《Aging Cell》：Personalized-Context-Aware Age Gap: A New Multi-Omics Measurement Based on Age-Enhanced Model AOE-Net for Aging Acceleration and Chronic Disease Risk Prediction
编辑推荐：
摘要：衰老是影响人类健康并增加疾病风险的全球性议题。传统"年龄差(Age Gap, AG)"定义为估算生物年龄与实足年龄(Chronological Age)之差，已被用于老龄相关疾病风险的自我监测。然而现有AG未考虑实足年龄不同阶段的分层衰老模式，可能导致对
摘要：衰老是影响人类健康并增加疾病风险的全球性议题。传统"年龄差(Age Gap, AG)"定义为估算生物年龄与实足年龄(Chronological Age)之差，已被用于老龄相关疾病风险的自我监测。然而现有AG未考虑实足年龄不同阶段的分层衰老模式，可能导致对衰老加速的偏倚或矛盾解读。为解决上述局限，研究人员提出基于新型预训练模型AOE-Net(Age Order Enhanced Network，年龄顺序增强网络)计算的个性化情境感知年龄差(Personalized-context-Aware Age Gap, PAAG)，作为估算衰老加速的稳健指标。AOE-Net对健康人群多组学数据采用年龄顺序增强对比学习(Age-Order Enhanced Contrastive Learning)，学习可准确重建衰老轨迹的潜表示(Latent Representation)，通过捕获组学数据中的生物学偏差而非技术偏差。研究人员证明，经微调AOE-Net生成的PAAG在预测临床结局方面显著优于常规一、二代衰老时钟的传统AG。该优越预测能力在多种老龄相关疾病及表型中得到验证：泛癌(pan-cancer，总生存期Overall Survival)、亚临床动脉粥样硬化(Subclinical Atherosclerosis，PESA评分)及骨质疏松症(Osteoporosis，骨密度Bone Mineral Density, BMD)。关键在于PAAG作为情境感知指标，可改善现有衰老时钟的临床结局预测能力。此外，PAAG分子驱动因子的阐释分析显示免疫应答通路(Immune-Response Pathways)存在强烈功能富集，为加速衰老与疾病间提供了共享机制关联。综上，PAAG可作为评估老龄相关疾病临床衰老加速的稳定指标，AOE-Net为衰老研究及PAAG评估提供了有效的预训练模型。
论文解读：《Personalized-Context-Aware Age Gap: A New Multi-Omics Measurement Based on Age-Enhanced Model AOE-Net for Aging Acceleration and Chronic Disease Risk Prediction》发表于Aging Cell**
研究背景与意义：
衰老系细胞分子水平损伤累积致机体功能渐进性衰退的复杂过程，显著增加心血管病、神经退行性疾病及癌症等慢性病风险。传统实足年龄无法反映个体间生物学衰老速率差异，故基于多组学数据构建"衰老时钟(Aging Clock)"估算生物年龄(Biological Age, BA)，并以生物年龄与实足年龄(Chronological Age, CA)之差——年龄差(Age Gap, AG)——作为衰老加速指标。第一代时钟（如Horvath时钟、Hannum时钟）以预测CA为目标，面临回归趋中偏倚(Regression-to-the-Mean Bias)且AG生物学含义随CA阶段变化被忽视的问题；第二代时钟（如PhenoAge、GrimAge）关联表型或死亡率，仍未解决跨生命周期年龄偏差解读及同一年龄层内偏差比较问题。此外，多组学数据异质性强、常缺失模态、高维小样本也制约模型泛化。为此，研究人员开展本研究，提出AOE-Net深度学习预训练框架及个性化情境感知年龄差(Personalized-context-Aware Age Gap, PAAG)新指标，以年龄分层锚定参照克服传统AG缺陷，并在泛癌、亚临床动脉粥样硬化及骨质疏松队列验证其临床预测价值与分子机制关联。
主要关键技术方法：
研究人员构建AOE-Net（Age Order Enhanced Network），采用变分自编码器(Variational Autoencoder, VAE)结合Product of Experts(PoE)融合RNA-seq与DNA甲基化(DNA Methylation, DNAm)多组学数据学习共享低维潜表示；预训练阶段引入按10年为间隔分箱的实足年龄分箱(Chronological-age-bin)，施加年龄顺序增强对比学习(Age-Order Enhanced Contrastive Learning)——含基于代理的对比损失(Proxy-based Contrastive Loss)与顺序感知方向损失(Order-aware Direction Loss)——使同龄段样本潜表示聚集、不同年龄段的保持有序关系，同时优化重构损失(Reconstruction Loss)与KL散度(KL Divergence)；模型于GTEx（正常组织RNA-seq）及TCGA正常配对样本预训练，再迁移微调(Fine-tuning)预测生物年龄；PAAG计算为个体预测生物年龄与其所在实足年龄组内平均预测生物年龄之差（正值示加速衰老）。基准对照包括一代DeepMAge、BiT age clock、HorvathAge及二代PhenoAge、RNAAge；采用SHAP(SHapley Additive exPlanations)进行特征贡献解析与GO(Gene Ontology)富集分析；生存分析用C指数(Concordance Index, C-index)、风险比(Hazard Ratio, HR)及多变量对数秩检验(Multivariate Logrank Test)；验证队列涵盖TCGA泛癌(n=9621)、TARGET泛癌(n=2904)、PESA亚临床动脉粥样硬化血RNA-seq(n=391)及骨质疏松DNAm队列(n=398)。
