精准健康时代的生物学年龄评估：组学时钟的进展与挑战

衰老是高度个体化的进程，即使实足年龄（CA）相同，不同个体的衰老程度也可能存在很大差异。因此，CA并不是客观衡量个体衰老水平的最佳尺度，生物学年龄（BA）被提出作为CA的替代指标，用来量化个体的衰老状况。BA借助多种生物标志物与数学算法预测模型，能够实现对衰老进程的量化评估以及相关疾病风险的预测。伴随高通量组学技术的进步，BA评估方法已深入到分子层面，覆盖表观基因组学、转录组学、蛋白质组学及代谢组学等多个维度的信息采集，并结合机器学习算法建立准确的BA，也常被称为组学时钟或“衰老时钟”模型，这类时钟不仅能体现实际衰老程度，还能借助BA与CA之间的差距（即“Δ年龄”）来量化衰老速度，这有助于BA的研究，不仅加深人们对衰老机制的认识，还为评估健康状态、预测疾病发生风险，以及引导抗衰老干预措施提供了重要工具。一、衰老生物标志物衰老是一个复杂的、从分子到细胞、从器官到机体的多个层面的过程。其中，描述和定量生物衰老的程度、衰老相关疾病风险和寿命的生物学指标被称为衰老生物标志物。其特点主要为：特异性（表达衰老程度和速度），系统性（反映部分组织或全身变化），实用性（可临床实用）。其作用主要为：评估BA，预测BA相关疾病风险，跟踪生理衰老过程，指导抗衰老干预。2023年，中国衰老生物标志物研究联合体（ABC）提出理想的标志物应当来自可无创、可量化的行为、影像以及体液数据。将衰老的标志物分为3个类别：原发性标志物、拮抗性标志物、整合性标志物。原发性标志物是可以直接驱动衰老的分子损伤标志物，包括基因组不稳定性（γH2AX、8OHdG）、端粒缩短、表观遗传紊乱、蛋白质稳态失衡（自噬标志物LC3Ⅱ/Ⅰ）以及巨自噬功能丧失等。拮抗性标志物能促进或抑制与衰老相关的种种改变。这些标志物参与多种生物途径，例如炎症、细胞衰老和代谢调节。整合性标志物是指反映机体整体衰老状况的生物学特征，通常整合多个组学信息如基因组、转录组、蛋白质组及代谢组信息等，其改变体现实质性的衰老影响。衰老生物标志物之间不是孤立存在的，而是相互关联、相互影响的。表观遗传改变如脱氧核糖核酸（DNA）甲基化、组蛋白修饰、非编码核糖核酸（RNA）的表达改变都是导致基因组不稳定而发生突变，与肿瘤产生有关。端粒缩短也会导致基因组不稳定，且与慢性疾病、恶性肿瘤、寿命缩短相关。基因组的损伤还会影响蛋白质合成和降解过程，影响蛋白质稳态。氧化应激不仅导致端粒缩短，而且影响DNA、蛋白质和脂质损伤，导致细胞衰老加速。线粒体是细胞的能量工厂，当线粒体的功能发生改变，细胞就出现能量耗竭，活性氧也会产生过高，造成更多氧化应激损伤和细胞损伤。这些相互作用强调衰老是一个异质性和整体性的过程。二、衰老时钟鉴于衰老过程的复杂性，基于多组学数据（如基因组学、转录组学、蛋白质组学、代谢组学等）的组学时钟，也称“衰老时钟”，展现出了评估BA的巨大潜力。（一）表观遗传学时钟在衰老评估研究中，基于DNA甲基化的表观遗传学时钟受到了最多关注，这些研究主要借助全血里的CpG位点胞嘧啶甲基化变化，采用纵向或横断面的办法来构建BA预测模型。以Hannum时钟和Horvath时钟为代表的第一代时钟，大多以CA为训练目标，能够比较准确地估算个体年龄，并且在不同组织和细胞里都有不错的适用性。但其在预测一般人群的年龄相关疾病发展或死亡风险方面表现有限，其中有几个因素：一是这些时钟与BA、健康结局之间多基于相关性而不是因果关联，难以揭示衰老的深层机制；二是血液里细胞组成随年龄发生的变化，也可能影响时钟的准确性。为了解决这些不足，后续应用更多的生物标记，以及针对生理年龄和具体健康结局进行筛选，产生了第二代时钟，使其与生物衰老相关性的符合度大幅提高。例如，GrimAge时钟模型与不同身体相关疾病如心血管疾病、虚弱和身体机能下降相关的死亡风险具有一致相关性。