跳至正文

一管血读出器官年龄：多组学衰老时钟的前沿突破

  • 由
🟢 强证据📅 最后更新：2026年3月⏱️ 阅读时间：约14分钟

你的实际年龄是47岁，但你的肝脏可能只有38岁，心脏却已经年过55——而一管血就能告诉你这一切。这不是科幻，而是2024—2025年间爆发式进展的多组学衰老时钟（Multi-omics Aging Clocks）正在实现的事。

从第一代表观遗传时钟到今天整合血浆蛋白组、代谢组、影像组乃至电子病历的多组学时代，衰老测量科学正经历范式转变。本文将带你系统理解：不同时钟测量的是什么、各有何优劣、它们能否真正用于干预效果评估。

📋 目录

从一个问题出发：生物年龄能量化吗？

人的出生日期是确定的，但衰老速度因人而异。两个同龄人在分子层面可能相差十几岁。传统体检无法捕捉这种差异，而衰老研究者长期缺乏一个可量化、可重复、能追踪干预效果的”生物年龄”指标。

过去十年，随着高通量组学技术的普及，科学家开始用数千个分子特征来”训练”机器学习模型，预测个体的生物年龄。衰老是多层级分子网络过程，单一组学只能覆盖局部维度，多组学整合才有望提高对疾病风险、干预响应和生理异质性的刻画能力[1]。衰老异质性很强，应通过多组学面板而非单一指标刻画个体生物年龄[2]——这是当前领域的核心共识。

⚙️ 什么是”生物年龄时钟”？

生物年龄时钟是以组学数据（DNA甲基化、蛋白质、代谢物等）为输入、以年龄或健康结局为输出训练的预测模型。当模型输出的”生物年龄”高于实际年龄，称为”衰老加速”（Age Acceleration）；低于实际年龄，则提示衰老减缓。关键指标不只是绝对年龄，还包括偏差值（Δage = 生物年龄 − 实际年龄）。

第一代：表观遗传时钟的奠基

衰老时钟的历史从DNA甲基化开始。2013年，Horvath利用数百个CpG位点的甲基化水平构建了第一代跨组织时钟，随后PhenoAge、GrimAge相继问世，从”预测年龄”进化到”预测疾病与死亡风险”。2022年，DunedinPACE将多年纵向器官功能下降浓缩为一次血液检测读数，成为衡量”衰老速度”而非”衰老状态”的重要指标[23]。

表观遗传时钟的优势在于技术成熟、可重复性高；局限在于它测量的主要是基因调控状态，难以反映蛋白质功能、代谢状态等下游表型的真实变化。多组学整合的需求由此产生[1]。

📌 主流表观遗传时钟速览
  • Horvath时钟：第一代，跨组织，预测实际年龄
  • PhenoAge：以临床表型为锚点，预测疾病风险
  • GrimAge / GrimAge2：以死亡为终点，预测能力更强
  • DunedinPACE：衡量衰老”速率”，对干预敏感[23]

蛋白质组时钟：一管血读出器官年龄

蛋白质是基因表达的功能执行者，也是疾病的直接介质。血浆蛋白组时钟代表了当前最成熟、临床转化最近的多组学衰老测量方向。

从单一蛋白到器官特异性时钟

系统回顾36项人类蛋白组衰老研究发现，重复出现的年龄相关蛋白指向炎症、免疫、代谢等关键衰老通路，并据此可构建新的蛋白组衰老时钟[3]。另一项系统综述整理了17个公开数据集中的血浆蛋白，识别出适用于蛋白组时钟构建的候选蛋白清单，涵盖炎症、脂代谢等与衰老和长寿密切相关的蛋白通路[18]。

2024—2025年间，蛋白组时钟迈入器官特异性时代。基于逾5万人的血浆蛋白组数据建立的器官特异性衰老模型显示，多数疾病可被理解为特定器官系统的加速衰老，生活方式、职业暴露与药物使用均与各器官衰老速率显著相关[12]。在UK Biobank开发的覆盖10个器官的蛋白组时钟，在中国与美国队列中均完成了独立验证，结果显示加速的器官衰老能够预测疾病发生、进展和死亡，且预测力超越传统临床与遗传风险因素[13]。

