跳至正文

AI如何重塑抗衰老药物发现？从算法到分子的前沿图景

  • 由
🟡 初步证据📅 最后更新：2026年3月⏱️ 阅读时间：约12分钟

过去十年，AI正在从根本上重塑抗衰老药物的发现方式。从靶点识别、分子筛选到候选化合物生成，计算方法已渗透进药物研发的每一个关键节点。[5] 这一变革的意义在于：衰老是迄今最复杂的生物学问题之一，涉及数十个相互交织的机制——没有AI，面对这种复杂性，传统药物发现几乎是望洋兴叹。

然而，需要说明的是：目前绝大多数工作仍处于计算预测与早期实验验证阶段，尚无AI发现的抗衰老药物经过大规模人体临床试验证实。[2] 本文系统梳理当前已有实验支撑的研究成果，并厘清哪些结论适用于人类、哪些仍停留在细胞或动物层面。

📋 目录

AI药物发现：方法论全景

在抗衰老药物研发中，AI的应用横跨整条发现链路。综合现有系统综述来看，当前主要技术路径可分为四大类：[5][6]

🧠 四大核心技术路径
  • 多组学整合与靶点识别：将基因组、转录组、蛋白质组等多层数据融合，挖掘与衰老进程密切关联的候选靶点。[1]
  • 生物网络分析：通过蛋白质互作网络、药物-蛋白网络等图结构算法，系统性预测关键节点和延寿干预点。[14]
  • 生成式化学（Generative Chemistry）：利用深度生成模型直接设计具备特定药理属性的新分子，而非从头合成库里海选。[11]
  • 大语言模型文本挖掘：从数以百万计的生物医学文献中提取隐藏知识，支持靶点发现和药物再定位。[8]

这些方法并非孤立运作，而是越来越多地形成”端到端”流水线：从靶点发现，到结构预测，到分子设计，最终到实验验证。[2] 在传统流程中，这一链条往往需要十年以上和数十亿美元投入；AI加速下，部分早期阶段已实现大幅压缩。

靶点发现：从海量文献到优先靶点

靶点发现是抗衰老药物研发的第一道关卡，也是AI最早介入的环节。衰老涉及基因组不稳定、端粒损耗、表观遗传改变、蛋白稳态失衡、炎症慢性化等十余个相互缠绕的”衰老标志“（Hallmarks of Aging）。面对这种复杂性，如何从数千个候选靶点中找出既与衰老机制直接相关、又具备成药可能的靶点，本身就是一个巨大挑战。

Pun等人描述了AI如何整合多组学数据、生物网络与文本挖掘来提升靶点识别效率和可成药性评估，并强调实验验证仍是计算预测走向药物开发的关键瓶颈。[1] 同一团队基于PandaOmics平台，围绕衰老标志提出了一批兼具疾病治疗与抗衰老潜力的”双用途”靶点，将hallmarks of aging转化为可计算的优先级问题。[9]

💡 PandaOmics：AI靶点发现的代表性平台

PandaOmics整合多模态组学数据与生物医学文献，通过AI算法对候选靶点进行评分和优先级排序，并已在年龄相关靶点筛选中得到应用。[10] 该平台的工作流程代表了当前AI靶点发现的通用基础设施：数据整合→计算评分→实验验证→迭代优化。

在大语言模型方向，Zagirova等人提出基于BioGPT的靶点发现流程，使用生物医学文献和资助文本对语言模型进行预训练，再专门用于年龄相关疾病治疗靶点的预测。研究证明任务特异性的文本预训练可显著提升靶点发现的表现。[8] 这一思路代表了生成式AI在衰老研究中的新兴应用方向：不依赖结构化数据库，而是从非结构化文本中提炼知识。

结构AI：AlphaFold开启新范式

2021年AlphaFold的发布被普遍视为结构生物学的革命性事件。在抗衰老药物发现领域，它的价值在于能够对此前因缺乏实验结构而”不可成药”的蛋白质靶点进行高精度三维结构预测，从而打开新的药物设计空间。