PhenoAge时钟可以预测多种衰老相关结局，包括死亡风险的全因死亡、癌症、健康期望寿命、身体机能和阿尔茨海默病。DunedinPoAm时钟综合考虑DNA甲基化和其他生物标记，利用年轻纵向研究队列结果，能够在很早的时候预测心理认知、身体健康和死亡风险。建立了第一个可区分因果关系的两类表观遗传学时钟（DamAge和AdaptAge时钟），能够标记出各CpG位点加速衰老、缓和衰老的作用，可以更准确地推算BA、判断抗衰老策略的效果。（二）转录组时钟转录组时钟通过将生物体的转录组数据与年龄相关联，具有直接关联基因表达与衰老进程的优点，提升了模型的合理性以及实验可检验性，成为一项关键的量测衰老程度的手段。Peters时钟借助对欧洲人群展开基因表达解析，观察到转录组年龄同CA的差距与衰老相关的生物学特征（例如血压、胆固醇数值、空腹血糖和体重指数）存在关联。随着年龄增长，免疫细胞转录组的异质性与波动性明显加大，特定年龄组里出现特有的细胞类型及其标志转录因子，非衰弱与衰弱老年人的免疫细胞往往沿着不一样的发展路线演变，在老年人的T细胞亚型里找到多个共享的T细胞受体克隆，这提示老年T细胞呈现出不同程度的多能性以及耐受能力。另一项工作探究了与年龄和吸烟相关的转录组变动，发现肺部衰老与烟草暴露在转录组学上具有共同的变化规律，并借助Lasso回归机器学习手段准确追踪BA及其与特定暴露的关联。SCALE模型运用单细胞转录组数据量测不同组织中的生物衰老，识别出20多种小鼠组织的转录组老化程序，并且与体细胞突变积累等其他年龄指标相关性良好，能够分辨同一时间细胞年龄的细微老化差别。一些研究把转录组学和其他组学联合，例如将转录组学年龄模型和来源于CD4T细胞的基因代谢模型整合起来，构建新的多组学模型，以给出更细致的转录组老化解析。（三）蛋白质组时钟蛋白质是生物功能的主要执行者，近年来蛋白质组学BA的研究取得了较为客观的进展，其主要特点在于蛋白质的种类和丰度的变化能够直接地反映生物体的生理状态和衰老过程，从而为研究创建蛋白质组时钟奠定了基础。蛋白质组BA不仅与多种衰老相关疾病如心脏、肾脏、肝脏、代谢、炎症和神经退行性疾病存在显著关联，还可以预测个体的寿命和健康状况。借助分析204种血液蛋白质，建立了一个能够预测18种慢性疾病（包括心脏、肝脏、肾脏、肺部、糖尿病、神经退行性疾病和癌症）风险的蛋白质组时钟。建立了由13个蛋白质标志物组成的循环衰老相关分泌表型，与BA和绝经年龄相互关联。基于深度学习的炎症衰老时钟iAge证实了炎症衰老是重要的年龄相关疾病的推动因素，其中CXCL9对iAge的贡献最大，不仅在内皮细胞衰老过程中扮演重要角色，而且对动脉硬化的进展起到关键调控作用。借助因果研究方法，识别出在肺纤维化进程中影响BA与寿命的关键血浆蛋白，这种综合的因果研究方法能够更深入地理解蛋白组学在衰老和疾病发展中的作用机制。（四）代谢组学时钟在衰老研究领域，代谢组学凭借核磁共振（NMR）和质谱等技术崭露头角，其特点是能快速直接地检测生物样本中小分子代谢物的动态变化，通常比基因和蛋白质水平的变化更为迅速和直接，在评估生物体即时生理状态时具有优势。多项研究显示，代谢与衰老及衰老相关疾病关联密切。定义了由25种代谢物组成的健康衰老代谢指数（HAM），不仅可以评估衰老的速度，而且不受性别和种族的影响。这项研究还利用因果机器学习方法发现了β隐黄素等3种代谢物是生物学上衰老发生的诱发因素。在多项独立研究中，NMR代谢组学进一步探索代谢物与衰老的关系，利用多队列的NMR观察和门德尔随机化分析，发现与虚弱指数有关的代谢标志物，揭示代谢物如糖蛋白乙酰化物在虚弱的发展中发挥作用。