卜军、钱昆团队在Science Translational Medicine发表AI驱动代谢衰老与死亡时钟研究

量化“生物学年龄”一直是衰老研究的核心命题。基于DNA甲基化的表观遗传时钟在横断面上与实际年龄高度相关，但纵向追踪显示Δage在多数队列中随时间呈下降趋势，其在生命全程的测量稳定性存疑 ^[1]；不同时钟对健康结局的预测能力也参差不齐，HorvathAA与HannumAA和多数临床表型无关，GrimAge则表现更优 ^[3]，表观年龄加速还与全因死亡风险相关（每5年HR 1.23）^[4]。在非甲基化路线上，基于血液生化的生物学年龄测量虽在多项研究中预测健康寿命的表现不逊于甲基化指标，推广却明显滞后 ^[2]；代谢组学方面，2024年基于英国生物银行NMR代谢组数据、最多纳入225,212名中老年人（平均56.97岁）构建的MileAge时钟，其代谢年龄差与衰弱、慢性病及全因死亡（HR 1.51）相关 ^[5]，但训练人群集中于中老年阶段，人类生命周期全程的代谢组学特征始终未被系统刻画。

近日，上海交通大学医学院附属仁济医院卜军教授、钱昆教授、Xu Wei等人在Science Translational Medicine发表研究并被选为封面论文，题为“Metabolomic aging and mortality clocks based on ensemble learning identify systemic aging risk across the human life span in 18,476 individuals”。研究纳入18,476名个体，绘制了中国人群全生命周期代谢图谱，提供了衰老对代谢影响的丰富数据，并基于集成学习开发了AI驱动的代谢组学衰老与死亡时钟，用于识别人类全生命周期的系统性衰老风险。

与既有认识相比，这项工作的推进主要体现在：将代谢时钟的年龄覆盖从此前的中老年训练人群（如MileAge队列平均56.97岁 ^[5]）拓展至全生命周期；并在衰老时钟之外同步构建死亡时钟，人群基础也从英国生物银行队列 ^[5] 转向中国人群。与此平行，2026年5月发表于Cell的一项多维衰老框架研究揭示了跨中心高度保守的衰老生物标志物与轨迹，并发现肝脏来源凝血因子的积累是血管与系统性衰老的机制性驱动因素^[6]，为“时钟”类研究补充了机制层面的证据。

需要指出的是，消息摘要未披露代谢检测平台、建模细节、随访时长与外部验证结果，死亡时钟的预测性能及其跨人群、跨平台的可复现性仍有待全文与独立研究检验；此外，代谢年龄在纵向随访中是否稳定 ^[1]、能否随干预而逆转并真正进入临床风险分层，目前仍是悬而未决的问题。