如果你认为衰老是一个匀速爬坡的过程——每年老一点,平稳而规律——那你可能需要重新认识这件事。2024年发表于《自然·衰老》的一项重要研究挑战了这个直觉:人体在分子层面的衰老,并非线性漂移,而是会在大约44岁和60岁出现两次剧烈的跃迁式加速。[3]
这不是某个单一指标的偶然波动,而是蛋白质组、代谢组、脂质组和微生物组在同一时间节点上的集体变化。这意味着,衰老有其内在的”节律”——有的阶段相对平静,有的阶段则可能在短短数年内完成数十年的”老化剧情”。弄清楚这些转折点在哪里、为什么出现,对于理解衰老、干预衰老,具有根本性的意义。
目录
衰老不是匀速的:核心证据
关于”衰老可能不是线性的”,研究者们已经讨论了很多年。2021年,科学家就已指出,衰老并非匀速、同步、线性的单一路径,而在个体之间、生命历程不同阶段及不同器官之间呈现异步和镶嵌式变化。[1] 但真正的突破,来自近年多组学技术的成熟。
多组学是指同时测量一个人体内多个生物层次的分子变化,包括:转录组(基因表达)、蛋白质组(血液蛋白)、代谢组(小分子代谢物)、脂质组(脂肪分子)和微生物组(肠道菌群)。多层同步测量,才能真正捕捉衰老的全貌。
2019年,斯坦福大学团队对4,263名18至95岁个体进行血浆蛋白组分析,发现大量蛋白质的年龄相关变化并非线性,而呈明显波浪式重塑,在34岁、60岁和78岁附近出现三个蛋白组变化高峰。[4] 这是最早的系统性证据之一,提示人类衰老的分子变化存在”阶段性节奏”。
此后,基于UK Biobank的多项大型蛋白组研究进一步证实:在数千名个体的血浆蛋白中,许多蛋白质并非随年龄单调漂移,而呈现波动式变化,且这些波动同时关联端粒长度、虚弱程度、糖尿病和心血管事件风险。[5][6]
第一个转折点:44岁前后发生了什么
2024年,斯坦福大学Shen等人在《自然·衰老》发表的一项纵向多组学研究,将这一图景推进到了更精细的层次。[3] 研究对108名25至75岁的成年人进行追踪,中位随访时间1.7年,最长6.8年,同时测量转录组、蛋白质组、代谢组和微生物组等多层指标。
结果显示:在大约44岁附近,多个组学层次同时出现了一次集体性变化,而不是某个指标的单一波动。这次变化涉及的核心领域包括:
- 脂质代谢:与脂肪代谢和心血管风险相关的分子发生显著重排[3]
- 酒精代谢:乙醇代谢相关通路出现明显变化,意味着同样的饮酒量对身体的负担在44岁前后可能显著不同[3]
- 皮肤和肌肉相关蛋白:皮肤结构蛋白和肌肉功能相关分子开始加速改变[3]
这是一个重要的问题,但目前尚无确定性答案。研究者推测,围绝经期(女性)和中年代谢变化(男性)可能共同触发了这一分子层面的”系统重组”。但需要注意:该研究的样本量相对有限(108人),且多数分析属于横断/短期纵向观察,44岁作为一个精确拐点需要更大规模研究验证。[3]
值得一提的是,早在2019年Lehallier等人对4,263人蛋白组的分析中,34岁就已经出现过一个早期蛋白变化峰——说明分子层面的”提前启动”可能比我们想象的还要早,只是烈度与44岁的跃迁不同。[4]
第二个转折点:60岁前后发生了什么
如果说44岁的跃迁是一记”预警弹”,60岁前后的变化则更为全面和深刻。Shen等人的研究显示,第二次分子加速期在60岁附近出现,涉及的通路更广,包括:[3]
- 免疫系统的结构性重组:免疫调节相关蛋白大幅改变,慢性低度炎症(”炎性衰老”)在此阶段显著加剧
- 肾功能相关标志物:多项肾脏功能指标出现非线性下滑
- 心血管风险分子:与动脉硬化和心脏风险相关的蛋白急速变化
- 碳水化合物代谢:血糖调节相关通路在60岁附近出现重要变化
这与Lehallier等人2019年蛋白组研究中发现的60岁峰高度吻合——两项独立研究、两种不同方法,都在同一年龄区间看到了类似信号。[3][4]
Shen等人的纵向队列以75岁为上限,而另一项针对≥60岁人群的6年随访研究发现,随年龄增长,47种血液老年生物学标志物的变化方式会持续发生结构性重排——不同通路之间的”耦合方式”本身也在改变。[7] 这意味着60岁后的衰老动力学,比我们目前了解的还要复杂。
百岁研究也提供了一个有趣的视角:研究者比较了中年人、90多岁老人和百岁老人的血浆游离核酸谱,发现百岁老人的多项指标并非简单地随年龄单调升高,而是呈现出与普通老年组完全不同的分布模式——提示长寿可能代表一种独特的生物轨迹,而非普通衰老轨迹的延伸。[13]
多组学视角:为什么这次发现如此重要
在Shen等人的研究之前,科学家也观察到过一些年龄相关的非线性变化,但那些结果往往是单一组学层次的”快照”——要么只看蛋白质,要么只看代谢物,而且多数是横断面研究(某一时间点上不同年龄人群的比较),而非真正追踪同一批人的变化。
Shen等人的研究之所以特别,在于以下几点:
- 纵向设计:对同一批人重复测量,排除了不同年龄群体之间的个体差异干扰
- 多层同步:转录组、蛋白质组、代谢组、微生物组同时测量,多层一致性是”非线性”结论的关键支撑