开发了基于NMR代谢组学的年龄模型，能够预测生理年龄、死亡率和老年人群疾病，发现肥胖、糖尿病、抽烟、缺少运动等是与年龄加速相关的危险因素。此外，基于NMR的血浆代谢组学年龄时钟（如Fischer时钟）可用于预测总体死亡率，发现特定的代谢物组合与多种疾病的患病率密切关联。另一项研究分别检测血浆氨基酸、酰基肉碱及其衍生物的成分，采用靶向串联质谱法，发现年龄越大，酰基肉碱增高越显著，部分必需氨基酸又与年龄、肥胖程度呈相反关系，反映出随着机体衰老，代谢组学特征发生了极为深刻的变化，衰老、胰岛素抵抗和代谢健康存在复杂相互联系。代谢组研究工作也说明合理的生活方式和科学的健康管理措施对延缓衰老有积极作用，证实代谢组学时钟和心血管疾病、糖尿病、某些癌症等多种慢性疾病风险显著相关，健康饮食、较高的教育背景能够降低代谢组年龄增高所带来的疾病风险。也有研究证实，代谢组年龄增高与甘油三酯、肥胖、酗酒均存在显著相关性。这些研究说明代谢组可提供BA的信息，促进对衰老过程及健康结果的理解。（五）其他组学时钟近年来，研究者尝试应用常规组学之外的其他生物分子数据来建立衰老时钟。这些新出现的组学手段涵盖了糖组学、微生物组学、染色质状态之类，为理解衰老的复杂生物学过程带来了新的切入点。糖基组学的研究对象是生物体内广泛的糖类分子，这些糖类分子在代谢、细胞信号传导、蛋白质和RNA功能中发挥着关键作用。虽然全面识别和定量体内的糖结构非常困难，但已有研究显示糖基组随着年龄增高会出现广泛的变化，提示糖基组学的改变或许是衰老过程中一个被忽略的重要因素。借助质谱方法对少数已知糖分子加以分析，结果显示其能够准确推测BA和衰老表型，例如有研究通过脑脊液糖组学时钟揭示中枢神经系统衰老。微生物组学探索了肠道微生物组成随年龄变化的现象，肠道微生物组成变化与健康长寿相关联。如我国学者基于55种年龄特定微生物物种来预测肠道微生物学年龄，并在不同队列中验证了肠道微生物学年龄预测心血管疾病风险。目前利用微生物组来建立衰老时钟还有困难，例如数据噪声大、复杂，也难以完全确定因果关系，但是利用更复杂的深度神经网络模型，微生物研究者可以依据肠道微生物组的分类组成预测BA。这些有益探索让人们更加深入地认识肠道微生物对代谢健康和衰老过程起到的作用，也为今后的干预策略打下基础。染色质状态的考察则关注了除DNA甲基化之外的其他表观遗传变化，像染色质结构、状态或构象的变化等。虽然在大规模分析染色质可及性与构象捕获实验时这些变化显得较为复杂，但它们在衰老过程中的作用不能忽略，其中，与核纤层相关的异染色质结构的改变被看作是正常衰老的一个关键推动因素。（六）各组学时钟的比较1.预测准确性比较：表观遗传学时钟在死亡率预测中表现最为突出。如GrimAge结合12种血浆蛋白的DNA甲基化位点（1030个CpG位点）和吸烟暴露信息预测误差仅为3.6岁，年龄加速指标AgeAccelGrim与全因死亡风险呈剂量反应关系。蛋白质组学时钟能很好地预测年龄，例如protAge的预测精度R²=0.82~0.88。代谢组学时钟（如HAM指数）对个体即时生理状态有更好的识别能力，其预测步行能力衰退的灵敏度显著高于传统指标（0.89比0.72）。转录组时钟预测灵敏度差异受技术平台影响较大，转录组时钟的优势是展示了细胞类型特异性衰老的差异。2.适用场景比较：表观遗传学时钟因具有跟生理年龄稳健的相关性，以及能够预测不同组织中的BA而被广泛使用，这类时钟在临床环境中特别有价值，可用于评价跟年龄相关的疾病风险和评价抗衰老干预措施的有效性，但因其同时反映遗传和环境因素对衰老的作用，解释可能较为复杂。转录组时钟依赖于基因表达数据，有助于理解衰老背后的生物学过程，并识别潜在的干预靶点。蛋白质组学和代谢组学时钟分别检测蛋白质和代谢物的变化水平，在环境对衰老的影响研究中非常有意义，可以识别衰老的生物标志物，有潜力揭示新的衰老机制，并确定治疗干预的新靶点。