2026-08-14
深度学习读2.5万张GTEx病理切片建40个组织衰老钟,平均误差4.88岁;再用血检预测器官年龄差,在8种疾病队列中命中受累器官。
测生物学年龄这件事,DNA 甲基化时钟已经做了十几年,但它读的是血细胞,给出的是一个「全身平均分」。临床真正需要的是器官级别:同一个 65 岁的人,心脏可能已经 75 岁,肝脏也许只有 60。此前没有大规模数据能同时看到一个人全身各器官的组织形态,动物模型对人类衰老的代表性也有限。
GTEx 项目补上了这块:983 名 2070 岁的捐献者,快速尸检采集 29 个器官 40 种组织共 25,713 张全切片病理图像,同一批人还有配对的 RNA 测序、DNA 甲基化和端粒数据。这篇 Nature Medicine 论文用深度学习把这批图像变成了 40 个「组织衰老钟」。
管线分三步:
有个务实的设计选择值得单独说:最终所有结论都出自 Ridge 这种正则化线性模型。作者在独立队列上对比发现,神经网络的回归器外推表现明显更差,正则化线性和树模型反而最稳。
| 指标 | 结果 | 对照 |
| 全组织平均 MAE | 4.88 岁(R²=0.69) | ImageNet 通用模型 8.67 岁;18 个病理 foundation model 5.74 岁 |
| 外部队列验证 Pearson | 肺 0.76、脑 0.56、皮肤 0.46 | 皮肤队列 185 人,校准斜率均低于 1 |
| 与甲基化年龄差的相关 | GTEx 内仅 0.09 | 肺验证队列同一组织块 0.300.47 |
| 共病关联显著率 | 组织钟在结肠 89%、肺 79% 的模型中显著 | 甲基化钟对应 7% 和 50% |
形态学上,多器官共同的上行趋势是萎缩、微血管稀疏化、纤维化,下行的是上皮增生。转录组层面,生物学年龄比实际年龄更能扰动基因表达(平均斜率 1.26),p53、细胞衰老、SASP、缺氧等通路随生物学年龄上调更猛。个体层面分出韧性衰老者、系统性衰老者和单器官衰老者;肾衰竭与全身多组织加速衰老相关,但最强关联反而不在肾脏,在脂肪、垂体、脾和胫神经。
最后一步落地到临床:用 GTEx 配对的血液基因表达训练模型,直接从外周血预测各组织的年龄差,在 ARCHS4 的 9 个独立队列(1,205 份血样,577 名健康人加 628 名病人)上验证。中风样本只有大脑年龄差显著升高,阿尔茨海默病同样只命中大脑,克罗恩病命中全消化道,血管炎命中肾、肝、心这些高灌注器官。分类性能中等偏强(AUROC),若干情形下阳性预测值超过 0.3。
这是首个全身规模的「器官衰老地图」。对 AI 从业者,它展示了一条清晰的落地路径:foundation model 抽特征加线性回归,比端到端深度模型更抗域漂移,这个结论对任何医学影像任务都适用。血检部分把器官级衰老监测从侵入性活检换成了抽血,若前瞻性验证通过,就是人口级筛查工具的雏形。
作者自己列了三条:GTEx 男女比例 1:2,40 个钟里表现差的 4 个有 3 个来自女性生殖组织;样本来自尸检,自溶时间虽已作调整仍可能削弱发现力;横断面数据只能给相关不能给因果。血检部分还有个更根本的问题:外部队列没有配对组织图像,预测年龄差的绝对校准无法核实;验证用的是已患病的人,衰老信号能否先于疾病出现仍待前瞻队列回答。此外 GTEx 捐献者多数偏健康,年龄差动态范围有限,与甲基化钟 0.09 的低相关也可能部分是技术因素(两种数据不一定取自同一组织块)。