综述：衰老过程中肌肉健康轨迹的学习：迈向人工智能引导的器官芯片

《Ageing Research Reviews》：Learning muscle-health trajectories in ageing: towards AI-guided organ chips

　　

• •
  肌肉减少症的研究应关注肌肉随时间的变化。
• •
  器官芯片可以测试压力、恢复和组织间交互作用。
• •
  人工智能应引导实验，而非单独提出临床主张。

章节摘要

随时间变化的肌肉健康轨迹

肌肉减少症通常通过肌肉力量、肌肉数量或质量以及身体功能的临界值来识别 (Chen et al., 2025, Cruz-Jentoft et al., 2019, Kirk et al., 2024)。这些标准是必要的，因为它们将肌肉生物学与移动能力、残疾、衰弱和死亡率联系起来。然而，它们也将一个漫长的过程压缩成一个临床决策点。对于衰老研究而言，更有信息量的问题不仅是某人是否符合诊断定义，而是

当前模型能解决和不能解决的问题

瓶颈不在于缺乏对肌肉减少症的描述。而是缺乏能够测试人类肌肉如何从一种状态过渡到另一种状态的实验系统。临床队列将生物学相关性锚定于握力、步速、起坐功能、肌肉质量、多病共存和结果，它们揭示了与炎症、肥胖、废用、营养不良和代谢应激的关联 (Millan-Domingo et al., 2024, Wiedmer et al., 2021, Wilkinson et al., 2018)。什么

器官芯片作为衰老肌肉的受控扰动系统

在这里，当器官芯片被视为衰老肌肉的受控应激与恢复系统，而不仅仅是根据解剖相似程度来评判的微型器官时，它们最为有用。在骨骼肌芯片系统中，工程化的人体肌纤维可以对齐、机械或电刺激、灌注并随时间监测。这使得研究人员能够在定义的压力刺激后和恢复期间测量收缩性、疲劳、钙动态、形态和损伤修复行为 (

生物衰老不是急性应激反应

生物衰老提供了基础背景，而实验扰动则充当受控挑战，揭示否则潜伏的年龄相关表型。来自老年供体的细胞保留了积累的生物学和生活历程背景，尽管培养选择可能会修改该背景。复制性诱导衰老捕捉到更窄的一组细胞周期和损伤反应。相比之下，急性炎症或代谢应激、卸载以及类似去神经的刺激模型

问题引导的分析与人工智能辅助的综合

一个关键原则是分析应由生物学问题和数据的底层结构引导。器官芯片研究会在组织、供体、批次和平台内生成重复测量。供体，而不是孔数或时间点，是泛化的单位。因此，来自同一供体的测量应在模型开发和测试期间保持在一起。根据数据集的不同，这需要供体水平的分割、嵌套交叉验证

机制性恢复与组织间交互作用

当这种框架改变了衰老研究人员可以实验调查的问题时，它变得最为有用。可逆性是自然的起点。预防取决于知道应激肌肉何时仍能恢复，然而许多模型始于严重萎缩之后，或晚期功能障碍已经诱导。受控的器官芯片实验可以施加轻微炎症、部分卸载、氨基酸限制或代谢应激，追踪早期功能反应，然后

双向转化路径

转化始于人类观察，并返回人类进行验证。纵向队列可以识别相关的对比，包括住院后快速丧失以及对运动或营养的适应性差异。这些对比可以指导供体选择、压力刺激选择和芯片读数所代表的临床构建。然后可以在芯片上扰动和拯救候选机制，在动物模型或干预研究中测试，并在前瞻性人类

标准、可重复性与主张边界

实际障碍不仅是平台成熟度，还有结构化的应激与反应数据。学习随时间的变化需要关于时间、剂量、序列、供体背景、细胞来源、芯片几何形状、基质、流动、刺激、批次、读数协议和终点的标准化元数据 (Piergiovanni et al., 2021a, Piergiovanni et al., 2021b)。没有这些变量，模型可能会错误地将信号归因于芯片几何形状、材料、流动、传感器漂移、成熟协议或批次效应

展望

肌肉减少症和肌肉衰老研究的下一步不仅仅是更真实的肌肉模型，而是更有信息量的方法来测试随时间的变化。静态培养、动物模型和临床队列各自仍然必要，然而单独任何一个都无法显示人类肌肉如何从韧性过渡到脆弱，哪种压力刺激序列加速衰退，或者哪种恢复线索应进一步测试。人工智能引导的器官芯片可以将这些问题转化为可编程的人类应激与反应

未引用参考文献

(Alave Reyes-Furrer et al., 2021, Bao et al., 2025, Bedrikovetski et al., 2022, Breen et al., 2011, Colon-Emeric et al., 2020, Dai et al., 2023, de Jongh et al., 2021, Deng et al., 2023, Gangwal et al., 2025, Ingber, 2022, Kim et al., 2024, Lauffer, 2021, Leone et al., 2025, Li et al., 2022, Lopez-Otin et al., 2023, Mastrangeli et al., 2021, McGregor et al., 2014, Mehta et al., 2025, Nakamura et al., 2025, Naranjo et al., 2017, Nishikawa et al., 2021, Parafati et al., 2025, Ryu et al., 2023,

利益冲突声明

作者声明他们没有任何已知的竞争财务利益或个人关系，这些可能影响本论文所报告的工作。

致谢

资金：本研究受中国国家自然科学基金 (32271423)、广东省基础与应用基础研究基金 (2024A1515013273) 和广州市科技计划 (2024A04J6372) 支持。本研究还受中国科学院青年精英科学家赞助计划支持。

Liu Yu|Zhuosheng Lin|Lanlan Hu|Xiong Zhou|Qiuyou Xie|Ling Wang|Jaking Tang|Yaobin Wu