研究核心发现 - 研究团队通过多祖先荟萃分析绘制了全球多囊卵巢综合征精细遗传图谱鉴定出94个独立遗传位点其中73个为首次报道[2][5] - 研究发现尽管存在进化压力差异但中国和欧洲血统人群在多囊卵巢综合征上显示出大量的遗传重叠[5] - 功能注释发现AMH基因上的错义突变rs10407022在东亚人群中效应更强可能与患者卵泡数量增多和雄激素水平升高相关[5] 病理机制与通路 - 基因富集分析提示多囊卵巢综合征相关基因显著富集于PPARG信号通路等过程[5] - 单细胞RNA测序数据表明这些相关基因在卵巢颗粒细胞中活跃表达确定了颗粒细胞在疾病发展中的特别重要性[5] 药物发现与治疗前景 - 研究通过遗传学驱动的药物发现方法揭示了多个潜在药物靶点包括GATA4和HOXD3等[5] - 研究同时指出了药物再利用机会如甜菜碱替米沙坦和阿塔西普为制定个性化治疗策略提供了可能[5] - 这些发现为后续功能实验临床转化及个体化治疗提供了重要依据未来结合更多人群数据和临床验证有望实现精准预防与治疗[6]

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]