🔬 蛋白质组时钟的工作原理

研究者从数千名受试者的血液中测量数百至数千种蛋白质浓度，以年龄或死亡为目标变量训练机器学习模型。由于不同蛋白主要由特定器官分泌，通过筛选”器官特异性”蛋白子集，可以为肝、肾、心、脑等器官各建立一个独立时钟——这是蛋白组时钟相对于表观遗传时钟的独特优势。

✅ 蛋白质组时钟的优势与局限
  • 优势：器官特异性强；对疾病预测能力突出；技术（如Olink、SomaScan平台）日趋标准化；可追踪蛋白通路变化
  • 局限：检测费用仍较高；蛋白丰度受饮食、炎症急性期等短期因素干扰；标准化尚待完善

代谢组时钟：基因与环境的终末读数

如果说基因组是”蓝图”、蛋白组是”施工队”，代谢组则是”竣工验收报告”——它反映基因表达、环境暴露、生活方式共同作用的最终结果，也因此被视为衰老的”终末读数”。

代谢组时钟的独特价值

代谢组为何适合捕捉基因—环境交互的终末读数？综述证据指出，代谢组学技术能同时覆盖氨基酸、脂质、有机酸等数百至数千种小分子，其中许多具有明确的生物学功能，也对生活方式干预（饮食、运动、药物）高度敏感，使其在风险分层、早筛和干预监测中具有独特应用价值[17]。

大规模验证：MetaboAgeMort 与 MileAge

在英国生物样本库（UK Biobank）27万余名参与者中建立的5个器官特异性血浆代谢组生物年龄差指标（MetBAGs），证明代谢组时钟同样可以在器官层面构建，且这些指标与心代谢疾病和死亡风险相关，研究还识别出大量相关遗传位点[14]。

另一项基于23.9万名UK Biobank参与者代谢组数据构建的MetaboAgeMort时钟，用于预测10年全因死亡，结果显示与多种疾病和死亡显著相关，并识别出多种可改变的影响因素[15]。此外，研究者比较了多种机器学习算法构建的代谢组时钟MileAge，验证其对健康结局与寿命的预测能力，并发现不同算法对时钟性能影响显著，为多组学融合中的模型选择提供了参考[16]。

✅ 代谢组时钟的优势与局限
  • 优势：对生活方式干预高度敏感；反映基因与环境的综合结果；大样本验证充分
  • 局限：代谢物易受饮食、昼夜节律、样本处理等短期因素影响，重复性挑战较大；质谱检测成本仍偏高

多器官时钟：衰老并不同步

多组学时钟领域最令人震惊的发现之一是：不同器官的衰老速度并不同步。你的肝脏和你的心脏可能活在不同的”时间线”里。

器官衰老异质性的直接证据

一项使用临床检验、靶向代谢组、肠道微生物组、体适能和皮肤表型等多组学/多模态数据的研究，估算了肝、肾、免疫、代谢等不同器官系统的生物年龄。结果显示器官衰老速度存在显著异质性，器官/系统年龄对死亡和疾病风险具有额外预测价值[10]。

进一步研究整合基因组、表观组、转录组、蛋白组和代谢组数据，系统解析9个器官特异性时钟和4个血液表观遗传时钟背后的分子机制，构建跨层级分子互作网络，识别出异质衰老相关的遗传药物靶点和下游蛋白/代谢通路[11]。

2026年的综述进一步强调，不同器官衰老不同步以及器官网络互作共同塑造死亡风险，涵盖表观遗传、蛋白组、代谢组和影像时钟在器官层面的综合应用，为”器官特异性多组学衰老时钟”的临床意义提供了系统阐述[7]。

