【關鍵詞】
生物年齡、預測模型、AI（人工智慧）、血液激素檢測
【研究成果亮點】
✦ 透過對血液中22種激素水平的綜合分析，將激素代謝通路融入AI（人工智慧）演算法，構建出全新“生物年齡”評估模型，更真實地反映人體健康狀態。
✦ 解決了傳統建模中因個體總激素水平差異引發的誤差問題：利用激素比例分析和個體特徵識別，實現了檢測資料的精準校準。
✦ 推動精準健康管理：該系統能提前預警個體健康風險，為定製化體檢和抗衰老方案提供科學可靠的依據。
【簡介】
我們的身邊，總有一些人看起來比同齡人更顯年輕，他們的“凍齡”下到底隱藏著怎樣的秘密？近日，日本大阪大學蛋白質研究所的一支科研團隊，開創性地將激素代謝通路“刻入” AI（人工智慧）的演算法框架中，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”。這項突破性成果於2025年3月14日發表在了國際知名科學雜誌《科學・進展》(Science Advances)上。
該研究團隊核心成員汪秋益博士（共同第一作者）和王梓博士（共同第一作者/通訊作者）均為大阪大學(日本)的中國籍學者，分別師從分析化學質譜專家高尾敏文教授（通訊作者）和計算生物學專家水口賢司教授。透過校內跨學科合作平臺，他們歷時五年攻克關鍵技術難關，推動了這一突破性成果的實現。
【研究背景】
假如將人生比作一條河流，那麼在“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，由於遺傳、生活習慣和環境等先天或後天因素的影響，同齡人之間的“生物年齡”差異也會愈發凸顯。基於這一直觀的現象，該研究團隊思考：是否可以精準捕捉並量化這種“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路（DNN）的AI演算法中，並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。
研究概覽圖說明：
· 左上：從極少量血液中測量22種關鍵激素水平，並將資料輸入AI系統以計算“生物年齡”。
· 右上：AI預測出的“生物年齡”在一定程度上與實際年齡相關，但群體間的差異會隨時間不斷放大。
· 下方：以人生“河流”為意象，展示“生物年齡”與時間流逝的關係。
【研究內容】
本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。僅需採集240微升（約5滴）血液樣本，透過自主研發的高精度質譜檢測技術即可同步測定22種關鍵激素資料，並在自主構建的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：
1）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；
2）專用損失函式設計：針對群體“生物年齡”差異隨時間擴大的規律，設計了專用損失函式，使模型在訓練中逐步捕捉這一自然現象；
3）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路(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。
【將來展望】
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。
【英文標題】：
Biological age prediction using a DNN model based on pathways of steroidogenesis
【作者】：
汪秋益†, 王梓†*, 水口賢司, 高尾敏文*
（†：共同第一作者，*：共同通訊作者）
【DOI】：
https://doi.org/10.1126/sciadv.adt2624
【學術用語解釋】
AI（人工智慧）：利用計算機系統模擬人類智慧的技術，具備自主學習、推理和決策能力。
生物年齡：透過生理指標評估出的機體實際衰老狀態，可能與實際年齡不同，更能反映健康狀況。
激素代謝通路：指體內各類激素之間透過一系列相互作用和調控機制所構成的生化反應網路。這些通路就像人體內部的調節系統，負責控制激素的合成、分解及其相互平衡，從而維持體內環境和各項生理功能的正常執行。
質譜檢測：質譜檢測是利用一種叫做質譜儀的高精度儀器，將樣品中的分子轉化為帶電離子後，根據它們的質量和電荷比進行分離和檢測。透過這種方法，研究人員可以精確地確定樣品中各種物質的種類和含量，從而揭示分子結構和化學成分。
內環境：指生物體內維持穩定狀態的體液和細胞外環境，是維持生命活動平衡的基礎。
深層神經網路（DNN）：由多層人工神經元構成的計算模型，能夠從大資料中自動提取特徵並學習複雜模式，是現代人工智慧的重要演算法之一。
實驗批次：在相同條件下進行的一組樣本測試，常用於評估實驗資料的重複性和一致性。
損失函式：在機器學習中用於衡量模型預測與實際值之間差異的指標，透過最小化損失函式可最佳化模型效能。
黑箱：指內部運作過程不透明、難以解釋的模型或系統，只能觀察輸入與輸出而無法瞭解內部機制。
皮質醇：由腎上腺分泌的激素，與應激反應、代謝調節和免疫功能有關，其異常水平常與衰老及健康風險密切相關。