《International Journal of Molecular Sciences》：Converging Paths: Artificial Intelligence for Integrating Biological and Digital Biomarkers in Personalized Longevity Medicine
编辑推荐：
衰老是一个多维度的生物学过程，其特征是分子、生理、功能及环境变化之间相互交织，仅凭时序年龄（chronological age）无法充分表征。表观遗传时钟（epigenetic clocks）、蛋白质组学与代谢组学特征（proteomic and metabo
衰老是一个多维度的生物学过程，其特征是分子、生理、功能及环境变化之间相互交织，仅凭时序年龄（chronological age）无法充分表征。表观遗传时钟（epigenetic clocks）、蛋白质组学与代谢组学特征（proteomic and metabolomic signatures）、影像衍生生物标志物（imaging-derived biomarkers）、可穿戴传感器（wearable sensors）及数字表型（digital phenotypes）的快速发展，构建了一个日益丰富但高度碎片化的衰老生物标志物图景。人工智能（artificial intelligence，AI）提供了一种潜在的整合框架，可将这些异质性数据流加以融合，并转化为生物学年龄（biological age）、健康风险、功能储备乃至潜在治疗反应的多维度估计。近期研究表明，分子与临床信息可被整合为复合衰老指标（composite aging measures），同时独立研究显示，可穿戴运动数据、视网膜影像（retinal imaging）及语音特征（speech characteristics）能够提供衰老相关表型的非侵入性数字表征。新兴的多模态衰老时钟（multimodal aging clocks）概念通过将生理、临床、影像及分子测量整合为生物学衰老的统一表征，进一步拓展了上述方法。
论文解读
一、研究背景与问题提出
时序年龄虽是发病率和死亡率最强的预测因子之一，但相同时序年龄的个体在生物学衰老速率、功能储备、疾病负担及预期寿命方面可能存在显著差异。这种差异推动了旨在量化生物学衰老的生物标志物研究。Horvath等人开发了基于353个CpG位点的多组织DNA甲基化时钟，Hannum等人建立了基于血液的甲基化年龄预测器，奠定了表观遗传时钟的基石。随后PhenoAge和GrimAge等时钟进一步拓展了这一领域。然而，分子时钟仅捕获了多维衰老过程的一个层面。可穿戴设备、智能手机、视网膜影像和语音等来源的数字生物标志物，以及影像衍生表型，提供了互补的、可重复的且与功能相关的信息，这些信息无法从单一分子检测中推断。研究人员认为，AI能够将这些异质的生物学、数字、影像和临床层面整合为多维衰老图谱，提供超越任何单一衰老时钟的信息。
当前衰老时钟存在若干局限：多数时钟具有组织和平台依赖性，主要在特定祖先人群和医疗体系中开发验证，可能无法跨人群泛化；外部验证往往有限，许多时钟未经前瞻性测试。更重要的是，分子年龄与功能年龄并不等同——表观遗传时钟估计的是分子衰老，而步速、认知表现或衰弱反映的是可能受疾病、损伤或环境影响的功能后果。此外，估计生物学年龄并不等同于预测临床相关结局。多模态方法不应将所有测量压缩为单一评分，而应保留领域特定信息并显式建模分子、功能与临床系统之间的不一致性。
二、研究内容与核心结论
该论文系统论述了从孤立衰老时钟向多模态生物学年龄的范式转变。OMICmAge研究整合了蛋白质组学、代谢组学、临床信息与DNA甲基化测量，基于约31,000名参与者开发并在独立队列中验证，展示了结合分子与临床维度的潜在优势，但也表明增量预测价值必须被证明而非假定。Li等人在超过2000人的多中心中国队列中开发了层级框架，整合临床生理测量和分子信息以表征个体衰老轨迹。这些研究支持从“这个人生物学上有多老”转向更具临床意义的问题——“哪些生物学系统衰老得更快，这种模式与未来功能和疾病风险有何关系”。
数字生物标志物提供了根本不同类型的信息，可在常规临床环境之外重复甚至连续采集。McIntyre等人证明机器学习模型可从可穿戴运动数据预测生物学年龄，并用于识别与健康衰老相关的营养和药理学干预关联。视网膜照片的深度学习分析可估计生物学年龄并分层发病率和死亡风险。自发语音的自动化分析可估计认知领域表现并识别低于规范认知阈值的老年人。然而，数字生物标志物极易受到混杂因素影响——急性疾病、损伤、手术、抑郁、药物变化、季节变化、空气质量、社区步行适宜性、职业需求和社会经济地位都可能改变步态、活动、睡眠、心率变异性、语音或视网膜特征。模型可能学习到生活方式噪声或医疗可及性差异而非内在衰老。