- 两个拐点高度复现:44岁和60岁的加速期在多个组学层次中同时出现,而非某个组学的孤立信号[3]
这背后的机制尚不完全清楚。一种假说是:存在某些”主调节因子”(如荷尔蒙水平、表观遗传重置、干细胞池耗竭),一旦这些上游节点发生改变,就会像多米诺骨牌一样引发下游多个组学层次的连锁重组。另一种解释是系统韧性(resilience)的阶段性下降——当系统从扰动中恢复的能力降低到某个阈值,衰老会加速进行。[2]
DNA甲基化的数据驱动分析也支持这一图景:研究者开发了专门的算法(DICNAP)来识别甲基化位点与年龄之间的非线性模式,发现许多年龄相关的甲基化变化可被分类为多种非线性曲线形态,表明衰老的分子标志物景观远比传统线性模型复杂。[18]
表观遗传时钟与蛋白组:非线性的多重验证
如果说Shen等人的发现让我们看到了”什么时候加速”,那么表观遗传时钟的研究则帮助我们理解”加速”背后的另一层逻辑——衰老速率的改变,并不是孤立事件,而是与个体的系统性生物学状态深度耦合。
一项基于524名50至90岁受试者的纵向研究,通过1,309次重复测量发现:表观遗传时钟读数与虚弱指数并非平行、稳定地一起增长,而是存在年龄相关的双向动态影响——不同的表观时钟捕获的动态关系也不尽相同。[8] 这说明,即便是”衰老速率”本身,也会随年龄阶段而改变其内在逻辑。
表观遗传时钟通过测量DNA上特定位点的甲基化程度来估算生物年龄。不同时钟(GrimAge、PhenoAge、Horvath钟等)侧重不同的生物学过程,因此同一个人在不同时钟上的读数可能不同。研究发现,构成这些时钟的CpG位点本身就呈现非线性发育轨迹,且受遗传与环境因素共同塑造。[9]
更深入的框架则指出:传统表观遗传时钟主要刻画”衰老速度”,却难以解释为何个体会出现拐点式恶化。新的EpiAge-R模型尝试将多层表观调控整合为”年龄-韧性”模型,认为非线性转变可能源于系统从扰动中恢复的能力(韧性)在某个阶段急剧下降。[2]
同时,基于UK Biobank超过51,900人的大型蛋白组研究发现,部分蛋白质在特定年龄区间出现动态突变或重排,与健康寿命、表型年龄、虚弱和长寿均有关联——支持”衰老是阶段性重构而非匀速推进”的整体图景。[6]
生活方式如何塑造非线性轨迹
衰老有转折点,这些转折点是否可以被生活方式干预所影响?目前的证据显示:答案是肯定的,但具体的关系往往本身也是非线性的。
睡眠时长与生物衰老: 一项纳入UK Biobank超过44万人数据的研究发现,睡眠时长与表型年龄加速、白细胞端粒长度之间的关系呈明显U形——过短和过长的睡眠都与更快的生物衰老相关,并非”越多越好”的线性关系。[12]
饮酒与表观遗传加速: 一项涵盖三个独立队列共2,242人的研究,通过新开发的单核细胞表观遗传时钟发现,饮酒量与生物年龄加速之间存在明显非线性关系,而非简单的剂量-反应线。[10] 这意味着”少量饮酒无害”这一说法背后,可能隐藏着比我们想象更复杂的阈值效应。
体力活动与久坐: 基于UK Biobank超过24万人的研究发现,睡眠、久坐和体力活动与表观遗传加速衰老之间的关系存在明显的阈值和曲线拐点,不同行为组合还会叠加影响衰老风险。[11]
这些发现有一个共同的实践含义:在衰老干预中,”线性思维”(做得越多越好)往往是错误的。睡眠、运动、饮食都存在最优区间——不足有害,过度也可能有害。而且这些最优区间可能会随年龄阶段(尤其是在44岁和60岁这两个转折点前后)发生改变。
虚弱积累的另一面:不是所有衰老都有拐点
非线性衰老的图景虽然引人注目,但有一个重要的平衡视角值得认真对待。
基于加拿大全国人群随访数据的研究发现,以虚弱缺陷指数(Frailty Index)衡量的健康状态,在成人全生命周期中每年约增加4.5%,整体相当稳定——并没有表现出在某个年龄急剧加速的特征。[14] 这与Shen等人在分子组学层面观察到的非线性转折点形成了有趣的对照。
另一项12年随访研究也显示,个体虚弱轨迹高度动态,可用随机过程模型刻画,强调衰老不是简单直线斜率,而是受当前系统状态影响的动态演化过程。[15]
这两类发现并不矛盾。可能的解释是:分子层面(蛋白质组、代谢组)在特定年龄出现剧烈重组,而整体功能层面(能做多少事、有多少健康缺陷)则因为系统具有大量冗余和代偿机制,表现得更为”平滑”。分子层的骚动,不总能立刻体现为功能上的急剧下滑——直到代偿能力耗尽的某一天。
动物模型也提供了类似的复杂图景。对C57BL/6J小鼠进行的终生深度表型追踪发现,不同表型出现年龄相关变化的时间点并不一致,提示衰老是多模块异步启动的过程,而非单一统一时钟控制。[17] 果蝇研究则显示,晚年死亡率并非必然按早期斜率持续上升,而会受饮食和性别显著调制,表现出晚年减速或平台特征。[16]
对你意味着什么:两个窗口期的行动逻辑
了解衰老存在两个分子跃迁期,在实践层面有什么含义?