⚠️ 疾病 = 器官加速衰老？

基于逾5万人血浆蛋白组数据的研究提出了一个挑战传统疾病认知的框架：多数慢性病可被理解为特定器官系统的加速衰老[12]。这一视角意味着，与其等到”得了病”才治疗，不如通过多组学衰老时钟早期发现哪个器官正在快速老化，提前干预。

方法学挑战：如何让时钟更可靠

多器官多组学时钟的方法学仍在快速演进。核心挑战包括年龄偏倚校正（训练集年龄分布影响结果）、器官特异性（如何分离不同器官信号）、训练样本中的病理负担以及临床可解释性[6]。2025年的多篇综述均指出，现有时钟在跨人群迁移时的稳健性和解释性仍需提升[4][5]。

整合时代：OMICmAge 与多组学融合

如果说蛋白组时钟和代谢组时钟是各自独立的”侦探”，那么多组学整合方法就是把所有线索汇总的”指挥中心”。

OMICmAge：把电子病历也纳入时钟

OMICmAge是目前整合维度最广的生物年龄指标之一。研究在约3.1万名生物样本库参与者中先用常规临床检验建立EMRAge，再用DNA甲基化与多组学数据拟合出DNAmEMRAge和OMICmAge。在发现队列和多个外部验证队列中，这些指标与慢病发生、患病状态和死亡均显著相关，表现不弱于现有主流时钟[8]。该方法的核心创新在于：以临床实验室数据构建的死亡风险表型为锚点，再用多组学特征重建可泛化的生物年龄指标[9]。

⚙️ 多组学融合的技术路径

多组学衰老时钟的整合通常有两种策略：
1. 串联整合：先训练各组学子时钟，再将子时钟分数作为特征训练融合模型
2. 并联整合：直接以所有组学特征共同训练一个统一模型
两种方案各有优劣，前者可解释性更强，后者可能捕捉更多跨组学交互信号[6]。

衰老时钟能测量干预效果吗？

这是整个领域最核心的实用问题：衰老时钟能否作为”抗衰老干预”的量化终点？目前已有多项人体RCT正面回答了这一问题。

热量限制：CALERIE试验

CALERIE是迄今规模最大的人体长期热量限制RCT。该研究用DNA甲基化时钟评估热量限制对生物衰老速度的影响，结果支持部分表观遗传时钟能够捕捉到干预带来的衰老减缓，是验证衰老时钟能否作为人体抗衰老试验终点的重要里程碑[21]。

多酚饮食：DIRECT PLUS试验

DIRECT PLUS随机试验比较了富含多酚饮食对多种DNA甲基化时钟的影响，结果提示生活方式与营养干预可在一定程度上改变表观遗传生物年龄，进一步支持衰老时钟作为干预响应指标的可行性[22]。

维生素D、Omega-3与运动：DO-HEALTH试验

DO-HEALTH试验在777名老年人中评估维生素D、Omega-3和家庭运动计划对PhenoAge、GrimAge、GrimAge2和DunedinPACE的影响，结果显示Omega-3单独以及三者联合对部分时钟有减缓作用[20]。这项研究的价值在于：它直接把主流表观遗传时钟用作干预终点，为后续多组学时钟干预研究提供了方法学范本。

治疗性血浆置换：多组学时钟的全面检验

一项随机安慰剂对照试验在50岁以上健康成年人中评估治疗性血浆置换对多类生物年龄时钟的影响，结合表观组、蛋白组、代谢组、糖组、炎症因子和免疫细胞进行纵向多组学分析，尝试识别驱动”生物年龄回春”的分子标志物[19]。这是目前极少数直接将多组学时钟（而非单一表观遗传时钟）用于人体干预评估的RCT之一。

📊 干预研究小结

现有RCT证据表明，表观遗传时钟（尤其是DunedinPACE和GrimAge）对热量限制、Omega-3补充、多酚饮食等干预有一定的响应性[20][21][22]。多组学整合时钟（同时包含蛋白组、代谢组等维度）在干预评估中的应用尚处早期，现有数据来自少数RCT[19]。整体而言，衰老时钟作为”干预终点”的可行性已有初步证据，但用于个体化决策还需更多验证。

