《Nature Medicine》：Histological aging signatures for monitoring tissue-specific aging and disease
编辑推荐：
衰老是慢性疾病的主要风险因素，其特征是人体组织发生深刻的结构和架构重塑。研究人员利用来自基因型-组织表达（GTEx）队列中983名个体、40种组织类型的25,712张全切片组织病理学图像，对这些变化进行了全面评估。通过利用深度学习（deep learning）
衰老是慢性疾病的主要风险因素，其特征是人体组织发生深刻的结构和架构重塑。研究人员利用来自基因型-组织表达（GTEx）队列中983名个体、40种组织类型的25,712张全切片组织病理学图像，对这些变化进行了全面评估。通过利用深度学习（deep learning），研究人员量化了细微的形态学改变，以开发“组织时钟”（tissue clocks），即反映组织结构完整性和生理适应性的生物年龄（biological age）预测指标。这些时钟与已建立的衰老标志物（如端粒损耗（telomere attrition）、亚临床病理和合并症（comorbidities））相关。通过对各器官生物衰老速率进行系统评估，研究人员确定了组织特异性年龄加速（age acceleration）与人口学、生活方式和医疗因素之间的关联，突出了影响组织衰老的潜在可改变风险因素。此外，通过整合配对的组织学（histology）和转录组学（transcriptomic）数据，研究人员开发了一种策略，可直接从血液样本预测组织特异性年龄差距（age gaps）。研究人员通过识别八种常见疾病（包括阿尔茨海默病（Alzheimer’s disease）、中风（stroke）和克罗恩病（Crohn’s disease））中与疾病相关的器官衰老，在独立队列中验证了该方法。这项工作将组织架构（tissue architecture）定位为衰老过程中分子和细胞变化的关键整合器，证明了组织病理学成像（histopathological imaging）为监测组织特异性衰老提供了稳健框架，并为理解健康和疾病中的器官水平生理衰退提供了可扩展的基础。
**论文解读：基于组织学衰老特征监测组织特异性衰老与疾病**
**研究背景与问题**
衰老是慢性疾病的首要风险因素，但不同组织间的衰老进程存在显著异质性，这给理解衰老如何影响组织功能衰退和疾病发生带来了重大挑战。既往研究多聚焦于动物模型或易于获取的人体组织，且主要关注细胞与分子层面，忽略了组织微解剖结构在衰老过程中的整合作用。此外，区分正常衰老与病理性改变十分困难，阻碍了年龄相关疾病起始机制的阐明。因此，需要一种超越基因或细胞视角、从整体组织架构出发的系统性方法，以揭示衰老与组织形态之间的复杂关系，并将其与疾病病理联系起来。
**研究内容与结论**
本研究利用基因型-组织表达（GTEx）队列中983名个体的25,713张全切片组织病理学图像（WSI），涵盖29个器官的40种组织类型。通过深度学习（deep learning）提取形态学特征，研究人员开发了“组织时钟”（tissue clocks），即基于组织图像预测生物年龄（biological age）的模型。这些时钟的平均绝对误差（MAE）为4.88年，决定系数（R2）为0.69，且与端粒损耗（telomere attrition）、亚临床病理和合并症显著相关。在独立的外部队列（脑、肺、皮肤）中，组织时钟表现出良好的泛化能力（Pearson相关系数分别为0.56、0.76和0.46）。进一步，利用视觉语言模型（如PLIP、CONCH）结合150个组织学与病理学术语，研究人员系统表征了组织衰老的组织学特征，发现萎缩、微血管稀疏化和纤维化是多器官共有的衰老特征，而上皮增生减少则普遍存在。通过整合配对的组织学与转录组数据，研究人员发现与生物学年龄相关的转录变化比与时间年龄相关的变化更强（平均斜率比值为1.26），涉及p53信号、细胞衰老、炎症等通路。在个体层面，研究人员识别出不同衰老模式（如弹性衰老、系统衰老），并发现肾衰竭、慢性呼吸疾病、2型糖尿病等临床因素与特定组织年龄加速相关。最后，基于血液基因表达数据，研究人员建立了预测组织特异性年龄差距（age gaps）的模型，并在9个独立队列中验证：对于八种常见疾病（包括阿尔茨海默病、中风、克罗恩病等），预测的年龄差距与疾病相关器官的衰老显著对应，如中风患者脑部年龄差距显著升高，克罗恩病患者胃肠道年龄差距增大。该论文发表在《自然医学》（Nature Medicine）。
**主要关键技术方法**
1. **深度学习模型微调与特征提取**：基于AlexNet、VGG16、ResNet50、ConvNeXt等经典架构，以及18种病理学基础模型（foundation models），在GTEx队列图像上微调后提取形态学特征，并通过平均池化聚合形成全切片特征向量。