首先,需要清醒认识证据的局限:Shen等人的研究样本量为108人,随访时间中位数不到两年,且研究者坦承样本量和随访时长都偏短。[3] 44岁和60岁作为精确的拐点年龄,需要更大规模的纵向研究来验证。目前能确定的是:人体在分子层面的衰老确实存在非线性动态,两个加速期的方向是可信的,但具体年龄数字不必过度解读。
其次,这些发现指向两个”值得特别关注”的人生阶段:
对于两个窗口期之间的阶段(50至58岁),现有证据提示这是一个相对的”分子平台期”——但这并不意味着可以放松,因为整体虚弱缺陷的积累仍在稳定进行。[14] 相反,这一阶段是为下一个加速期做好储备的黄金时间。
最后,无论年龄,行为干预对生物衰老的影响都呈现出非线性特征:睡眠、运动和饮食质量都有其最优区间,”越多越好”的线性思维往往适得其反。[11][12] 找到自己的最优区间,并在年龄转折点前后主动调整,是当前证据给出的最具实践价值的建议。
衰老的非线性动态研究代表了衰老科学的一个重要范式转变:从”每年老一点”的线性模型,转向”存在阶段性跃迁”的动态图景。Shen等人2024年在《自然·衰老》发表的多组学纵向研究,目前是这一领域最直接的人体证据,44岁和60岁两个分子加速期的发现具有高度的传播价值和临床启发意义。
但需要保持理性:这项研究的样本量偏小(108人),随访时间较短,且是观察性设计,无法建立因果关系。两个拐点的精确年龄仍需更大规模研究验证。目前可以确定的是:衰老确实不是匀速的,分子层面存在加速期,而生活方式对衰老速率的影响本身也是非线性的——这三点结合在一起,为个人的健康管理策略提供了全新的思考框架。
综合多项证据,长寿派的建议是:不必焦虑具体年龄数字,但对40岁前后和60岁前后这两个阶段保持额外的健康敏感性,主动优化心血管、代谢和炎症相关指标,是目前证据能支撑的最务实的长寿策略。
- Rando T et al. Asynchronous, contagious and digital aging. Nature Aging. 2021. DOI: 10.1038/s43587-020-00015-1. PMID: 34223194
- Yamada H et al. Epigenetic Clocks, Resilience, and Multi-Omics Ageing: A Review and the EpiAge-R Conceptual Framework. International Journal of Molecular Sciences. 2026. DOI: 10.3390/ijms27041908. PMID: 41752045
- Shen X et al. Nonlinear dynamics of multi-omics profiles during human aging. Nature Aging. 2024. DOI: 10.1038/s43587-024-00692-2. PMID: 39143318
- Lehallier B et al. Undulating changes in human plasma proteome profiles across the lifespan. Nature Medicine. 2019. DOI: 10.1038/s41591-019-0673-2. PMID: 31806903
- Zhang J et al. Plasma Proteomics Reveals Biomarkers and Undulating Changes in Metabolic Aging. Research (Washington, D.C.). 2025. DOI: 10.34133/research.1004. PMID: 41356597
- Ma L et al. Plasma proteomics identify novel biomarkers and dynamic patterns of biological aging. Journal of Advanced Research. 2026. DOI: 10.1016/j.jare.2025.05.004. PMID: 40328427
- Picca A et al. Longitudinal changes in blood-borne geroscience biomarkers: results from a population-based study. GeroScience. 2025. DOI: 10.1007/s11357-025-01666-x. PMID: 40272732
- Mak J et al. Temporal Dynamics of Epigenetic Aging and Frailty From Midlife to Old Age. The Journals of Gerontology Series A. 2024. DOI: 10.1093/gerona/glad251. PMID: 37889476
