核 心 技 术

Aevum 第四代生物学年龄时钟

Aevum 的旗舰技术——第四代多组学年龄时钟,是目前业界最精准的生物学年龄模型之一。它远超第一、二代甲基化时钟 (Horvath、Hannum、PhenoAge、GrimAge),通过统一的细胞衰老模型整合蛋白质组、转录组与代谢组信号。

2013

Gen 1

Horvath · Hannum

时序漂移

2018

Gen 2

PhenoAge

临床 · 炎症 · 代谢

2019

Gen 3

GrimAge

血浆蛋白代理

2022

Pace

DunedinPACE

衰老速率

'22-'24

PC

Causal

器官特异 / 因果

2025

Gen 4

多组学 · 器官时钟

AEVUM

0.96 R

Correlation

预测年龄 vs. 时序年龄

1.8

Mean Abs. Error

平均绝对误差

0.91

Test-Retest

重测信度

3.4x

HR / Decade

每十年差距死亡风险比

图 1 生物学年龄时钟的演进——从单组学甲基化时钟 (Gen 1–3),到衰老速率与因果 / 器官特异性时钟,直至 Aevum 第四代多组学模型

统一衰老模型

UNIFIED MODEL

以单一细胞衰老框架整合多组学信号。

器官特异性输出

ORGAN-SPECIFIC

输出各器官系统的独立衰老评分与轨迹。

因果 vs. 记录

CAUSAL READOUT

区分驱动衰老的因果位点与被动记录的伴随信号。

科 学 解 析

衰老的本质——以及为什么可以测量它

衰⽼并⾮仅仅是时间的流逝,⽽是分⼦与细胞层⾯损伤的逐步累积——它是⼏乎所有慢性疾病(⼼⾎管疾病、癌症、神经退⾏性病变、 代谢紊乱)的共同根源。现代⽣物学已识别出衰⽼背后的具体机制,我们⾸次能够对其进⾏量化。

我们测量的⼗四⼤衰⽼标志

基因组不稳定GENOMIC INSTABILITY

DNA 损伤持续累积,突变与修复能⼒失衡。

端粒损耗 TELOMERE ATTRITION

染⾊体末端随分裂缩短,细胞⾛向停摆。

表观遗传改变 EPIGENETIC ALTERATIONS

甲基化模式漂移,基因表达与细胞⾝份失序。

蛋⽩稳态丧失LOSS OF PROTEOSTASIS

错误折叠蛋⽩累积,清除与折叠系统衰退

巨⾃噬失能 DISABLED MACROAUTOPHAGY

细胞「回收系统」衰退,受损组分滞留

营养感应失调 DEREGULATED NUTRIENT-SENSING

mTOR、胰岛素 / IGF-1 等通路响应紊乱。

线粒体功能障碍 MITOCHONDRIAL DYSFUNCTION

能量产出下降,氧化损伤上升。

细胞衰⽼ CELLULAR SENESCENCE

受损细胞拒绝凋亡,持续释放炎性因⼦ (SASP)。

⼲细胞耗竭 STEM CELL EXHAUSTION

组织再⽣与修复的储备逐渐枯竭。

细胞间通讯改变 ALTERED INTERCELLULAR COMM.

内分泌与旁分泌信号失衡,系统协调受损。

慢性炎症 CHRONIC INFLAMMATION

低度「炎性衰⽼」持续加速组织损伤。

肠道菌群失调DYSBIOSIS

菌群多样性下降,影响代谢、免疫及脑功能。

细胞外基质失调 ECM DYSREGULATION 新兴

㬵原交联硬化,组织弹性与⼒学性质丧失。

昼夜节律紊乱CIRCADIAN DISRUPTION 新兴

⽣物钟去同步,代谢、修复与免疫节律受损。

衰⽼标志框架 · 基于 López-Otín 等 (2013 / 2023):12 项公认机制,及 2 项新兴机制 (13‒14)

为什么这很重要 · WHY IT MATTERS

同样年龄的两个⼈,其⽣物学年龄可能相差 20 岁以上。⼀旦能够测量这⼀差距,我们便能对其进⾏⼲预——这是现代⻓寿 科学的核⼼理念,也是 Aevum 平台的根基。

核 心 技 术

多组学 + 机器学习预测流程

Aevum 第四代生物学年龄时钟的核心,是一套端到端的多组学机器学习预测系统。它整合了从分子层面到整体生理层面的全维度生物学信号,通过深度学习模型量化生物学年龄、各系统健康评分与十年期死亡风险,为个性化干预与精准长寿医学提供数据支撑。

01

多组学输入

MULTI-OMIC INPUT

  • 基因组学
  • 表观基因组学
  • 转录组学
  • 蛋白质组学
  • 代谢组学
  • 微生物组学
  • 临床与生活方式
02

多尺度表征

BIO REPRESENTATION

  • 人体层面 · 全身整合
  • 器官系统层面
  • 细胞 / 分子层面
  • 信号通路与状态
03

机器学习整合

ML INTEGRATION

  • 多模态深度学习
  • 捕捉非线性关系
  • 时序模式识别
  • 不确定性量化
04

输出预测

PREDICTIONS

  • 生物学年龄
  • 系统健康评分
  • 十年死亡风险
  • 个性化干预分层

生 物 学 年 龄

43.7

实际年龄 45 岁 · 年轻 1.3 岁

系 统 健 康 评 分 · 0-100

心血管 82
呼吸 76
免疫 68
代谢 60
肾脏 70
神经 78
肌骨 74
消化 62

死 亡 风 险 · 10 年

8.6%

风险百分位 第 78 位

01 个性化健康洞察
02 疾病早筛与预防
03 精准干预分层
04 健康监测与追踪
05 延长健康寿命