局限性与未来方向

⚠️ 当前多组学时钟的主要局限
  • 标准化缺失：不同研究使用不同平台、不同模型，时钟之间不可直接比较
  • 训练集偏倚：多数时钟在欧洲人群训练，跨族裔迁移性需验证；器官特异性蛋白组时钟已在亚洲和美国人群中开始验证[13]
  • 年龄偏倚：训练集年龄分布会系统性影响时钟读数，年龄偏倚校正是方法学核心挑战[6]
  • 因果方向不明：观察到”生物年龄加速”与疾病相关，但两者的因果关系尚待孟德尔随机化等手段厘清
  • 短期干扰：代谢组受饮食、炎症等短期因素影响显著，单次测量可靠性有限[17]
  • 成本壁垒：全蛋白组或代谢组检测仍较昂贵，尚未进入常规临床

2025—2026年的综述对未来方向给出了一致的展望：纵向多时间点测量（而非单次截面）、单细胞分辨率的组学数据整合、AI模型的可解释性提升，以及衰老时钟在真实世界临床试验中的规范化应用[4][5][6][7]。

🧬 长寿派评价

科学成熟度：多组学衰老时钟正处于从”研究工具”向”临床工具”过渡的关键阶段。蛋白质组时钟在大样本验证上已相当扎实，代谢组时钟的生活方式敏感性使其成为干预监测的有力候选；多组学融合方法（如OMICmAge）代表了最前沿但也是方法学争议最多的方向。

最重要的发现：器官衰老不同步这一发现具有重要意义——它意味着”整体生物年龄”可能是一个过于粗糙的概念，个体需要关注的是哪个器官正在”超龄运转”，而非一个笼统的数字。

干预建议：目前有最多RCT证据支持的干预策略仍是热量控制（CALERIE）和Omega-3补充（DO-HEALTH），这些干预对主流表观遗传时钟有可测量的影响。对于多组学整合时钟，干预数据仍十分有限，现阶段建议将其视为风险分层工具而非干预指导依据。

消费者建议：目前市面上已有商业化的蛋白组和表观遗传时钟检测产品。如果你对自身生物年龄感兴趣，选择有同行评审发表、跨队列验证的时钟（如GrimAge、DunedinPACE或有大队列支持的蛋白组时钟）。单次测量的参考价值有限，纵向追踪（同一平台、相同条件下多次测量）才能真正看出趋势。

长寿派判断：🟢 强证据领域——多组学衰老时钟的预测价值在多个大型队列中得到重复验证，作为风险分层工具的证据基础扎实；作为干预终点的应用已有初步RCT支持，但仍需更多多组学整合时钟的临床试验数据。