2. **组织时钟构建与验证**：使用Ridge回归（Ridge regression）等模型，以年龄为预测目标，性别、队列类型和缺血时间为协变量，通过分组交叉验证（GroupKFold）训练组织时钟，并在外部脑、肺、皮肤队列中验证。
3. **多模态整合分析**：利用视觉语言模型（PLIP、CONCH）计算组织学图像与150个术语的余弦相似度，量化年龄相关组织学变化；同时整合配对的全转录组测序（RNA-seq）数据（超过17,000个样本）和DNA甲基化数据（987个样本），通过Ridge回归关联基因表达与年龄差距。
4. **血液预测模型**：从GTEx血液基因表达数据中剔除年龄效应后，使用RidgeCV预测各组织特异性年龄差距，并在ARCHS4数据库（共1,205例血液样本，包括577例健康者和628例疾病患者）中验证。
**研究结果**
**1. Aging strongly affects healthy tissue architecture in humans（衰老强烈影响人类健康组织架构）**
通过UMAP降维可视化，研究人员发现年龄是驱动组织形态变异的最强因素（即使模型未针对年龄微调），证明衰老在全生命周期中深刻重塑组织结构。
**2. Tissue clocks predict biological, pathological and clinical factors associated with age（组织时钟预测与年龄相关的生物学、病理学和临床因素）**
基于组织形态学特征训练的组织时钟平均MAE为4.88年。年龄差距（predicted age - chronological age）与端粒长度负相关（尤其在食管、胃、肾等组织），与亚临床病理（如动脉钙化、肌肉萎缩）正相关，且独立于时间年龄。外部验证显示，脑、肺、皮肤队列的Pearson相关系数分别为0.56、0.76和0.46，且与DNA甲基化时钟的估计值一致（Pearson r = 0.3–0.47）。
**3. Histological and molecular interpretation of tissue aging（组织衰老的组织学与分子解释）**
通过PLIP模型查询150个术语，发现萎缩、微血管稀疏化和纤维化是多器官共同衰老特征，而上皮相关术语减少。转录组分析显示，与时间年龄相比，生物学年龄相关的基因表达变化更强，p53、细胞衰老、TNF信号等通路上调，而代谢、氧化磷酸化通路下调；基因表达变化具有组织特异性，如EYA4在脂肪组织中的上调。
**4. Demographic and clinical factors modulating tissue-specific aging（调节组织特异性衰老的人口学与临床因素）**
研究人员识别出五种个体衰老模式（弹性衰老、平均衰老、单组织加速、多组织加速、系统衰老）。肾衰竭与多种组织（如脂肪、垂体、脾、胫神经）的年龄加速相关，而慢性呼吸疾病主要影响肺，2型糖尿病与胰腺衰老相关，中风与脑部年龄差距增大相关。
**5. Blood-based prediction of tissue-specific age gaps（基于血液的组织特异性年龄差距预测）**
从GTEx血液基因表达数据训练的组织特异性年龄差距预测模型，在独立队列中可区分健康个体与疾病患者。中风患者的脑部年龄差距显著升高，克罗恩病患者的胃肠道年龄差距增大，而阿尔茨海默病仅脑部年龄差距升高。肾和肝在多系统疾病中显示普遍加速衰老。
**讨论与结论**
讨论部分指出，本研究通过组织学视角全面分析了人类衰老，揭示了组织特异性年龄变异的复杂性。组织时钟的建立参照了DNA甲基化时钟的范式，但提供了与生理功能更紧密相关的组织特异性背景。外部验证和多种模型类型证明，组织衰老印记是普遍且可转移的特征。组织学与DNA甲基化时钟在生物年龄估计上存在部分一致性，但捕捉了衰老过程的不同维度。血液预测模型的验证表明，通过微创血液样本推断组织特异性生物年龄具有可行性，有望用于早期疾病检测和监测。但研究存在局限性：GTEx队列性别失衡（男女比1:2）、死后组织自溶可能影响结果、横断面数据无法确定因果关系。未来需结合遗传学手段进行因果推断。
**研究结论翻译**：本研究从组织学角度对衰老进行了全面分析，将组织架构定位为衰老过程中分子和细胞变化的关键整合器，证明了组织病理学成像为监测组织特异性衰老提供了稳健框架，并为理解健康和疾病中的器官水平生理衰退提供了可扩展的基础。通过将定量组织衍生衰老表型与血液分子数据连接，研究人员为从临床可行的血液样本中指纹化多个器官在健康和年龄相关疾病中的生理状态提供了窗口。
