Scholay

学术搜索 · AI 审稿 · LaTeX 协作

25,712 张病理切片构建 40 类组织衰老时钟，并尝试从血液推断器官年龄差

顶级刊物论文速递 · 发布 2026-08-14T19:40:00+08:00 · 更新 2026-08-14T19:41:56+08:00

核心结论

Nature Medicine 8 月 14 日论文分析 GTEx 队列 983 人、40 类组织的 25,712 张全切片病理图像，以深度学习建立反映组织结构完整性和生理状态的“组织时钟”。模型年龄与端粒缩短、亚临床病理和共病相关；团队再结合配对转录组，从血液预测组织特异年龄差，并在八类疾病独立队列中验证相关器官信号。方法为多器官衰老监测提供框架，但不能替代临床诊断，跨人群泛化仍待检验。

Nature Medicine 8 月 14 日发表多器官组织衰老研究。衰老会改变细胞组成和组织结构，但常用生物年龄指标多集中于血液分子标记，难以直接反映不同器官的结构状态。团队从 Genotype-Tissue Expression（GTEx）队列取得 983 名个体、40 类组织的 25,712 张全切片组织病理图像，用深度学习量化随年龄变化的细微形态，建立各组织的“组织时钟”。

多组织病理图像衰老时钟研究框架图
论文主图，用于展示多组织病理切片、深度学习时钟与血液推断框架。（图源：论文作者，来源页：Nature Medicine）

这些时钟预测的不是身份证年龄本身，而是组织结构完整性和生理适配度所对应的年龄。论文报告，模型信号与端粒缩短、亚临床病理和共病等既有衰老指标相关。跨器官比较还识别出组织特异的年龄加速，并把差异与人口学、生活方式和医疗因素联系起来，从而为寻找可能可干预的器官衰老风险提供候选线索。

组织活检并不适合反复用于所有器官。为提高可及性，团队进一步整合同一个体的组织学图像和转录组数据，建立从血液样本预测组织特异“年龄差”的策略，即模型年龄与实际年龄之间的偏离。研究随后在独立队列中检验八类常见疾病，识别出与阿尔茨海默病、卒中和克罗恩病等疾病相符的器官衰老信号。这个路径把病理图像用于训练，再尝试把监测入口转到更容易获取的血液。

潜在使用者包括衰老生物学研究者、病理学家和开展器官风险分层的临床团队。它可用于比较同一个体不同器官的衰老速度，或评估生活方式与干预是否对应组织结构变化。不过，模型关联不等于可逆机制，疾病本身也可能加速组织老化。GTEx 样本构成、死后组织处理、切片染色和中心差异可能影响泛化；在进入临床前，还需前瞻队列、更多族群、重复采样和明确的疾病增益评估。

信息来源

可信度说明

来源为 Nature Medicine 同行评议论文，可核验 983 人、40 类组织、25,712 张全切片，以及结合组织转录组从血液预测年龄差的设计。独立疾病队列支持关联有效性，但“年龄差”是模型指标而非疾病诊断；样本来源、切片流程、人群代表性和前瞻预测价值仍需外部验证。

同主题情报