L’Ai usata per studiare la longevità: arrivano LongevityBench e Longevity Claw
Mentre aumenta il timore che l’Ai distrugga l’umanità, la scienza utilizza questa tecnologia per un altro tema caldo dei nostri tempi: la longevità.
Un gruppo internazionale di ricercatori ha presentato LongevityBench, un pacchetto di strumenti progettati per capire se i modelli di Ai siano capaci di interpretare realmente la biologia dell’invecchiamento. Gli autori hanno sviluppato anche Longevity Claw, un agente Ai specializzato nell’analisi di parametri e informazioni riguardanti la longevità.
Il lavoro, pubblicato il 17 settembre e scelto per la copertina della rivista Cell, è firmato da ricercatori di Insilico Medicine insieme a collaboratori di Liquid Ai, Buck Institute for Research on Aging, Harvard Medical School e Brigham and Women’s Hospital. L’obiettivo dello studio è capire se l’Ai può fare previsioni biologiche verificabili come riconoscere l’età da determinati profili, interpretare l’effetto di geni collegati all’invecchiamento o individuare persone che potrebbero rientrare nel trial di alcuni farmaci.
“Negli ultimi due decenni – spiegano i ricercatori – l’invecchiamento umano è stato caratterizzato attraverso la metilazione del Dna, la trascrittomica, la proteomica e le modalità cliniche, eppure non esiste un benchmark che valuti se i sistemi di Ai siano in grado di interpretare questi tipi di dati eterogenei nel contesto della biologia dell’invecchiamento”. Almeno fino ad oggi.
Come funziona LongevityBench
Un primo risultato è quello di ridimensionare l’idea che esista un’unica intelligenza artificiale generalista capace di analizzare in autonomia e 360° la biologia umana. I ricercatori, infatti, hanno valutato diciotto sistemi di intelligenza artificiale generalisti appartenenti a sei diversi sviluppatori, ma nessuno è risultato superiore agli altri: le prestazioni cambiavano molto a seconda del tipo di dato e del problema affrontato.
Gli autori hanno quindi sviluppato cinque modelli specializzati nell’invecchiamento, con un numero di parametri tra 600 milioni e 9 miliardi. Dopo l’addestramento specifico, questi modelli hanno raggiunto o superato sistemi generalisti molto più grandi in numerosi compiti del benchmark. Ciò conferma che in un campo altamente specialistico, un modello relativamente piccolo ma addestrato sui dati giusti può essere più utile di un Llm grande ma generalista.
Un appunto importante: LongevityBench misura quanto bene un LLm risolve problemi già dotati di una risposta verificabile, ma non dimostra che saprà formulare nuove e corrette ipotesi biologiche in situazioni nuove.
Un agente pro longevità?
Longevity Claw è il tassello che spinge lo studio oltre la semplice raccolta di dati biologici. Non è un motore di ricerca né un assistente che restituisce risposte pronte: è un agente di intelligenza artificiale progettato per muoversi tra fonti diverse, decidendo autonomamente quali database interrogare, quali strumenti bioinformatici richiamare e quali porzioni della letteratura scientifica esaminare, per poi ricomporre tutto in una gerarchia di possibili target legati all’invecchiamento.
Applicato ai processi molecolari dell’invecchiamento, il sistema ha prodotto un elenco di candidati e li ha ordinati secondo il peso delle evidenze disponibili, un compito che nella ricerca tradizionale richiederebbe mesi di lavoro manuale tra articoli, database genomici e repository proteici.
Comparire in cima a quella lista, tuttavia, non equivale a nulla di clinicamente rilevante: non è una molecola testata, non è una terapia, non è nemmeno la prova che modificare quel gene abbia un effetto misurabile sulla durata della vita umana. È soltanto un’ipotesi che entra ora nella fase più lenta e costosa della ricerca, quella dei test di laboratorio, delle verifiche sperimentali, degli eventuali fallimenti. Un percorso che, storicamente, per la stragrande maggioranza dei target individuati non arriva mai a una terapia approvata.
Il valore dello strumento non è dunque accelerare la scoperta di un farmaco, ma comprimere il tempo necessario a decidere dove guardare. La biologia dell’invecchiamento produce una mole di dati che nessun gruppo di ricerca può attraversare per intero senza criteri automatizzati di selezione. In questo scenario, un sistema che incrocia rapidamente livelli diversi di informazione non promette una cura, ma potrebbe evitare che risorse limitate vengano investite su piste già deboli.
