniques.
Les projets à court terme incluent l'élargissement du corpus d'entraînement, l'ajout de nouvelles tâches de test et la mise à l'échelle de l'étape d'apprentissage par renforcement. L'hypothèse d'une généralisation intermodale sera également testée : les connaissances d'une modalité améliorent-elles réellement les prédictions dans une autre ?
En gérontologie, la question reste ouverte : pourquoi l'âge biologique d'un patient dépasse-t-il son âge chronologique, et quels mécanismes moléculaires précis sont en jeu ? Dans sa version actuelle, Longevity-LLM ne fait que prédire l'âge, sans l'expliquer ; le problème clé de l'interprétabilité des horloges du vieillissement persiste donc. Les prochaines itérations du modèle devront apprendre à relier les écarts par rapport à la trajectoire de vieillissement attendue à des voies biologiques précises.
Avant entraînement, le modèle de base Qwen3-14B ne pouvait produire aucune prédiction valide dans aucune tâche, car il ne savait pas formater ses réponses. Après affinage, il a surpassé des systèmes commerciaux comptant des centaines de milliards de paramètres.
L'idée d'une IA unique qui lit les données biologiques et explique le vieillissement fait écho à l'IA médicale de la série « Altered Carbon », où la conscience est transférée entre les corps et où l'âge biologique est contrôlé par la technologie.
Non publié sur arXiv. Voici sa page, le PDF et la formalisation : vous pouvez vérifier vous-même, pas seulement lire notre analyse.