衰老 的特点是发病率升高及随之而来的生活质量下降，这两者都构成了重大的社会与经济负担。近几十年的突破性研究表明，通过热量限制和部分表观遗传重编 程等干预手段，延长寿命及健康寿命是可行的。然而，将衰老干预手段应用于临床，还需要对 生物学年龄 和 衰老速率 进行精确量化。 DNA 甲基化 （DNAm） 水平的改变是衰老的一个关键标志——随着年龄的增长，DNAm 会随之增长，因此，全基因组 DNAm 可以作为生物学年龄的评估指标。 然而，当前的表观遗传时钟的性能可能受到多种因素的影响 （包括测序平台、数据预处理方法、组织类型和人群） ，这给其实际临床应用带来了挑战。 因此， 迫切需要一种通用的 DNA 甲基化时钟，能够消除技术偏差，同时保留衰老相关生物学信号，从而实现对人类衰老过程的准确量化。 2026 年 1 月 13 日，复旦大学 金力 院士 团队联合上海科学智能研究院 / 复旦大学人工智能创新与产业研究院 漆远 教授团队及 无线光年 的研究人员，在 Nature 子刊 Nature Computational Science 上发表了 题为： A robust computational framework ...

衰老评估新方法 - 清华大学万科公共卫生与健康学院底骞副教授团队开发基于大语言模型（LLM）的生物学年龄预测方法，仅需体检报告即可评估整体及器官特异性衰老程度 [3][4] - 该方法突破传统衰老指标局限，实现精确、可靠且经济高效的大规模人群衰老评估 [5][23] 技术框架与原理 - 将血压、肝功能等体检数据转化为文字报告输入LLM（如Llama3），模型通过预训练医学知识库智能推演衰老程度 [10][12] - 输出结果包括全身衰老程度（整体生物学年龄）及心脏、肝脏等六大器官专属年龄 [11] 验证数据与性能 - 研究覆盖全球六大数据库（英国生物样本库等），验证样本超1000万人 [15] - 全因死亡风险预测准确率75.7%，较端粒长度等方法高15%；冠心病风险预测准确率70.9%，较其他机器学习模型高8% [15] - 肝硬化风险预测准确率81.2%，较临床指标方法高22% [15] - LLM预测年龄差每增加1岁，全因死亡风险上升5.5%，冠心病风险增加7.2% [16] 临床应用价值 - 心血管年龄差增大使冠心病风险增加45%，肝脏年龄差增大使肝硬化风险增加63% [19] - 发现322个与衰老加速相关的关键蛋白（56.7%为新靶点），其中55%与死亡率显著相关 [19] - 连续3年体检数据输入可生成个人衰老速率曲线，疾病预警准确率较单次体检提升3倍 [19] 研究扩展与潜力 - 利用年龄差识别加速衰老相关蛋白标志物，开发270种疾病风险预测模型 [20] - 框架支持动态衰老评估及个性化健康管理 [20][23]