生物学年龄（Biological Age，也称生理年龄） 是指从生物学层面（包括分子、细胞、组织及器官功能）衡量的机体真实衰老程度。它不同于 日历年龄（Chronological Age） ——即从出生到当前时刻所经历的时间长度。

日历年龄对每个人都以每年 1 岁的速度均匀增长，而生物学年龄的增长速度则存在显著个体差异。它综合反映了遗传背景、饮食、睡眠、运动、心理压力、情绪状态以及自然与社会环境等因素对身体造成的长期“磨损”与功能变化。因此，相比日历年龄，生物学年龄通常能够更准确地评估个体当前的健康状态、衰老速度以及未来疾病风险。

一个常见的比喻是： 日历年龄类似于汽车的“出厂时间”，而生物学年龄更像汽车的“里程表（odometer）”。 相比车辆生产年份，里程表往往更能客观反映汽车的机械磨损程度和剩余使用寿命。同样，两位日历年龄相同的人，其生物学年龄可能存在明显差异。

生物学年龄可以从以下几个层面进行衡量：

1. 外部特征与生理机能： 外部特征包括皮肤皱纹、白发数量、视力衰退、肌肉减少、记忆力下降，以及步速与平衡能力下降等。基于这些特征估算生物学年龄较为直观，但主观性较强，准确性有限。生理机能指标则包括血糖、血压、肝肾功能、激素水平等常规临床指标。这类指标较容易量化，也能较好地反映机体功能状态，但对生物学年龄的评估仍不够全面和精准。

2. 细胞学层面（细胞年龄）： 端粒长度（Telomere Length） 是染色体末端的保护结构，细胞每分裂一次，端粒便会缩短。当端粒过短时，细胞停止分裂并进入衰老状态。端粒长度曾被广泛视为重要的衰老标志物，但目前认为其对个体短期生物学年龄变化的敏感性不如表观遗传时钟。另一个重要指标是 有丝分裂年龄（Mitotic Age）， 即通过估算组织干细胞在生命周期中累计发生的细胞分裂次数来衡量生物学年龄。此外， 免疫细胞组成变化 也是评估衰老的重要依据。例如外周血中的 初始 T 细胞（Naive T Cells） 和 初始 B 细胞（Naive B Cells） 数量随年龄增长而减少，这是免疫系统衰老的重要标志。基于这些指标建立的“细胞年龄”具有较好的客观性和量化能力，目前仍被广泛应用。

3. 分子与多组学层面： 包括基因组层面（如随年龄增长而增加的体细胞突变负荷），以及转录组、蛋白质组和代谢组层面（包括 RNA 分子标记、血浆蛋白或多肽标记，以及代谢中间产物等分子特征）。其中， 表观基因组层面（DNA 甲基化）被认为是目前最精准的生物学年龄评估方法。 基于 DNA 甲基化模式建立的 “表观遗传钟（Epigenetic Clock）”， 能够较为准确地预测个体的衰老速度、机体状态及未来健康风险。

科学研究表明，长期、系统性的健康生活方式干预，可能改善 DNA 甲基化等表观遗传标记，帮助减缓生物学衰老速度。以下是目前在健康老龄化与长寿医学中较为公认的核心习惯：

• • 规律进食与适度热量控制：在保证营养充足的前提下，避免长期热量过剩。部分人群可在专业指导下尝试限时进食或间歇性断食，以改善代谢灵活性。
• • 植物主导的地中海式饮食：增加蔬菜、水果、全谷物、豆类、坚果、橄榄油和优质蛋白摄入，减少超加工食品、精制糖和反式脂肪。
• • 规律有氧运动：每周进行稳定、中等强度的有氧训练，如快走、慢跑、骑行或游泳，有助于提升心肺功能、线粒体健康和代谢稳定性。
• • 抗阻力训练：每周进行 2–3 次力量训练，有助于维持肌肉量、骨密度和胰岛素敏感性，降低年龄相关肌肉流失风险。
• • 高质量睡眠：保证每晚 7–9 小时睡眠，并维持规律作息，为细胞修复、免疫调节、代谢恢复和神经系统清理提供重要窗口。
• • 压力管理：通过正念冥想、深呼吸、瑜伽、户外活动或心理支持等方式降低长期压力负荷，帮助调节自主神经与炎症反应。
• • 维持健康体重与代谢状态：控制腰围、体脂率、血糖、血脂和血压，有助于减少慢性炎症和代谢压力。
• • 戒烟并减少有害暴露：烟草烟雾会显著影响 DNA 甲基化模式并加速血管和肺部衰老；彻底戒烟是降低生物学年龄风险的重要措施。
• • 限制酒精摄入：减少或避免饮酒，有助于降低肝脏负担、氧化应激和炎症水平。
• • 科学防晒与环境防护：日常使用广谱防晒、减少过度紫外线暴露，并尽量降低空气污染、重金属和其他环境毒素暴露。

