研究背景与困境 - 传统衰老研究依赖假设驱动实验，效率低下且容易遗漏重要发现[9] - 公共数据库如基因表达综合库积累了数百万分子样本，但很少用于分析其对衰老的影响，造成数据资源浪费[9] - 机器学习发展催生的“衰老时钟”模型此前大多用于小型研究，缺乏大规模系统应用[9] ClockBase Agent AI平台核心创新 - 开发了多AI智能体平台，集成40多个衰老时钟模型，自主分析数百万人类和小鼠的分子组学数据[4][10] - 平台整合超过200万个人类和老鼠的DNA甲基化及RNA-seq样本，构建了最全面的生物学年龄图谱[10] - 系统包含三个核心智能体：Coding Agent负责数据处理和统计分析，Reviewer Agent评估干预措施，Report Agent生成科学报告[12][13] 研究发现与数据洞察 - 分析了43602个干预-对照组比较，发现5756个干预显示出显著年龄调节效应，占比13.2%[15] - 识别出500多个能显著降低生物学年龄的干预措施，包括Ouabain、KMO抑制剂、非诺贝特以及NF1基因敲除[4][15] - 疾病模型中有24.3%显示出显著效应，且大多加速衰老[21] - 基因敲除干预的抗衰老比例是基因过表达的1.85倍，提示降低基因活性可能比增加活性更安全有效[21] - 在FDA已批准药物中，发现78种具有抗衰老效应，但更多药物显示出促衰老效应[21] 实验验证结果 - 选择AI筛选的最优化合物Ouabain进行验证，该化合物此前从未被深入研究过抗衰老作用[20] - 在老年小鼠中间歇性注射Ouabain三个月后，治疗组小鼠衰弱指数没有增加，而对照组显著上升[22] - Ouabain改善了心脏功能，提高了心脏输出量[22] - 减轻了神经炎症，大脑海马区小胶质细胞形态更健康[22] - 转录组年龄预测显示Ouabain降低了老年小鼠生物学年龄，并显著提高了Nrep基因表达水平[24] 行业意义与影响 - 代表了衰老研究范式的转变：从假设驱动到数据驱动[26] - 展示了AI如何从现有数据中“再挖掘”新知识，自主识别年龄调控干预措施，加速药物发现[26] - 该平台目前已公开可用，允许任何研究者查询干预措施的影响，促进长寿医学的民主化[26] - 证明了AI与人类合作的力量，不仅能验证已知长寿药物，还能发现新的候选药物[28]