技术突破 - 美国西北大学团队开发出基于生成式AI的计算工具TWAVE，能从有限基因表达数据中识别复杂疾病背后的多基因组合 [1] - TWAVE模型通过模拟健康和患病状态下的基因表达，将基因活动变化与表型变化对应，并精确定位引发细胞状态转变的关键基因变化 [1] - 该方法绕过了基因序列隐私问题，且基因表达数据天然包含环境因素影响，使模型能间接反映外部因素作用 [2] 技术优势 - TWAVE不依赖基因序列本身，而是聚焦基因表达水平，通过临床试验数据训练识别健康或患病状态的表达谱 [2] - 相比传统全基因组关联研究（GWAS），TWAVE能检测多基因协同效应，弥补了GWAS仅寻找单个基因关联的局限性 [2] - 测试显示TWAVE不仅能识别已知致病基因，还能发现现有方法忽略的新基因，并揭示同种疾病在不同人群中可能由不同基因组合引起 [2] 应用前景 - 该技术为精准医学和药物开发提供强有力工具，尤其为基于患者个体遗传驱动机制的个性化治疗提供理论依据 [2] - 人工智能在生命科学领域的应用正加速破解多基因协同致病机制，推动疾病早期诊断和个性化治疗发展 [3] - 生成式AI通过分析海量基因组和临床数据，挖掘多基因组合与疾病的隐藏关联，驱动精准医学时代加速到来 [3]

研究背景与意义 - 科学家利用AI模型分析大量脑部扫描和遗传数据，确定了64个影响大脑衰老速度的基因，并指出13种潜在抗衰老药物[1] - 研究发表在《Science Advances》上，被Nature评价为迄今为止规模最大的尝试，可能为研发新的大脑抗衰药物铺平道路[2][3] - 大脑衰老与神经退行性疾病及死亡风险增加有关，研究旨在找出导致大脑衰老的因素并探索应对之道[4][5] 研究方法与数据 - 使用BAG（大脑年龄差距）作为大脑衰老标志，分析29097名健康参与者的UKB数据集训练7个AI模型进行脑龄估计[6][7][8] - 验证数据包括3227名健康受试者、6637名脑部疾病受试者及ADNI、PPMI、IXI项目的外部MRI数据[9][10] - 三维视觉Transformer（3D-ViT）模型在脑龄估计中表现最优，被用于后续BAG测量[11] - 对31520名健康参与者进行GWAS（全基因组关联研究），确定与BAG相关的遗传变异[11][12] 关键发现 - 通过遗传相关性和孟德尔随机化方法，发现BAG对智力有显著因果影响[13] - 共定位分析确定64个可药物治疗基因，涉及程序性细胞死亡、血小板信号传导等生物化学通路[14][15] - MAPT、TNFSF12等7个基因被确认为大脑衰老的强因果候选者[16] 药物开发潜力 - 药物再利用分析发现466种药物针对64个基因中的29个，具备抗衰潜力[17] - 进一步筛选出29种药物可能延缓大脑衰老，其中20种（如达沙替尼、双氯芬酸）的抗衰潜力已被前人研究提及[18][19] - 13种药物（包括胆钙化醇、达沙替尼等）已在抗衰老临床试验中测试或正在测试[20]