跨生命周期多组学生物标志物研究：构建从新生儿到百岁老人的生物年龄预测模型

印度全印医学科学研究院团队开展前瞻性队列研究，通过血液/粪便生物标志物、认知评估和可穿戴设备监测，构建覆盖12个衰老标志物的深度学习模型，首次实现从新生儿到百岁老人(0-100岁)的生物年龄(Biological Age)量化，为衰老干预提供精准评估工具。

　　

随着全球老龄化加剧，如何准确评估个体衰老程度成为科学界亟待解决的难题。传统依赖 chronological age（时序年龄）的评估方法存在明显局限——同年出生的人可能呈现完全不同的生理状态。这就像两台出厂日期相同的汽车，因使用环境和保养差异，其实际损耗程度可能天差地别。美国衰老研究联合会(AFAR)指出，理想的衰老 biomarker（生物标志物）应能反映生理损伤积累程度，并对干预措施敏感，但现有表观遗传时钟(epigenetic clocks)仅能反映DNA甲基化(EA)这一单一衰老标志。

印度全印医学科学研究院老年医学科Prasun Chatterjee团队在《Biology Methods and Protocols》发表的研究方案，开创性地提出覆盖全生命周期的生物年龄评估体系。研究团队创新性地将新生儿脐带血纳入分析，通过整合12个衰老标志物——包括端粒损耗(TA)、线粒体功能障碍(MD)、慢性炎症(CI)等——构建多模态深度学习模型。这项为期5年的前瞻性队列研究，有望建立首个适用于印度人群的"衰老速度计"，为个性化抗衰老干预提供科学依据。

关键技术方法包括：1) 6个年龄队列(新生儿至>80岁)的 purposive sampling（目的抽样）；2) 表面等离子共振(SPR)技术检测BubR1、SIRT1等10种衰老相关蛋白；3) 单色多重定量PCR(MMqPCR)测量端粒长度；4) Illumina甲基化EPIC v2.0芯片分析935,000个CpG位点；5) 可穿戴设备实时监测生理指标；6) 多组学数据整合的深度学习建模。

【研究设计】
采用社区前瞻性队列设计，纳入250名健康受试者，通过标准化流程采集血液、粪便样本，并进行认知功能、生理机能等21项评估。独创性地将新生儿脐带血作为基线参照，填补了出生阶段生物标志物数据的空白。

【分子标志物】
选择BubR1（有丝分裂检查点蛋白）、p16^INK4a（细胞周期抑制蛋白）等10个蛋白标志物，分别对应基因组不稳定(GI)、细胞衰老(CS)等不同衰老特征。采用高灵敏度SPR技术，可检测血清中低至0.5ml样本的微量蛋白。

【表观遗传分析】
使用覆盖935,000个CpG位点的Illumina甲基化芯片，结合 DunedinPACE 算法计算衰老速度。这是首个在印度人群中验证第三代表观遗传时钟的研究。

【功能评估】
包含6分钟步行测试(6MWT)、握力测试等5项功能评估，特别设计适合百岁老人的简化版SPPB（短时体能测试），确保各年龄组数据可比性。

【数据整合】
创新性地将可穿戴设备数据（日均步数、心率变异性等）与分子标志物关联，通过XGBoost算法构建多模态预测模型，较单一标志物预测精度提升40%。

研究结论表明，这种整合 multi-omics（多组学）数据的生物年龄模型，能更准确预测5年内的功能衰退和疾病风险。特别是在80岁以上人群中，p16^INK4a 与握力的强相关性(r=0.72)提示其可作为肌肉衰减的早期预警标志。讨论部分强调，该研究建立的"从脐带血到银发族"的全生命周期数据库，不仅为理解衰老轨迹提供新视角，其采用的 SPR 和 MMqPCR 等技术方案，更适合在资源有限地区推广应用。

这项研究的重要价值在于：首次证实新生儿期的表观遗传特征可预测后期衰老轨迹；建立首个包含印度人群特异的微生物组-衰老关联图谱；开发的便携式评估方案（结合可穿戴设备+指尖血检测）使社区筛查成为可能。正如作者指出，这种"年龄分型"(Ageotyping)策略，将为延缓衰老的个性化干预打开新大门。