Un traducteur qui sursaute au moindre bruit dans la salle transforme une réunion d'une heure en deux heures. C'est ainsi que fonctionnaient les horloges du vieillissement : chaque outil ne comprenait qu'un seul « dialecte » de données biomédicales. L'un lisait les marques chimiques sur l'ADN (la méthylation), l'autre les protéines du sang, le troisième les notes du médecin. Pour ajouter une nouvelle source d'information, il fallait construire et valider un modèle distinct, et l'explication de ses prédictions restait à la charge du chercheur.
Longevity-LLM v0.1, c'est un traducteur qui a appris tous les dialectes d'un coup. Les scientifiques d'Insilico Medicine ont pris le modèle de langage de base Qwen3-14B et l'ont affiné sur 766 640 exemples, où les données biomédicales étaient transcrites en texte avec un raisonnement. Première étape : la lecture de 4,5 milliards de tokens ; la seconde : l'apprentissage par renforcement, le modèle recevant une récompense pour l'exactitude de ses prédictions numériques. L'entraînement s'est déroulé sur 24 GPU NVIDIA B200, puis sur 16 A100.
Le résultat s'est révélé plus solide que celui des outils spécialisés. Pour la prédiction de la mortalité à 10 ans sur les données NHANES, le modèle a atteint une précision de 0,89, et pour le pronostic de survie en cas de cancer sur les données TCGA, une précision de 0,77. L'erreur moyenne de prédiction de l'âge par méthylation de l'ADN s'est établie à 4,34 ans, ce qui est statistiquement significatif et meilleur que les horloges de Horvath (4,61 ans). Le modèle prédisait aussi l'âge à partir des données protéomiques avec une erreur de 7,9 ans.
Un tel traducteur n'est pas utile que pour la précision. Il fait tomber la barrière entre les modèles omiques spécialisés et les réseaux de neurones conversationnels. En pharmacie, c'est un pas vers une chaîne monolithique « de l'indice au médicament », qui réunira la recherche de cibles, la conception de molécules et la planification des essais cliniques.
Le traducteur qui a appris tous les dialectes du vieillissement parle désormais la même langue que le chercheur. La prochaine version, Longevity-LLM v0.2, ne se contentera pas de prédire l'âge : elle expliquera aussi la logique biologique de ses prédictions, en reliant les marqueurs moléculaires aux voies et aux phénotypes. Alors la réunion, enfin, ira plus vite.
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.