因此，通过整合多种衰老时钟的数据可以更全面地了解衰老过程，并制定更有效的健康老龄化的策略。需要指出的是，衰老时钟存在个体差异，在不同人群中的可靠性和有效性可能因种族、性别、生活方式等因素的差异而有所不同。比如表观遗传年龄与种族有关，不论是表观遗传年龄的绝对值还是相对速度都存在明显的种族差异，非裔美国人的表观遗传年龄加速明显快于白人，西班牙裔的衰老速率较慢，均与其遗传学背景或社会支持网络有关。还有研究显示，与男性相比，女性通常在免疫功能和心血管健康上表现更好，间接导致其BA预测结果更为乐观，这种表现可能与激素性别差异有关。生活方式也能影响衰老时钟，吸烟者的蛋白质组学时钟年纪平均比实际年纪大7.4年，与之相反，经常运动者的蛋白质组学时钟年纪则比实际年纪小5.8年。此外，长期饮酒会加快人体表观遗传学时钟，而长期戒酒能够逆转这一影响。（七）器官衰老时钟虽然许多研究集中在个体衰老上，但评估单个器官对整体衰老过程的贡献是当前的研究前沿。器官之间存在类似但不同步的衰老进程，单个器官的BA也可能影响其他器官的衰老，从而形成一个多器官衰老网络，为追踪老年疾病的机制提供了基础。有研究通过机器学习分析11种主要器官的蛋白组学衰老情况，证明器官衰老模型能够可靠地估计各器官年龄。近20%的人群某些器官表现出显著加速的衰老，其中1.7%为多器官衰老者。器官衰老的加速不仅增加20%~50%的死亡风险，也与器官疾病密切关联，比如心脏衰老加速将心力衰竭风险提高250%。此外，大脑和血管加速衰老能预测阿尔茨海默病进展，与血浆pTau181相当。我国学者通过多组学数据分析，构建了9个器官或系统的BA评估模型，发现不同器官的衰老速率存在显著差异，并且特定器官的BA与相应器官疾病关联，如肝脏BA与非酒精性脂肪肝病的严重程度相关，而心血管BA在预测心血管疾病死亡方面优于常见心血管危险因素，这些发现提示器官年龄在识别器官特异性年龄和死亡率方面的效用。还有研究建立了10个器官时钟（3个神经系统和7个身体系统），证实器官的BA选择性地影响其他器官系统的衰老，研究者还创建了一个复合身体年龄模型，可预测全因死亡率和特定原因导致的死亡率，包括癌症、心血管疾病和呼吸系统疾病。此外，一些研究开始探索是否有某些干预措施可以阻止或逆转特定器官的衰老。三、BA评估的统计与计算方法（一）传统统计模型的奠基与局限早期对BA的评估工作大多借助多重线性回归、主成分分析等传统的线性统计模型来开展，这些方法虽然计算起来比较简单、结果也容易理解，但很难抓住衰老过程中存在的非线性关联，导致预测出来的准确度受到限制。为了突破线性方法带来的限制，KlemeraDoubal法通过把生物标志物和回归函数之间的距离减到最小来估算年龄，第一次实现了多个标志物的非线性整合，不过这种方法在计算上比较复杂，并且需要大规模数据作为支撑。（二）机器学习驱动的革新高维且异构的组学数据逐渐成为主流，机器学习方法适应了这一趋势。常用的机器学习技术如随机森林、梯度提升机、弹性网络等能够自动提取特征，并且捕捉复杂的非线性规律，这使得模型的预测能力有了显著提升。举例来说，依靠随机森林搭建的PhenoAge模型与传统模型相比，在死亡率预测上表现得更出色，而开发的XGBoost脑年龄模型，在识别认知障碍方面也显示出理想的临床敏感度。现阶段，深度学习已成为前沿方向。深度神经网络借助多层次抽象本领和强大的多模态数据融合能力，把基因组和蛋白质组网络整合到一起，在处理高维复杂数据时表现出更优秀的性能。多模态数据整合以及预测精度方面，已经超过了传统的机器学习模型，并且能够借助新颖的网络结构，比如卷积神经网络、递归神经网络，来实现端到端的特征学习与动态时序建模。（三）基于人工智能的BA评估新模式人工智能（AI）与BA评估的深入融合，更进