Ren等人展示了AlphaFold如何接入PandaOmics与Chemistry42等AI药物发现平台，实现对新靶点CDK20的小分子抑制剂发现。[11] 这项体外研究清楚示范了”结构AI+生成式化学+实验验证”的端到端流程——尽管CDK20并非专属的抗衰老靶点，但这条方法论链条对衰老靶点药物开发具有直接借鉴价值。

在更直接的衰老应用场景中，Bou Francis等人利用AlphaFold 3、口袋识别算法与分子对接方法，评估了CCN1蛋白的可成药性。[16] CCN1与衰老、慢性炎症和纤维化密切相关，研究预测出多个高置信度结合位点及候选生物活性化合物——这是结构AI直接服务于年龄相关靶点早期发现的代表案例。值得注意的是，该研究属于计算预测，尚未经过实验室细胞或动物验证。

此外，Wu等人报道了一例Werner综合征（早衰综合征）病例，使用AlphaFold 2.2分析WRN基因突变对蛋白结构稳定性的影响。[17] 这一观察性案例体现了结构AI在解析加速衰老相关靶点功能方面的辅助价值，但属于个案分析而非药物发现研究。

🔬 结构AI在药物发现中的作用
  • 预测此前无实验结构的蛋白三维构象
  • 识别候选药物结合口袋（druggable pocket）
  • 通过分子对接筛选潜在结合化合物
  • 评估突变对蛋白功能稳定性的影响

以上均为计算预测层面的应用，后续均需细胞和动物实验验证。

分子筛选：AI如何找到延寿化合物

除了靶点发现，AI在化合物筛选层面同样展现出独特价值——将候选分子空间从数十亿缩减到数十个，然后再交由实验室验证。

Pan等人开发了名为ElixirSeeker的机器学习框架，通过融合多种分子指纹特征，从化合物数据库中筛选潜在延寿分子，并在秀丽隐杆线虫（C. elegans）中对前6个候选物进行了寿命实验验证。[12] 这是AI驱动抗衰老药物筛选中目前有动物实验支撑的代表性工作之一，但线虫结果能否外推至人类，目前没有直接证据。

更早期的工作来自Liu等人，他们基于药物-蛋白网络与标签传播（Label Propagation）算法，预测可延长秀丽隐杆线虫寿命的药物，并在线虫中进行了寿命实验验证。[14] 这项2016年的研究展示了网络药理学和机器学习结合进行延寿药物筛选的早期范式，是该领域的重要基础性工作。

⚠️ 物种外推的限制

上述两项延寿化合物筛选研究均在秀丽隐杆线虫中验证。线虫是衰老研究的经典模式生物，具有寿命短、遗传可控等优点，但其生理结构与人类差异极大。动物实验阳性结果不等同于人体有效，读者需审慎理解此类研究的适用范围。

在计算方法层面，Li等人早在2019年即展示了AI与计算化学结合研究长寿药物分子机制的可行性。[7] 虽然这项工作更偏方法展示，但代表了计算化学与AI结合探索延寿药物设计的早期尝试。

清除衰老细胞：AI组合发现

衰老细胞（Senescent Cells）的积累是公认的衰老驱动机制之一，清除衰老细胞的药物（Senolytics）已成为抗衰老药物研发的热门方向。AI如何加速senolytic的发现？

Ye等人开发了名为SenolyticSynergy的注意力网络模型，整合人类衰老基因组学数据和差异表达分析，预测新型senolytic联合用药方案。[13] 该研究属于计算预测结合体外实验验证的研究类型，聚焦于”组合发现”——即AI不仅找单一药物，还能预测哪些药物搭配使用具有协同的衰老细胞清除效果。这代表了AI在抗衰老干预发现中的新维度。

💡 为什么Senolytics需要AI？

衰老细胞的特征因组织、细胞类型和衰老诱因而存在差异，没有单一的通用标志物。同时，药物组合的可能空间呈指数级增长，人工筛选几乎不可行。AI通过整合基因组学特征和药物作用机制数据，可以系统性预测最优组合，大幅压缩实验验证所需的候选范围。

模拟经典抗衰药：寻找天然替代品

二甲双胍和雷帕霉素是目前证据最充分的”geroprotective”（保护性抗衰老）化合物，但两者均存在副作用或临床应用限制。AI能否帮助找到功能类似但更安全的天然替代品？

