文章核心观点 - 复旦大学金力院士团队联合漆远教授团队及无线光年研究人员，在Nature Computational Science上发表研究，开发了一个名为MAPLE的、用于甲基化年龄与疾病风险预测的通用计算框架 [3] - MAPLE采用创新的“成对学习”方法，通过比较两个DNA甲基化样本间的相对关系来预测年龄或疾病风险差异，有效克服了传统表观遗传时钟因技术批次效应导致的性能下降问题，在跨平台、跨组织的数据集上表现出卓越的稳定性和准确性 [4][9][26][27] - 该框架在31项涵盖不同研究、平台、预处理方法和组织类型的基准测试中，以1.6年的中位绝对误差显著优于其他五种竞争方法，并在疾病风险评估方面展现出强大潜力，为衰老评估和早期疾病风险筛查的临床应用提供了更可靠的工具 [4][12][18][28] 传统表观遗传时钟的瓶颈 - DNA甲基化是衰老的关键标志，传统表观遗传时钟基于此开发，但在实际应用中面临核心挑战：技术批次效应 [7] - 当训练数据与测试数据来自不同研究、测序平台或预处理方法时，传统时钟的预测性能会大幅下降，严重阻碍了其在临床中的广泛应用 [7] MAPLE的创新思路：从“绝对值”到“相对关系” - MAPLE采用全新思路，不直接预测绝对年龄，而是学习样本间的相对关系，通过比较两个DNA甲基化样本来推测它们之间的年龄或疾病风险差异 [9] - 该方法巧妙规避了不同数据集间的技术偏差，因为尽管数据来源多样可能导致甲基化谱分布不同，但样本间的实际年龄差异本身是可比较的 [9] - 采用两阶段训练流程：先训练编码器将数据映射到统一潜在空间，再训练预测器估计年龄或疾病状态；成对学习使训练样本量呈二次增长，大幅降低过拟合风险 [9] MAPLE的卓越性能 - 在涵盖31项基准测试的严格验证中，MAPLE表现稳定，中位绝对误差为1.6年，优于其他竞争方法 [4][12] - 在跨平台血液样本测试中，MAPLE平均绝对误差仅为1.45年，相关性系数达0.97；而传统多层感知器模型的误差达4.14年，相关性系数为0.88 [12] - 在非血液组织测试中，MAPLE同样表现优异，平均误差为2.30年，远优于其他方法 [12] - MAPLE在不同数据预处理方法下保持性能稳定，而传统方法在不同预处理数据上误差波动巨大 [12] 疾病风险评估能力 - 除了精准预测年龄，MAPLE在心血管疾病和2型糖尿病等衰老相关疾病的风险评估方面同样展现强大潜力 [18] - MAPLE在疾病识别上的平均曲线下面积达0.97，对疾病前状态检测的平均曲线下面积也达到0.85，显示其精准识别早期风险的能力 [4][19] - 这意味着MAPLE不仅能评估生物学年龄，还能预警潜在健康风险，为早期干预提供宝贵时间窗口 [20] 生物学合理性验证 - 通过分析模型识别的重要CpG位点，发现这些位点富集于器官发育、细胞黏附、认知功能和免疫调节等与衰老密切相关的生物学通路，进一步证实了MAPLE的生物学合理性 [24] 临床应用前景与展望 - MAPLE的优势在于其高精度和卓越的泛化能力，通过成对学习有效削弱批次效应，同时保留与年龄和疾病相关的生物学信号，为甲基化数据在真实临床场景中的应用迈出关键一步 [26][27] - 随着更多验证完成，MAPLE有望在以下方面发挥重要作用：1) 个性化抗衰老干预评估，准确量化生活方式或药物干预对生物学年龄的影响；2) 早期疾病风险筛查，在症状出现前识别高风险个体；3) 衰老生物学机制研究，通过分析重要CpG位点深入理解衰老的分子机制 [28] - 该技术为解决表观遗传时钟领域的核心瓶颈问题提供了新工具，未来“衰老检测”或将成为健康体检的标准项目，助力个性化、精准化的健康衰老管理 [28]

公司概况与融资情况 - 杭州每因智能科技有限公司近期已完成千万元级种子轮融资，由卓源亚洲等机构领投，杭州西湖政府直投基金西湖科创投跟投[4] - 募集资金将主要用于疾病风险大模型、核心产品研发及商业化落地[4] - 公司孵化于北京大学科技园，专注于利用人工智能技术赋能疾病风险预测和健康管理[4] 核心技术与产品 - 公司核心产品是基于自研疾病风险大模型的重大疾病风险预测平台和疾病风险管理AI智能体[4] - 自研的DP-LLM大模型可以支持多模态医疗数据，量化个体未来疾病风险，覆盖数百种疾病和上万个风险因子[4] - 该模型属于生成式大模型，具备“序列预测模型”能力，可根据历史健康数据序列预测未来健康状况和疾病进展[5] - 在模型微调中，公司通过对照医学文献量化风险因素与疾病的关联性，并利用城市流调数据观察指标对应的疾病转化率[5] - 为降低大模型“幻觉”，公司正重点构建疾病风险因子和疾病关联性的知识图谱，并将其与微调模型结合[6] - 公司通过与政府部门、医疗机构合作，利用真实临床数据验证和提高模型的准确性[6] 商业模式与市场策略 - 现阶段，公司主要通过商业保险这一支付方作为切口，与政府部门和大型保司开展合作，为健康险产品赋能[3][6] - 商业转化模式包括B端技术服务费、C端订阅及风险分润模式[6] - 公司认为，医疗AI产品想要产生更大价值，需直接与个人相结合，其未来一定在C端[6] - 未来，公司还将尝试开发更多健康管理类产品[6] - 公司的模型能对人群和保障项目做更细划分，给予不同人群不同的保险价值，有助于扩大承保人群规模[5] 行业背景与发展逻辑 - 政策层面，强化早诊断、早治疗、早康复是“健康中国2030规划纲要”的战略主题[5] - 从个体层面，个性化治疗和精准健康管理是当前医疗行业的发展趋势[5] - 过去，由于缺乏高质量数据和精准风险评估模型，保险产品设置严格条款，许多有既往症人群难以被纳入保障范围[5] - 公司技术有望重塑健康险与健康管理生态[8] 团队背景 - 创始人兼CEO郭潇宇为清华计算机系硕士、北京大学人工智能博士生，师从北大计算机学院副院长崔斌教授，在医疗AI领域拥有10年以上研发和商业化经验，曾主导健康险科技板块从0到20亿+保费规模增长[7] - 联合创始人兼CTO甘书生曾任百度、360、地平线和多家医疗科技公司技术高管，深耕AI工程架构与商业化落地[7] - 首席AI科学家杨仝为北京大学计算机学院研究员、博士生导师、青年长江学者，发表100篇CCF A类论文，主导多项大模型核心技术研发，带领团队联合360研发的中等量级推理模型Tiny-R1-32B-Preview，以5%参数逼近Deepseek-R1满血性能[7] - 首席科学家顾问崔斌教授为教育部长江学者、IEEE Fellow、北京大学计算机学院副院长、北大数据科学与工程研究所所长[7] 投资人观点 - 卓源亚洲认为，公司团队兼具顶尖学术背景与实战经验，其疾病预测大模型在轻量化部署与多模态融合上具备显著优势[8] - 西湖科创投认为，公司创始成员拥有商业保险疾病预测模型交付的完整从业经验，其结合真实世界数据和AI建模能力致力于健康险商业闭环产品的高效迭代，与杭州创新数字健康产业发展的规划高度契合[8]