参考文献

  1. Rutledge J et al. Measuring biological age using omics data. Nat Rev Genet. 2022. PMID: 35715611. DOI: 10.1038/s41576-022-00511-7
  2. Rivero-Segura N et al. Promising biomarkers of human aging: In search of a multi-omics panel to understand the aging process from a multidimensional perspective. Ageing Res Rev. 2020. PMID: 32977058. DOI: 10.1016/j.arr.2020.101164
  3. Johnson A et al. Systematic review and analysis of human proteomics aging studies unveils a novel proteomic aging clock and identifies key processes that change with age. Ageing Res Rev. 2020. PMID: 32311500. DOI: 10.1016/j.arr.2020.101070
  4. Ruden D et al. The emerging role of multiomics in aging research. Epigenomics. 2025. PMID: 40684321. DOI: 10.1080/17501911.2025.2533111
  5. Kočar E et al. Measuring biological age: Insights from omics studies. Ageing Res Rev. 2026. PMID: 41371352. DOI: 10.1016/j.arr.2025.102988
  6. Wen J et al. Refining the generation, interpretation and application of multi-organ, multi-omics biological aging clocks. Nat Aging. 2025. PMID: 40764431. DOI: 10.1038/s43587-025-00928-9
  7. Li Z et al. From ageing clocks to organ networks: Biological age-driven organ asynchrony and inter-organ interactions shaping mortality risk. Ageing Res Rev. 2026. PMID: 41655608. DOI: 10.1016/j.arr.2026.103056
  8. Chen Q et al. OMICmAge quantifies biological age by integrating multi-omics with electronic medical records. Nat Aging. 2026. PMID: 41741793. DOI: 10.1038/s43587-026-01073-7
  9. Chen Q et al. OMICmAge: An integrative multi-omics approach to quantify biological age with electronic medical records. bioRxiv. 2023. PMID: 37904959. DOI: 10.1101/2023.10.16.562114
  10. Nie C et al. Distinct biological ages of organs and systems identified from a multi-omics study. Cell Rep. 2022. PMID: 35263580. DOI: 10.1016/j.celrep.2022.110459
  11. Xiong J et al. Multi-omic underpinnings of heterogeneous aging across multiple organ systems. Cell Genomics. 2025. PMID: 41043431. DOI: 10.1016/j.xgen.2025.101032
  12. Goeminne L et al. Plasma protein-based organ-specific aging and mortality models unveil diseases as accelerated aging of organismal systems. Cell Metab. 2025. PMID: 39488213. DOI: 10.1016/j.cmet.2024.10.005
  13. Wang Y et al. Organ-specific proteomic aging clocks predict disease and longevity across diverse populations. Nat Aging. 2026. PMID: 41299092. DOI: 10.1038/s43587-025-01016-8
  14. Anagnostakis F et al. Multi-organ metabolome biological age implicates cardiometabolic conditions and mortality risk. Nat Commun. 2025. PMID: 40419465. DOI: 10.1038/s41467-025-59964-z
  15. Jia X et al. A Novel Metabolomic Aging Clock Predicting Health Outcomes and Its Genetic and Modifiable Factors. Adv Sci. 2024. PMID: 39331845. DOI: 10.1002/advs.202406670
  16. Mutz J et al. Metabolomic age (MileAge) predicts health and life span: A comparison of multiple machine learning algorithms. Sci Adv. 2024. PMID: 39693428. DOI: 10.1126/sciadv.adp3743
  17. Huang H et al. Decoding aging clocks: New insights from metabolomics. Cell Metab. 2025. PMID: 39657675. DOI: 10.1016/j.cmet.2024.11.007
  18. Kliuchnikova A et al. Proteomic Markers of Aging and Longevity: A Systematic Review. Int J Mol Sci. 2024. PMID: 39684346. DOI: 10.3390/ijms252312634
  19. Fuentealba M et al. Multi-Omics Analysis Reveals Biomarkers That Contribute to Biological Age Rejuvenation in Response to Single-Blinded Randomized Placebo-Controlled Therapeutic Plasma Exchange. Aging Cell. 2025. PMID: 40424097. DOI: 10.1111/acel.70103
  20. Bischoff-Ferrari H et al. Individual and additive effects of vitamin D, omega-3 and exercise on DNA methylation clocks of biological aging in older adults from the DO-HEALTH trial. Nat Aging. 2025. PMID: 39900648. DOI: 10.1038/s43587-024-00793-y
  21. Waziry R et al. Effect of long-term caloric restriction on DNA methylation measures of biological aging in healthy adults from the CALERIE trial. Nat Aging. 2023. PMID: 37118425. DOI: 10.1038/s43587-022-00357-y
  22. Yaskolka Meir A et al. The effect of polyphenols on DNA methylation-assessed biological age attenuation: the DIRECT PLUS randomized controlled trial. BMC Med. 2023. PMID: 37743489. DOI: 10.1186/s12916-023-03067-3
  23. Belsky D et al. DunedinPACE, a DNA methylation biomarker of the pace of aging. eLife. 2022. PMID: 35029144. DOI: 10.7554/eLife.73420