衰老涉及細胞損傷的逐步積累，導致全身衰退和與年齡相關的疾病。盡管目前醫學取得了顯著進步，但由于衰老過程的復雜性和現有模型的局限性，準確預測生物年齡（BA）仍然具有挑戰性。

2025年3月，日本大阪大學的高尾敏文教授團隊（汪秋益博士為第一作者，王梓博士為共同第一作者/通訊作者）在Science Advances雜志發表題為“Biological age prediction using a DNN model based on pathways of steroidogenesis”的文章。

該研究開創性的將激素代謝通路“刻入” AI（人工智能）的算法框架中，成功構建了真實反映人體“折舊率”的"生物年齡"量化模型系統。在該系統下，人們僅需提供約5滴量的血液進行激素水平質譜檢測，便可獲知自己專屬的“生物年齡”。

如將人生比作一條河流，那么在“河流”的上游，嬰兒個體的“生物年齡”幾乎相差無幾；而隨著時間推移，越往“河流”的下游，由于遺傳、生活習慣和環境等先天或后天因素的影響，同齡人之間的“生物年齡”差異也會愈發凸顯。

基于這一直觀的現象，該研究團隊思考：是否可以精準捕捉并量化這種“生物年齡”呢？他們認為，人體調節內環境的激素水平與生理健康是息息相關的，應該能為“生物年齡”的評估提供關鍵的線索。

因此，研究團隊從血液中22種激素構成的、猶如人體健康“晴雨表”的激素代謝通路入手，首次將這一動態變化融入深層神經網絡（DNN）的AI算法中，并自主設計了特殊推算機制，既捕捉了激素調控對“生物年齡”產生的影響，又反映了群體間“生物年齡”差異隨時間擴大的規律。這一全新方法為破解“生物年齡”預測難題提供了新的思路。

研究開創性地將人體激素代謝通路知識與AI技術相結合，開發出一套便捷高效的衰老評估系統。僅需采集240微升（約5滴）血液樣本，通過自主研發的高精度質譜檢測技術即可同步測定22種關鍵激素數據，并在自主構建的AI模型框架下，對人體健康狀態進行準確評估。與傳統方法不同，新模型主要實現了三大創新：

個體校準預處理：在保持各激素相對濃度比例的前提下，消除個體總激素水平的差異，有效降低實驗批次間的誤差；

專用損失函數設計：針對群體“生物年齡”差異隨時間擴大的規律，設計了專用損失函數，使模型在訓練中逐步捕捉這一自然現象；

生物學可解釋性：將激素代謝通路的生物學知識融入深度神經網絡(DNN)，打破傳統“黑箱”模型，為健康狀態評估提供更直觀的解釋依據。

此外，值得關注的是，該模型還揭示了壓力激素皮質醇的“衰老加速器”作用——當皮質醇水平異常升高至原先的2倍時，系統評估出的“生物年齡”會大約放大1.5倍。這一發現為科學調控壓力、延緩衰老提供了重要依據。

總的來說，本研究成果有望成為個人健康管理中新型“生物年齡”評估指標，為衰老相關健康風險的早期發現與預防策略提供科學依據，同時為醫療研究指明新的方向。未來，隨著對相關代謝通路的深入研究，預計將進一步揭示精細的衰老調控機制，進而推動全社會健康水平的提升。

參考文獻:

https://www.science.org/doi/10.1126/sciadv.adt2624