改變老化 — 11

這是一個令人震驚的發現。這種觀察到細胞在整個人口中加速老化的現象，被提出作為年輕人癌症發病率增加的潛在解釋。PhenoAge 也被證明能預測心臟代謝疾病和死亡率。名為《GrimAge 強烈預測壽命與健康壽命》的 DNAm GrimAge 發表論文，採用兩階段方法、多種血液生物標誌物，並加入如吸煙包年數等數據輸入，以區分慢速與快速老化。隨後，DunedinPACE 鐘從 DNA 甲基化和血液中十九種生物標誌物推導出，用以判定老化速度。它獨特地使用來自大型出生隊列的縱向數據，與其他依賴不同隊列橫斷面數據的鐘不同。表觀遺傳鐘中的甲基化標記可用於評估如 COVID 疫情和吸煙等對整體人口的影響，呈現加速老化的模式。失去家庭成員的生命與表觀遺傳鐘的加速有關；運動和植物性飲食則與減緩老化速度相關。但不同的表觀遺傳鐘在預測準確度和對各種干預的反應上存在差異，這導致了基準測試研究的需求，目前仍在進行中。

許多其他鐘是從其他組學層面建立，包括代謝組學、轉錄組學、蛋白質組學、脂質組學和糖組學（測量蛋白質上的糖附著）。其中，一種蛋白質組老化鐘在英國、芬蘭和中國三個國家生物庫中經過廣泛驗證，與十八種慢性疾病風險、死亡率及多種與年齡相關的特徵如認知衰退有關。這項里程碑式的研究強調了血液蛋白未來在預測與年齡相關的功能狀態方面的重要性。

一種炎症標記鐘（iAge）已被證明能反映生物年齡，免疫系統反應（IMM-AGE）亦然。還有「有絲分裂細胞」分裂鐘，包括與癌症風險特別相關的全局 DNA 低甲基化和局部高甲基化。一種多模態人工智能模型整合了超過一萬一千名健康參與者的面部、舌頭和視網膜影像，無需血液檢測，也聲稱能準確估計生物年齡。ExplaiNAble BioLogical（ENABL）Age 是另一種人工智能多模態模型，使用基因組學、蛋白質標記和臨床歷史，涵蓋三個大型多元族群，與 PhenoAge 和 GrimAge 相比，在生物年齡解釋和死亡率預測準確度上有所提升。EyeAge 利用視網膜影像的深度學習人工智能來判定年齡，且在三個不同族群中比表觀遺傳鐘更準確。這些模型的問題在於慢性疾病混雜其中，因此無法區分與健康老化過程相關的年齡病症。有一個模型專門旨在解開這兩者，發現五十至六十歲時實驗室檢測中低中性粒細胞計數和低鹼性磷酸酶可預測健康老化，遠超過七十歲。