DNA（脱氧核糖核酸）是生命遗传信息的载体。它由四种化学碱基——A（腺嘌呤）、C（胞嘧啶）、G（鸟嘌呤）和 T（胸腺嘧啶）按特定顺序排列组成。人类每个细胞核中的 DNA 约包含 30 亿个碱基对。在个体一生中，DNA 的基本序列通常保持相对稳定。若 DNA 序列本身发生改变，例如某个位点由 C 变为 T，则称为突变（Mutation）；突变通常较难逆转。

与突变不同，DNA 甲基化（DNA Methylation）是一种表观遗传修饰。它不会改变 DNA 的原始序列，而是在特定碱基，主要是胞嘧啶 C 上添加一个化学基团——甲基（-CH₃）。可以把 DNA 甲基化理解为给某些 DNA 片段加上“调控标签”或“开关”。这种修饰通常具有一定可逆性，可通过去甲基化过程发生改变。人体基因组中不同位点的甲基化状态共同构成了DNA 甲基化图谱。

DNA 甲基化在基因调控中具有重要作用。例如，当某个基因调控区域的胞嘧啶被大量甲基化时，该基因可能被“关闭”或进入低表达状态。虽然 DNA 序列本身相对稳定，但 DNA 甲基化状态是动态变化的，会受到多种内外因素影响，包括：

• 生活方式与环境：饮食、运动、睡眠、心理压力、吸烟、饮酒以及环境污染等因素，都可能影响 DNA 甲基化状态。
• 体重与代谢状态：肥胖、体重变化和代谢异常可伴随 DNA 甲基化模式改变。
• 感染与炎症：病毒感染和慢性炎症可能干扰宿主细胞的表观遗传调控，改变特定基因的甲基化水平。
• 疾病早期变化：在癌症、神经退行性疾病等慢性疾病早期，异常代谢和炎症反应可能导致关键基因发生异常甲基化。
• 年龄增长：随着年龄增长，人体内特定 DNA 位点的甲基化水平会呈现规律性变化；有些区域逐渐高甲基化，而另一些区域则逐渐低甲基化。

科学家正是利用 DNA 甲基化随年龄规律性变化的特点，通过分析血液或组织中的 DNA 甲基化图谱，建立表观遗传钟（Epigenetic Clock），从而估算个体的生物学年龄（Biological Age），并进一步评估衰老速度、健康状态及慢性疾病风险。

我们通常使用 MAE（Mean Absolute Error，平均绝对误差） 来衡量模型预测的准确性。MAE 指的是模型预测值与真实值之间“平均相差多少”。MAE 越小，说明模型预测越准确；若 MAE 为 0，则代表预测值与真实值完全一致。

图：MetaAge 在交叉验证中的预测表现（MAE = 1.68 岁，Pearson r = 0.993）

然而，个体的“真实生物学年龄”目前仍无法被直接测量，科学界也尚不存在公认的“金标准（Gold Standard）”来准确评估生物学年龄。因此，从严格意义上讲，我们无法直接判断哪一种模型最接近机体真实的衰老状态。在健康人群研究中，研究者通常以 日历年龄（Chronological Age） 作为参考基准，从侧面评估模型的预测能力、稳定性与泛化性能。