Aliper等人应用深度学习与生物信息学方法，在LINCS等大型数据库中寻找可模拟二甲双胍和雷帕霉素抗衰老转录组效应的天然化合物，属于典型的AI驱动药物再定位与类药发现研究。[15] 该体外研究代表了AI在geroprotective药物开发中的一类重要应用路径：从已知有效化合物的生物学效应出发，反向寻找功能等效分子。

🔬 转录组匹配法：AI药物再定位的逻辑

如果化合物A（如二甲双胍）会引起细胞特定的基因表达变化（转录组特征），那么通过AI在大型数据库中搜索具有相似转录组效应的其他化合物，即可发现功能上的”模拟物”。这一思路大幅拓展了从天然产物或已上市药物中挖掘新用途的可能性。

生物年龄时钟：让试验更精准

传统抗衰老临床试验面临的核心困境是：如何在可接受的时间窗口内衡量干预效果？等待”寿命延长”本身作为终点指标，往往需要数十年。AI驱动的生物年龄时钟（Biological Age Clocks）正在从根本上改变这一局面。

Zhavoronkov等人系统综述了深度学习生物标志物的发展与应用，说明深度年龄预测器如何用于发现与验证干预靶点、评价候选药物和长寿干预效果，以及优化临床试验设计和数据质量控制。[4] 同一研究组更早发表的综述明确指出，AI可贯穿抗衰老药物发现全链路，包括构建年龄预测器、生成分子与患者数据、识别新靶点、药物再定位和个体化干预。[5]

在更宏观的视角下，Lyu等人的系统综述把生成式AI、老化生物标志物、geroscience干预和临床转化连接起来，将AI视为抗衰老药物发现和临床开发的底层加速器，并讨论了靶点发现、生物年龄时钟、患者分层、试验设计和产业落地等维度。[2]

💡 生物年龄时钟的价值
  • 加速试验：用生物年龄变化替代长期随访，数月内即可看到干预信号
  • 患者分层：识别”生物年龄老化加速”的高风险人群，精准招募试验对象
  • 疗效评估：作为抗衰老干预的替代终点指标（surrogate endpoint）
  • 机制解析：通过时钟逆转的分子特征，反推干预的作用机制

Bakula等人的领域综述同样涉及AI在衰老研究和药物发现中的早期定位与关键问题，并指出衰老生物标志物是连接基础研究与临床转化的关键桥梁。[3]

现实边界：当前的局限与挑战

在展望AI驱动抗衰老药物发现的同时，诚实面对当前局限同样重要。

⚠️ 主要局限
  • 验证瓶颈：计算预测远快于实验验证，大量AI预测靶点和候选分子尚待生物实验确认。Pun等人明确指出实验验证是从计算预测走向药物开发的关键瓶颈。[1]
  • 物种差距：现有动物验证研究主要在秀丽隐杆线虫中完成，[12][14] 从低等生物到人类的外推缺乏直接证据。
  • 临床缺位：目前证据库中无随机对照试验（RCT）数据，AI发现的抗衰老候选物尚无经过严格人体临床试验的先例。
  • 数据质量：AI模型的质量高度依赖训练数据的质量。衰老领域的人类纵向数据仍然稀缺，限制了模型的泛化能力。
  • 可解释性：深度学习模型往往是”黑箱”，其预测逻辑难以直接转化为机制假设，给实验验证方向的确定带来挑战。

Marino等人的综述在强调蛋白结构预测、分子建模和多组学整合价值的同时，也隐含了这一领域仍处于方法论积累阶段的现实。[6] 从AI预测到临床获益之间，仍有一段相当漫长的路要走。

⚡ 长寿派评价

AI驱动的抗衰老药物发现，是目前最具结构性潜力的长寿技术方向之一——但当下仍处于”工具成熟、验证初期”的阶段。

从方法论看，AI在靶点识别、分子筛选、结构预测和生物标志物开发上均已展现出显著的效率优势，并有多个具体平台（PandaOmics、ElixirSeeker、SenolyticSynergy等）付诸应用。从证据质量看，现有支撑以系统综述和计算/体外研究为主，仅有少量动物实验结果，完全缺乏人体随机对照试验数据。

