2026年，人工智能与衰老生物学的交叉研究持续升温。AI 凭借处理海量组学、医学文献数据的能力，被科研机构广泛应用于衰老相关活性化合物挖掘。
但《Frontiers》发表的领域综述也冷静指出了行业现存短板：现阶段绝大多数衰老方向 AI 模型仍局限于解析化合物二维化学结构，较少考量分子进入人体之后的器官分布、通路交互效应；统计显示仅约 3% 的 AI 衰老研究，会配套开展后续体内生物学验证，计算仿真的结果与真实生理反应之间，存在一道不容忽视的鸿沟。
而日前，LAIFE母公司Regenerative Bio 自研 RevOrgan计算医学平台提出 “算器官” 的研发思路，跳出传统分子 AI 的固有框架，为衰老干预领域 AI 研发提供新的观察样本。
传统分子 AI 的局限：只解析化学，忽视器官生理
以 DMPNN、GROVER 为代表的传统分子 AI 模型，核心输入是化合物二维化学结构式，在判断分子本身化学活性方面具备不错表现。但人体衰老是多器官、多通路交联的复杂生理过程，仅仅掌握分子的化学结构，并不足以预判它会作用于人体哪些器官、多种成分搭配会不会出现拮抗效应、在代谢层面是否存在潜在风险。
受模型设计思路限制，不少平台将分子筛选的计算结果直接作为配方结论，缺少器官维度的评估环节，这也导致大量 AI 输出的方案，很难落地到体外与体内生物学试验。
换言之，传统分子 AI 擅长 “看懂分子”，却很难 “看懂器官”。衰老干预的核心对象是完整的人体器官系统，这一现实，倒逼行业探索更加贴合生理逻辑的新一代计算范式。
RevOrgan平台：把 12 类器官衰老机制纳入 AI 计算
正是为了弥补传统分子 AI“只见分子，不见器官” 的短板，RevOrgan平台搭建起四大底层数据库，整合 2.3 亿 + 全球生物医学文献、1200 万 + 组学基因组数据、80 万 + 临床衰老案例、30 万 + 天然活性成分库，搭建专属衰老知识图谱。
平台算力可达 32 PFLOPS，在抗衰活性物质预测任务中 AUC 达到 0.89，相较 MIT 等机构发表于《Nature Aging》的主流深度神经网络模型，预测指标实现 39% 的提升。
与传统分子 AI 只解析化学结构不同，RevOrgan可以同步读取多组学器官衰老时钟、12 个器官靶向机制、分子药效团结构，单次可完成千万级配方组合虚拟仿真，同步开展 ADMET 代谢安全性仿真，预判不同成分之间协同或者拮抗关系，优先筛选可以覆盖多条衰老标志模块的候选配方。
从行业发展的维度观察，衰老领域的 AI 技术，正在经历一场范式迭代：从过去单纯的 “分子筛选工具”，逐步走向兼顾器官生理、通路交互、安全风险的器官级计算医学。算力规模、算法 AUC 指标只是技术的基础，一套完整的 “AI 仿真？体外干湿实验？真实世界队列反馈” 闭环，才是 AI 衰老技术能否真正落地的关键。
行业应当理性看待 AI 的能力边界，AI 是提升研发效率的工具，无法取代生物学实体试验。想要把计算医学真正转化为有价值的健康方案，算法模型必须扎根于可复现的生物学证据之上。
转自：鹰潭新闻网
【版权及免责声明】凡本网所属版权作品，转载时须获得授权并注明来源“中国产业经济信息网”，违者本网将保留追究其相关法律责任的权力。凡转载文章及企业宣传资讯，仅代表作者个人观点，不代表本网观点和立场。版权事宜请联系：010-65363056。
延伸阅读