在模型开发阶段的 交叉验证（Cross Validation） 中，MetaAge 在 2,182 个测试样本上的 MAE 仅为 1.68 岁。为了进一步评估 MetaAge 的外部泛化能力，我们还使用了两个完全独立的健康人群公开数据集进行外部验证：GSE235717 来自澳大利亚墨尔本，包含 35 名健康个体（年龄 23–77 岁）；GSE295450 来自匈牙利，包含 388 名健康个体（年龄 24–101 岁），其中包括 59 名曾获得奥运会金牌的运动员。值得强调的是，MetaAge 在训练与参数优化过程中 从未接触过这两个数据集。

上述结果表明，无论是在内部交叉验证，还是在两个完全独立且模型从未见过的外部验证队列中，MetaAge 的预测误差均显著低于多个国际上广泛使用的表观遗传时钟模型。这说明 MetaAge 不仅具有较高的年龄预测准确性，也展现出良好的稳定性和外部泛化能力。

传统的单一 DNA 甲基化时钟（又称表观遗传时钟，Epigenetic Clock）虽然在衰老研究领域具有重要意义，但在日历年龄预测、不同人群泛化能力以及疾病风险评估方面，往往存在一定局限性。其主要原因包括：

• 位点覆盖有限： 多数传统时钟仅基于少量预定义的 CpG 甲基化位点（通常为几百个），难以全面捕捉人体复杂的衰老信号。
• 训练样本规模有限： 部分经典模型建立时所使用的训练队列样本量较小，限制了模型的统计稳定性与泛化能力。
• 年龄分布不均衡： 许多训练数据主要来自成年人或老年群体，缺乏儿童、青少年及超高龄人群数据，因此在全生命周期中的预测稳定性有限。
• 技术平台相对陈旧： 部分经典时钟依赖于早期甲基化芯片平台（如 Illumina 450K），可检测的 CpG 位点数量和覆盖范围有限。

相比之下，MetaAge 采用集成机器学习（Ensemble Machine Learning）策略，融合多个国际主流甲基化时钟的优势，包括 Horvath、Hannum、PhenoAge、GrimAge V1/V2、Zhang，以及用于捕捉随机衰老波动的 StocP、StocZ 和 StocH 等模型。MetaAge 并非依赖单一时钟，而是综合多个模型中的核心 CpG 信息，从而降低单一模型带来的系统性偏差。

MetaAge 的训练数据覆盖超过 15,000 名 0–100 岁健康个体，并经过多轮交叉验证与算法优化。更广泛的人群覆盖和更大的训练规模，使其能够更稳定地适用于不同年龄、不同背景的人群。

因此，MetaAge 不仅能够提供更稳健的生物学年龄估算，还能更有效地反映个体的真实衰老状态，并提升对心血管疾病、代谢异常、神经退行性疾病以及全因死亡风险的预测能力。

请不必过度担忧。 正向年龄加速（Positive Age Acceleration，+AA） 并不等同于已经患病，而是提示您的 生物学衰老速度 可能快于同龄人。这通常被视为一种早期预警信号，提示机体可能存在长期压力累积、代谢负担增加、慢性炎症、睡眠不足、生活方式失衡或潜在健康风险。

重要的是，DNA 甲基化状态并非固定不变。 与不可逆的基因突变不同，DNA 甲基化属于动态的表观遗传修饰，会受到饮食、运动、睡眠、压力管理、环境暴露以及疾病状态等多种因素影响。因此，部分年龄加速状态在科学上被认为具有一定可逆性。

从积极角度来看，检测到年龄加速意味着您已经获得了一个宝贵的“早期干预窗口”。相比疾病出现后的被动治疗，提前识别衰老加速趋势，有助于更早采取精准健康管理措施，从而改善长期健康结局。

DNA 甲基化虽然具有动态变化特性，但它所反映的是细胞与组织层面的长期分子状态，而不是短期的即时波动。例如，一次熬夜、短暂情绪压力或几天饮食变化，通常不会显著改变整体 DNA 甲基化图谱。因此，表观遗传年龄更适合用于观察中长期健康趋势，而非短期生理波动。

为了更科学地评估生活方式调整、营养干预、运动计划或抗衰老管理策略对机体衰老速度的影响，我们通常建议每 6–12 个月 进行一次复测。这个时间窗口能够更稳定地捕捉 DNA 甲基化模式随时间发生的真实变化。

一般来说，生活方式调整或精准健康干预带来的生物学年龄变化，通常需要 3–6 个月 才能在 DNA 甲基化等表观遗传标记中逐渐稳定，并被表观遗传时钟模型有效检测到。

