AI 标记衰老 “僵尸细胞”

利用AI识别“僵尸细胞”（衰老细胞），是当前抗衰老研究领域最前沿的方向之一。2026年9月，麻省理工学院（MIT）团队在《自然·衰老》上发表的一项研究，为这一领域带来了关键突破：他们开发出一种非侵入性的AI“条形码”技术，能够在不破坏细胞的前提下精准识别衰老细胞。

🧬 为什么要用AI寻找“僵尸细胞”？

“僵尸细胞”是指那些停止分裂却不会死亡的细胞。随着年龄增长，它们在体内积累，会持续释放炎症因子，成为推动癌症、组织退化、慢性炎症等多种衰老相关疾病的“幕后黑手”。

然而，传统的检测方法面临一个核心困境：识别衰老的金标准生物标志物（如p16和p21蛋白）通常需要破坏细胞本身。这意味着科学家无法对同一个细胞进行长期追踪，也难以在活体组织中动态观察衰老过程。因此，开发一种无损、精准的识别技术，成为推动该领域发展的关键瓶颈。

🔬 核心突破：MIT的AI“条形码”技术

MIT团队的方法巧妙地将拉曼显微镜与单细胞空间RNA测序两种技术结合，再通过机器学习提炼出衰老细胞的“化学指纹”。

技术路径分两步走：

获取多维数据：他们用拉曼显微镜（一种通过分析光照射细胞后产生的光谱信号来获取分子信息的无损技术）扫描小鼠的皮肤和肺组织，获取每个细胞的生化组成信息。同时，对同一批细胞进行空间RNA测序，获取其基因表达谱。

AI提炼“条形码”：机器学习算法分析这两类海量数据，从中寻找与衰老状态最相关的特征组合，最终生成一个独特的“AI条形码”。这个条形码本质上是一组关键拉曼光谱波段，每个波段对应特定的化学键（如脂质、蛋白质），从而反映细胞的衰老状态。

研究发现：老年小鼠的皮肤和肺细胞均出现了脂质合成增加和脂质积累。在皮肤衰老细胞中，与肌肉收缩和细胞外基质重塑相关的通路受到影响；而在肺组织中，免疫激活和炎症相关的基因活性则显著增强。

临床前景：这项技术目前在小鼠细胞中完成验证，团队正致力于将其适配于人类组织。研究者设想，未来或许能开发出内窥镜，在体内直接识别衰老细胞，为癌症和组织退化等疾病的诊断提供全新工具。

🧠 AI识别衰老细胞的多元技术路径

除了MIT的拉曼光谱路径，AI正在从多个维度攻克衰老细胞识别的难题。

路径一：基于“细胞形态”的深度学习

衰老细胞在形态上会发生显著变化，尤其是细胞核。一项2025年发表于《自然·通讯》的研究，利用机器学习分析细胞核的形态计量学特征，在单细胞分辨率上成功区分了培养细胞、新鲜分离细胞以及组织切片中的衰老细胞。这种方法还能动态追踪骨骼肌和骨关节炎软骨中随年龄变化的衰老模式。ThinkCyte公司的VisionSort™平台也基于类似原理，通过AI分析细胞形态来检测衰老。

路径二：基于“基因表达”的AI模型

DeepScence 是杜克大学开发的一款AI系统，它基于单细胞测序和空间转录组数据，通过学习数千个基因的表达模式来为每个细胞生成“衰老评分”。其核心优势在于跨样本泛化能力，在识别非典型衰老细胞时准确率显著提升。另一款工具SenSeqNet则更为超前，它尝试直接从蛋白质序列预测细胞衰老状态，在独立测试中达到了86.43% 的准确率。

路径三：无标记流式细胞术

VisionSort™平台代表了另一种思路：将AI驱动的分析应用于无标记的细胞成像数据，从而避免传统荧光标记可能带来的干扰，建立一种更稳健、可扩展的衰老检测方法。

⚠️ 挑战与未来方向

尽管前景广阔，AI在衰老细胞识别领域的应用仍面临几个核心挑战。

1. 衰老细胞的“异质性”是最大障碍

衰老细胞并非一种统一的细胞类型，其形态和分子特征会因细胞类型、诱导刺激和组织环境的不同而千差万别。这种高度的异质性使得寻找一个“通用”的衰老标志物极为困难，也限制了单一AI模型的泛化能力。

2. AI模型本身的质量与可重复性存疑

一项2026年发表的系统性综述评估了2019至2025年间18项相关研究，发现了一个严峻的现实：尽管AI模型报告的准确率高达83.55%至99.79%，但83.33%的研究存在高偏倚风险，主要源于数据划分不当（数据泄露）和缺乏外部验证。此外，仅有44.4% 的研究公开了分析代码，且没有任何一项研究进行了方案预注册，这严重限制了结果的可重复性。

3. 从实验室到临床的转化鸿沟

当前多数研究仍基于小鼠模型或体外细胞系。要将这些技术应用于人类临床，还需要在生物工程化的3D人体组织模型中进行验证，并开展长期临床研究，以确认AI识别出的“衰老细胞”确实具有临床意义。

💎 总结

AI正在从根本上改变我们识别和研究“僵尸细胞”的方式，从依赖破坏性标志物转向无损、多维度、高通量的智能分析。MIT的拉曼“条形码”代表了在无创检测方向上的重要一步，而DeepScence等工具则展示了在数据分析层面的强大潜力。

然而，该领域正处在从“技术验证”向“可靠工具”过渡的关键阶段。解决衰老细胞的异质性、建立标准化的实验与验证流程、并确保AI模型的可重复性，是决定这些技术能否真正走向临床、加速抗衰老药物研发的核心议题。