老龄化生物学中人工智能的开放基准和语言模型

科学问题

衰老研究长期依赖表观遗传时钟等专用统计工具，这类方法局限于单一数据模态，无法整合异构组学信息。近年来通用大语言模型展现了强大的推理能力，但传统评测多集中在生物医学文本问答，极易因训练集记忆而虚标性能。学术界始终缺乏一套基于真实底层实验测量值、能系统检验AI是否真正理解多组学衰老生物学机制的标准基准。

背景与领域脉络

过去二十年间，DNA甲基化、转录组、蛋白质组与临床表型等海量数据揭示了衰老的系统性变化。然而现有衰老时钟仅能输出单一预测年龄，既缺乏可解释性，也无法直接泛化到新数据类型。虽然单细胞基础模型学习了组学表征，却欠缺自然语言交互能力与通用推理灵活性。通用大语言模型虽擅长文献归纳，但在处理高通量底层组学测量时常出现事实幻觉，其跨模态生物学推理能力一直未被系统量化。

方法与技术路线

作者整合了美国国家健康与营养检查调查（NHANES）、基因表达综合数据库（GEO）、基因型-组织表达图谱（GTEx）、公共Olink血浆蛋白质组及OpenGenes/SynergyAge遗传学数据库，构建出包含17项任务、共计25457条提示词的开源评测基准LongevityBench。提示词长度从120至26000个词元不等，涵盖二分类、成对比较、多分类与连续回归4类题型。团队以此评测了来自6家开发机构的18款前沿大模型，并利用特定衰老多模态数据，监督微调了5款0.6B至9B参数的紧凑型衰老多任务语言模型（L-LLMs），涵盖Qwen3/3.5与LFM2架构。

主要结果

创新点

本研究确立了首个直接利用底层异构组学实验数据评测AI推理能力的衰老基准，摆脱了以往仅测试生物医学文本问答的局限。不同于依赖专用结构或从头训练的组学模型，作者证实直接将结构化组学数据语言化，并对开源轻量大语言模型进行多任务监督微调，即可在零修改模型架构的前提下匹敌甚至超越庞大的闭源前沿系统。配套推出的Longevity Claw平台，进一步将该推理能力与经典生物学工具无缝连接。

意义与影响

该工作重塑了生物医学大模型的技术路线预期，打破了前沿大模型尺度定律在专业组学分析中的神话。研究证实通用语言模型具备直接读取复杂矩阵数据的表征潜力，无需耗费巨资训练超大规模模型，即可通过高质量领域数据蒸馏出实用工具。此外，该开源基准为衰老时钟开发、抗衰靶点筛选与个性化干预模拟提供了标准化的定量评估基石。

局限与待验证

基准评测主要基于现存人类公共队列，对罕见组织类型、单细胞空间分辨率及非人灵长类数据的覆盖度依然有限。此外，成对比较和分类任务经过了特征筛选预处理，尚不能完全代表实验生物学家直接获取的未经清洗的原始测序读长。轻量语言模型在长上下文下的复杂链式生物学因果推理鲁棒性，仍有待在湿实验中进行更大规模的前瞻性验证。

对我们的相关性

对组学和计算生物学研究者而言，该成果验证了将基因芯片、质谱和表达谱矩阵直接转化为文本提示词的可行性。研究者无须从头搭建深度时钟模型，可以直接借鉴论文的提示词模板，将公开大模型转化为本地化运行的多组学特征解算器。利用开源的Longevity Claw智能体架构，研究者还能将差异分析、富集分析和靶点预测串联进自动化工作流，显著缩短靶标发现周期。

术语速查