对普通读者的实际意义：AI药物发现的突破更多是研发端的效率革命，短期内不会直接转化为你可以吞下的药丸或补剂。但它正在加速那些已有初步证据的干预方向（如senolytics、geroprotective化合物）进入临床验证的速度，值得持续关注。

证据等级：🟡 初步证据——方法论创新已被多项系统综述认可，但临床有效性有待人体试验证实。

参考文献

  1. Pun F et al. AI-powered therapeutic target discovery. Trends Pharmacol Sci. 2023. PMID: 37479540. DOI: 10.1016/j.tips.2023.06.010
  2. Lyu Y et al. Longevity biotechnology: bridging AI, biomarkers, geroscience and clinical applications for healthy longevity. Aging. 2024. PMID: 39418098. DOI: 10.18632/aging.206135
  3. Bakula D et al. Aging and drug discovery. Aging. 2018. PMID: 30425188. DOI: 10.18632/aging.101646
  4. Zhavoronkov A et al. Deep biomarkers of aging and longevity: from research to applications. Aging. 2019. PMID: 31767810. DOI: 10.18632/aging.102475
  5. Zhavoronkov A et al. Artificial intelligence for aging and longevity research: Recent advances and perspectives. Ageing Res Rev. 2019. PMID: 30472217. DOI: 10.1016/j.arr.2018.11.003
  6. Marino N et al. Towards AI-driven longevity research: An overview. Front Aging. 2023. PMID: 36936271. DOI: 10.3389/fragi.2023.1057204
  7. Li J et al. Artificial Intelligence Approach To Investigate the Longevity Drug. J Phys Chem Lett. 2019. PMID: 31411476. DOI: 10.1021/acs.jpclett.9b02220
  8. Zagirova D et al. Biomedical generative pre-trained based transformer language model for age-related disease target discovery. Aging. 2023. PMID: 37742294. DOI: 10.18632/aging.205055
  9. Pun F et al. Hallmarks of aging-based dual-purpose disease and age-associated targets predicted using PandaOmics AI-powered discovery engine. Aging. 2022. PMID: 35347083. DOI: 10.18632/aging.203960
  10. Kamya P et al. PandaOmics: An AI-Driven Platform for Therapeutic Target and Biomarker Discovery. J Chem Inf Model. 2024. PMID: 38404138. DOI: 10.1021/acs.jcim.3c01619
  11. Ren F et al. AlphaFold accelerates artificial intelligence powered drug discovery: efficient discovery of a novel CDK20 small molecule inhibitor. Chem Sci. 2023. PMID: 36794205. DOI: 10.1039/d2sc05709c
  12. Pan Y et al. ElixirSeeker: A Machine Learning Framework Utilizing Fusion Molecular Fingerprints for the Discovery of Lifespan-Extending Compounds. Aging Cell. 2025. PMID: 40419453. DOI: 10.1111/acel.70116
  13. Ye Y et al. SenolyticSynergy: An Attention-Based Network for Discovering Novel Senolytic Combinations via Human Aging Genomics. Int J Mol Sci. 2025. PMID: 41009571. DOI: 10.3390/ijms26189004
  14. Liu H et al. Screening lifespan-extending drugs in Caenorhabditis elegans via label propagation on drug-protein networks. BMC Syst Biol. 2016. PMID: 28155715. DOI: 10.1186/s12918-016-0362-4
  15. Aliper A et al. Towards natural mimetics of metformin and rapamycin. Aging. 2017. PMID: 29165314. DOI: 10.18632/aging.101319
  16. Bou Francis R et al. Computational analysis of CCN1 as a druggable target predicts interactions with bioactive compounds. Sci Rep. 2026. PMID: 41530283. DOI: 10.1038/s41598-025-34139-4
  17. Wu J et al. The identification of a novel mutation (p.I223fs) in WRN associated with Werner syndrome. Endocrine. 2024. PMID: 37856055. DOI: 10.1007/s12020-023-03565-7