这是因为外周血中的免疫细胞（如 T 细胞、B 细胞和粒细胞）具有一定的更新与代谢周期。饮食、运动、睡眠、压力管理或代谢干预等措施，并不会立即重塑整体甲基化图谱，而是需要随着细胞更新、炎症状态改善以及代谢环境变化，逐步积累分子层面的改变。

是的，越来越多的科学研究表明，生活方式干预能够影响生物学衰老速度。 虽然我们无法改变与生俱来的 DNA 序列，但 DNA 甲基化等表观遗传修饰具有动态性，会受到饮食、运动、睡眠、心理压力以及环境暴露等因素影响。换句话说，您的生活方式不会改变“基因文本”，但可能影响这些基因的表达与调控状态。

多项临床研究发现，健康饮食、规律运动、体重管理、睡眠优化、压力调节以及戒烟限酒等干预措施，可能与更健康的 DNA 甲基化模式及较慢的生物学衰老速度相关。在部分研究中，一些受试者甚至观察到了表观遗传年龄的下降趋势，这种现象有时被称为 “表观遗传年龄改善” 或 “表观遗传重塑”。

大多数表观遗传与生物学年龄检测项目，仅需要少量外周血样本即可完成分析。外周血中的免疫细胞携带丰富且稳定的 DNA 甲基化信息，因此被广泛用于生物学年龄、免疫状态以及多组学健康评估。

采样过程通常简单、高效，并符合标准临床采血流程。具体样本类型与采集要求可能因检测项目而略有不同。

表观遗传时钟并不是一个“生命倒计时器”，也无法精确预测个体未来的寿命或具体疾病发生时间。它的核心价值在于 基于大规模人群数据进行统计学风险评估， 用于衡量个体当前的生物学衰老状态以及未来健康风险趋势。

高级模型（如 MetaAge）能够通过分析 DNA 甲基化模式，评估与心血管疾病、代谢异常、II 型糖尿病、神经退行性疾病以及全因死亡率相关的相对风险水平。但这些结果反映的是概率与风险趋势，而不是确定性的医学诊断。

分子画像（Molecular Phenotyping）是一种基于 DNA、表观遗传和多组学数据，对个体生物学特征进行推断与分析的技术。通过解析 DNA 甲基化模式及其他分子标志物，可以推测与年龄、代谢状态、生活方式暴露及部分生理特征相关的信息。

在科研、法医学和公共健康研究中，这类技术可用于辅助分析未知样本的人群特征。例如，部分模型能够估算生物学年龄、推测吸烟暴露、代谢状态或长期环境暴露趋势。但具体推断能力会受到样本质量、模型训练数据以及应用场景的限制。

Deep-Omics 的生物学年龄与表观遗传分析主要基于高密度 DNA 甲基化芯片技术，例如 Illumina MethylationEPIC 平台。该类平台广泛应用于国际表观遗传学与转化医学研究，可覆盖近百万个 CpG 位点。

为了提高数据兼容性与长期纵向分析能力，MetaAge 与相关分析模型同时支持多个主流甲基化平台的数据整合与标准化解析。

是的，Deep-Omics 支持与高校、科研机构、医院、临床团队以及健康管理机构开展合作。除标准化检测服务外，还可提供面向科研与大队列研究的多组学数据分析与生物信息学支持。

• 定制化分析： 针对特定研究问题或临床表型，开发个性化机器学习与统计分析流程。
• 大规模数据处理： 支持大队列样本的标准化质量控制、多组学整合与高通量分析。
• 多组学整合： 支持 DNA 甲基化、基因组、转录组及临床数据的联合分析。

Deep-Omics 高度重视个人基因与多组学数据的隐私保护，并遵循国际数据安全与隐私管理标准，建立了覆盖数据采集、传输、存储与分析全过程的安全体系。

• 样本去标识化： 所有样本均采用唯一编码进行管理，实验与分析流程中不直接包含个人身份信息。
• 加密存储与传输： 原始数据与分析结果在传输和存储过程中均采用加密保护机制。
• 严格权限控制： 未经用户明确授权，任何第三方均无法访问个人原始数据或相关信息。