- Mulder R et al. Characterising developmental dynamics of adult epigenetic clock sites. EBioMedicine. 2024. DOI: 10.1016/j.ebiom.2024.105425. PMID: 39471750
- Liang X et al. A new monocyte epigenetic clock reveals nonlinear effects of alcohol consumption on biological aging in three independent cohorts (N = 2242). Alcoholism, Clinical and Experimental Research. 2022. DOI: 10.1111/acer.14803. PMID: 35257385
- Zhou J et al. The impact of behavioral patterns on accelerated aging in the UK biobank. Aging Clinical and Experimental Research. 2025. DOI: 10.1007/s40520-025-03074-9. PMID: 40465046
- Wu X et al. Evaluating the nonlinear effects of sleep duration on biological aging across phenotypic, genomic, and epigenomic data. Aging. 2025. DOI: 10.18632/aging.206306. PMID: 40856643
- Tessier N et al. Multiparametric profiling of plasma cell-free nucleic acids in nonagenarians and centenarians highlights age-related differences associated with longevity. GeroScience. 2025. DOI: 10.1007/s11357-025-01981-3. PMID: 41317240
- Mitnitski A et al. The rate of aging: the rate of deficit accumulation does not change over the adult life span. Biogerontology. 2016. DOI: 10.1007/s10522-015-9583-y. PMID: 25972341
- Mitnitski A et al. Trajectories of changes over twelve years in the health status of Canadians from late middle age. Experimental Gerontology. 2012. DOI: 10.1016/j.exger.2012.06.015. PMID: 22790020
- Zajitschek F et al. Aging differently: diet- and sex-dependent late-life mortality patterns in Drosophila melanogaster. The Journals of Gerontology Series A. 2014. DOI: 10.1093/gerona/glt158. PMID: 24170671 [果蝇实验]
- Xie K et al. Deep phenotyping and lifetime trajectories reveal limited effects of longevity regulators on the aging process in C57BL/6J mice. Nature Communications. 2022. DOI: 10.1038/s41467-022-34515-y. PMID: 36369285 [小鼠实验]
- Okada D et al. Data-driven identification and classification of nonlinear aging patterns reveals the landscape of associations between DNA methylation and aging. Human Genomics. 2023. DOI: 10.1186/s40246-023-00453-z. PMID: 36774528