人工智能如何發現健康衰老的新分子靶點

研究衰老的科學家們有了一個新工具：人工智能系統可以在數天內掃描數千個分子或遺傳數據集，並標記最可能影響細胞衰老方式的少數幾個。最近公開的多個項目展示了這在實踐中的運作方式——其中包括一個巴西大學實驗室、一家國際生物技術公司和一個挖掘大型公開基因組數據庫的研究團隊——它們都針對同一基本問題：隨著年齡增長而積累的氧化應激和細胞損傷。

一個可解釋的人工智能模型搜獵抗氧化肽

在里約熱內盧天主教大學（PUC-Rio），由化學教授André Silva Pimentel領導的團隊與研究人員Maria Carolina J. A. Schneider和Marina Geisiely Damaso Godinho Alves合作，發表了一項關於應用於抗氧化肽的可解釋人工智能的研究。根據該團隊在2026年10月5日為The Conversation Brasil撰寫的文章所述，肽是發生在食品蛋白質中的短氨基酸鏈，也可以合成，其中一些可以中和自由基——當不穩定分子積累速度超過身體抗氧化系統能清除的速度時，會損害細胞。

PUC-Rio團隊使用了一種稱為可解釋人工智能的方法，它與標準機器學習模型的一個關鍵區別是：除了僅僅產生預測外，它還展示了肽的氨基酸序列的哪些部分最影響了該預測。根據研究人員的說法，這讓科學家們能看到哪些結構特徵使肽更可能充當抗氧化劑，而不是將人工智能視為黑盒子。這項工作由里約熱內盧州研究基金會FAPERJ資助，也被巴西媒體Brasil em Folhas報道，該媒體描述了同一實驗室和方法論。

研究人員寫道，實際價值在於速度：不是在實驗室中逐個測試大量肽候選物，而是人工智能模型將一長串選項縮減到少數幾個最值得實驗測試的序列。該團隊表示，潛在應用不僅限於抗衰老護膚品和營養補充劑，還包括關於氧化應激相關疾病（如阿茲海默症、帕金遜症和癌症）的研究——儘管他們將此描述為進一步研究的方向，而不是已完成的治療。

更大規模的人工智能系統正在掃描基因組和藥物庫以尋找衰老靶點

另一項更大規模的工作來自Insilico Medicine，這是一家開發用於藥物發現的人工智能工具的生物技術公司。2026年9月17日，該公司在《Cell》期刊封面發表了一項研究，介紹了一個為長壽研究構建的開源工具包，與Liquid AI、老齡化研究Buck研究所、哈佛醫學院和布里根婦女醫院合作建立，根據Insilico Medicine自己的聲明。

該工具包有三個部分：LongevityBench，一個基準測試AI模型如何通過包括遺傳學和蛋白質組學在內的五種數據類型對衰老生物學進行推理；Longevity-LLMs，一個專門針對衰老相關數據訓練的緊湊語言模型家族（參數範圍從0.6到90億）；以及Longevity Claw，一個旨在識別和排列可能的衰老相關靶點的自主研究平台。Insilico Medicine報告稱，其專門的90億參數模型在衰老生物學任務上與16個前沿通用人工智能系統相匹配或超越，並且Longevity Claw提出了328個衰老干預靶點候選物，與獨立發布的實驗驗證衰老靶點參考集相比，顯示出最高5.6倍的富集。

第三種方法由衰老研究新聞網站Lifespan.io介紹，使用了一個名為ClockBase Agent的人工智能工具——由研究人員Vadim Gladyshev領導的團隊構建——來挖掘超過200萬個現有RNA測序和表觀遺傳數據集，涵蓋43,529項記錄的生物干預。該系統標記了已知藥物（包括雷帕黴素、二甲雙胍、非諾貝特和烏本苷）與數據中較慢的生物衰老相關聯；Lifespan.io報告稱，在對20個月大的小鼠進行3個月烏本苷治療的後續測試中，與改善的虛弱評分、認知表現、毛皮狀況和心臟功能相關聯，儘管描述完整研究的預印本於2025年11月發布，尚未在人體試驗中得到確認。

這項研究顯示和不顯示的內容

這些項目都沒有聲稱已經產生了經批准的抗衰老治療。PUC-Rio肽模型和Insilico Medicine的靶點列表是預測工具，旨在優先考慮實驗室和臨床測試的候選物，而不是成品療法。Lifespan.io描述的烏本苷發現來自動物實驗，而不是人體試驗。參與PUC-Rio研究和Insilico Medicine的研究人員都將他們的工作描述為縮小非常大的搜索空間——數百萬個可能的分子或基因靶點——以便稀缺的實驗室和臨床資源首先被用於測試最有前景的候選物。

• 可解釋人工智能(PUC-Rio)：標記食品衍生或合成肽中可能是抗氧化劑的氨基酸序列。
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine，與Buck研究所和哈佛醫學院合作)：在組學數據集中標記和排列與衰老相關的遺傳靶點的基準。
• ClockBase Agent (Gladyshev研究團隊)：挖掘現有的公開基因組數據集，以標記在動物數據中與較慢生物衰老相關的現有藥物。