研究结果：
2.1 Framework of AOE-Net and PAAG
AOE-Net分三阶段：多组学VAE-PoE编码获潜表示→微调预测BA→按CA分箱算组内均值锚定(Anchor Age)得PAAG = BA个体? mean(BA同组)。图示流程显示PAAG较传统AG以同龄群参照消除生命周期偏倚，适用于单模态或缺失模态推断。
2.2 Age-Informed Latent Trajectories Captured by AOE-Net
UMAP降维显示预训练后潜嵌入沿10年CA分箱呈渐变排列，伪时间(Pseudotime)轨迹与CA强相关，证实年龄顺序增强对比学习成功将生物学年龄结构编码至潜空间，为下游疾病偏离检测奠基。
2.3 Overall Survival and Immune Response Stratification in Pan-Cancer Individuals Associated to PAAG Compared to Baseline Methods
TCGA泛癌微调后，按PAAG分年轻(<40岁)、中老年(40–60岁、>60岁)亚组为衰老减速/正常/加速三组，加速组总生存期(Overall Survival, OS)最差（各亚组Log-rank p分别=3.09×10?4、2.45×10?5、2.07×10?4），低级别胶质瘤尤为显著(p=9.25×10?4)；PAAG的HR及C-index均优于DeepMAge、BiT age clock、PhenoAge、horvathAge（尤青年及中年组），消融实验显示将原AG替换为PAAG可提升旧时钟预后效能，证PAAG具普适性。三模态（加RPPA蛋白）AOE-Net略升C-index且PAAG仍有效分层生存。PAAG与免疫亚型C5（免疫静默型）最低值对应，加速组免疫检查点特征ICS5评分更高(Kruskal-Wallis p=1.59×10?20)；衰老相关基因(CDKN1A、CDKN2A、SERPINE1、CXCL8、GDF15、IGFBP7)表达随PAAG升高而增；SHAP揭示贡献基因含MARCO（巨噬细胞清除）、KRT23（上皮间质转化EMT）、TDRD9（表观致癌）等兼具肿瘤与衰老双重关联，DNAm位点含cg03199651(MSX1)、cg06156376(SHOX2)等；GO富集显免疫应答通路主导。
2.4 PAAG in TARGET Pan-Cancer Cohort Underscores Immune Correlation With Aging in Cancer Patients
独立TARGET队列仅输入RNA-seq，PAAG分布性别无偏；SHAP关键基因为CD22、IGHD、HOTAIRM1、MCEMP1等免疫相关，HOTAIRM1高表达连不良预后与"高龄"及T细胞免疫激活；GO再富集免疫系统的生物学过程(Biological Process, BP)，印证跨癌种、跨年龄（含儿童肿瘤）PAAG关联免疫微环境改变。
2.5 Subclinical Atherosclerosis Severity Characterized by PAAG
PESA无症状受试者PAAG加速组中间/广泛亚临床动脉粥样硬化(Subclinical Atherosclerosis, SA)比例更高，SA程度(PESA评分)越高PAAG越大；PAAG预测SA负荷比值比(Odds Ratio, OR)高于重训BiT age clock及RNAAge。SHAP关键基因含MMP9（斑块不稳定）、ALPL（血管钙化）、IGHD、XCL2等免疫相关；GO富集免疫进程与刺激应答，提示加速衰老-SA共通机制为免疫失调。
2.6 Bone Mineral Density Associated With PAAG for Osteoporosis Individuals
骨质疏松队列PAAG与腰椎BMD负相关(L1–L4 BMD: p=3.937×10?2)、与骨形成标志物P1NP正相关(p=9.666×10?4)；骨质疏松组PAAG高于正常组。SHAP选出cg03270167(RAMP1，骨代谢CGRP受体)、cg00311768(TSTA3，糖基化/成骨)、cg02004156(TFE3，自噬-代谢衰老)等DNAm位点，提供骨-衰老互作潜在靶点。
讨论与结论翻译：
本研究提出AOE-Net深度学习框架与PAAG新指标量化衰老加速。PAAG通过将个体预测生物年龄对照同龄组均值锚定，克服传统AG忽视年龄分层变异的局限，提供更准确保险加速测度，在泛癌、亚临床动脉粥样硬化及骨质疏松中优于现有时钟且与不良临床结局相系。跨疾病设置中PAAG升高伴免疫微环境改变（尤其肿瘤中免疫检查点及衰老相关分泌表型SASP上调），GO富集示免疫应答通路为核心分子驱动，支持加速衰老-免疫互作为共病潜在纽带，但因果机制待纵向或单细胞研究阐明。AOE-Net经PoE设计可处理缺失组学模态，SHAP助力发掘双关（肿瘤/衰老）生物标记如MMP9、IGHD；未来可拓展至纵向多组学及单细胞多组学捕捉非线性衰老动态，纳入更多蛋白层与多样人群验证。PAAG为横断面同龄群偏差情境感知度量，不替代纵向衰老速率指标（如DunedinPACE）但可经特定组织微调适配器官时钟。综上，AOE-Net与PAAG架起分子数据至临床结局的个性化情境感知AI桥梁，PAAG可用于临床精准健康状态及老龄慢病风险评估，推动"AI for Biology"在衰老生物学与精准医学中的应用。
