2026年，人工智能與衰老生物學的交叉研究持續升溫。AI 憑借處理海量組學、醫學文獻數據的能力，被科研機構廣泛應用于衰老相關活性化合物挖掘。
但《Frontiers》發表的領域綜述也冷靜指出了行業現存短板：現階段絕大多數衰老方向 AI 模型仍局限于解析化合物二維化學結構，較少考量分子進入人體之后的器官分布、通路交互效應；統計顯示僅約 3% 的 AI 衰老研究，會配套開展后續體內生物學驗證，計算仿真的結果與真實生理反應之間，存在一道不容忽視的鴻溝。
而日前，LAIFE母公司Regenerative Bio 自研 RevOrgan計算醫學平臺提出 “算器官” 的研發思路，跳出傳統分子 AI 的固有框架，為衰老干預領域 AI 研發提供新的觀察樣本。
傳統分子 AI 的局限：只解析化學，忽視器官生理
以 DMPNN、GROVER 為代表的傳統分子 AI 模型，核心輸入是化合物二維化學結構式，在判斷分子本身化學活性方面具備不錯表現。但人體衰老是多器官、多通路交聯的復雜生理過程，僅僅掌握分子的化學結構，并不足以預判它會作用于人體哪些器官、多種成分搭配會不會出現拮抗效應、在代謝層面是否存在潛在風險。
受模型設計思路限制，不少平臺將分子篩選的計算結果直接作為配方結論，缺少器官維度的評估環節，這也導致大量 AI 輸出的方案，很難落地到體外與體內生物學試驗。
換言之，傳統分子 AI 擅長 “看懂分子”，卻很難 “看懂器官”。衰老干預的核心對象是完整的人體器官系統，這一現實，倒逼行業探索更加貼合生理邏輯的新一代計算范式。
RevOrgan平臺：把 12 類器官衰老機制納入 AI 計算
正是為了彌補傳統分子 AI“只見分子，不見器官” 的短板，RevOrgan平臺搭建起四大底層數據庫，整合 2.3 億 + 全球生物醫學文獻、1200 萬 + 組學基因組數據、80 萬 + 臨床衰老案例、30 萬 + 天然活性成分庫，搭建專屬衰老知識圖譜。
平臺算力可達 32 PFLOPS，在抗衰活性物質預測任務中 AUC 達到 0.89，相較 MIT 等機構發表于《Nature Aging》的主流深度神經網絡模型，預測指標實現 39% 的提升。
與傳統分子 AI 只解析化學結構不同，RevOrgan可以同步讀取多組學器官衰老時鐘、12 個器官靶向機制、分子藥效團結構，單次可完成千萬級配方組合虛擬仿真，同步開展 ADMET 代謝安全性仿真，預判不同成分之間協同或者拮抗關系，優先篩選可以覆蓋多條衰老標志模塊的候選配方。
從行業發展的維度觀察，衰老領域的 AI 技術，正在經歷一場范式迭代：從過去單純的 “分子篩選工具”，逐步走向兼顧器官生理、通路交互、安全風險的器官級計算醫學。算力規模、算法 AUC 指標只是技術的基礎，一套完整的 “AI 仿真？體外干濕實驗？真實世界隊列反饋” 閉環，才是 AI 衰老技術能否真正落地的關鍵。
行業應當理性看待 AI 的能力邊界，AI 是提升研發效率的工具，無法取代生物學實體試驗。想要把計算醫學真正轉化為有價值的健康方案，算法模型必須扎根于可復現的生物學證據之上。
轉自：鷹潭新聞網
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