AI在此领域的核心优势在于建模高维变量间非线性关系的能力。深度学习架构可识别分子和临床数据集中的潜在表征，多模态架构可学习结构化实验室数据与非结构化影像、语音或传感器信息之间的关系。但研究人员强调，多模态基础模型仍 largely 处于实验阶段，需要大型、多样且精心管理的数据集，易受数据泄漏、过拟合、批次效应和模型漂移影响，尚未在临床环境中前瞻性验证。AI系统应被评估为生成领域特异性风险图谱和机制假说的工具，而非黑箱长寿估计器。
三、关键技术方法
研究人员主要采用以下关键技术方法：多模态数据整合框架，包括OMICmAge整合蛋白质组学、代谢组学、临床信息与DNA甲基化测量（约31,000名参与者，独立队列验证）；Li等人开发的层级整合框架（2000余人多中心中国队列）；基于机器学习的可穿戴运动数据生物学年龄预测模型；视网膜影像深度学习年龄估计；自发语音自动化认知分析；多模态基础模型与生成式AI方法探索。在数据标准化方面，建议采用OMOP CDM或FHIR、LOINC、SNOMED CT、HPO或EFO等通用语义标准，使用ComBat等批次效应校正方法，并采用联邦学习（federated learning）架构实现分布式模型训练。
四、研究结果分述
从孤立衰老时钟到多模态生物学年龄：OMICmAge和Li等人的研究表明多模态整合在技术上是可行的，但增量预测价值必须通过预先指定的校准、判别力、净重分类改善指数、综合判别改善指数和决策曲线分析来证明。多模态模型应根据可复现的增量临床价值而非数据层数量来评判。
数字生物标志物作为衰老评估的动态层：可穿戴加速度测量、视网膜影像和语音分析可提供重复甚至连续的衰老相关表型信息。但数字生物标志物目前应被解释为衰老的功能和行为相关指标，而非生物学衰老的直接测量，需纵向和外部验证。
AI作为整合层：AI可建模非线性关系并学习跨模态潜在表征，但多模态基础模型仍属实验性工具。AI模型必须尊重衰老生物学的层级性、异步性和器官特异性，保留分子、代谢、心血管、神经、肌肉骨骼和功能领域之间的不一致性。
迈向动态个体化长寿医学：临床有用系统应识别可修正风险、预测临床有意义结局、监测纵向变化并确定干预是否产生有利生物学反应。研究人员以62岁肥胖高血压伴轻度认知主诉男性为例，展示了多模态图谱如何区分心血管和代谢加速衰老与相对保守的表观遗传年龄。
临床问责与干预-反应差距：目前尚无验证过的干预方案可响应器官特异性衰老时钟之间的不一致。长寿医学缺乏随机对照试验证据表明改变AI衍生的复合年龄评分可延长健康寿命。复合评分应伴随决策规则、不确定性区间和特定干预改变特定衰老领域的证据。
主要障碍：验证而非算法性能：验证应明确分期——内部验证、外部验证、前瞻性验证。模型在一种祖先、医疗体系、社会经济环境或年龄分布中训练后可能在另一人群中表现显著不同。时间漂移和混杂进一步复杂化验证，需时间外部验证、漂移检测、持续重校准和时变协变量模型。
联邦学习与分布式长寿研究：联邦学习允许机构在不转移原始患者级数据的情况下训练共享模型，但不应被视为自动保证隐私。需安全聚合、差分隐私、同态加密和安全多方计算作为必要补充。
整合长寿生物标志物的拟议框架：提出四层架构——分子生物标志物层、数字生物标志物层、临床与功能信息层、AI整合系统层。四层并非互斥，应理解为功能类别。最重要的创新是纵向整合：回顾性协调现有队列、前瞻性多模态队列、联邦学习训练验证、务实临床试验测试临床决策改变。
五、讨论总结与结论翻译
讨论部分强调，多模态衰老时钟目前估计风险，并不证明修改估计风险能改变健康寿命。领域应优先干预-反应验证、标准化终点，以及复合衰老图谱改变临床决策或结局的证据。研究结论指出：长寿研究正从孤立衰老生物标志物走向整合的多维衰老模型。AI可通过联合解释异质性分子、临床、影像、可穿戴和数字生物标志物来促进这一转变。然而，当前系统仍是研究工具而非既定临床仪器。主要未解决挑战包括外部验证、人群多样性、数据协调、缺失数据、可解释性、隐私保护和临床有意义终点的定义。必须区分生物学年龄估计与健康寿命或临床结局的改善证明。长寿医学的未来可能依赖于将互补生物标志物整合为个体化衰老模型的透明AI框架，但临床可操作性仍是关键研究目标而非既定成就。
