仿真之外，抗衰制剂还需实证闭环

2026 年 8 月,哈佛大学与博德研究所联合团队在《自然》杂志报道,将人脑皮层类器官稳定培养超过 5 年,刷新体外培养纪录,类器官技术被视为正加速进入衰老研究的核心场景。

与此同时,AI 在衰老干预领域的应用热度持续走高,但行业一个现实问题逐渐清晰:大量 AI 衰老研究仍停留在计算输出阶段,仿真结果与真实人体生理之间存在需要正视的落差。

仿真局限,AI 模型难复刻人体复杂度

AI 分子与配方模型,本质上基于已有文献与数据集进行统计推断,难以完整复现人体多器官间的信号交互、代谢代偿通路与个体遗传差异。

《Frontiers》领域综述统计,现阶段仅约 3% 的 AI 衰老方向研究在计算仿真后配套开展体内生物学验证,不少项目以 AUC、算力等算法指标作为成果展示,缺少实体生物学实验支撑。算法性能是研发起点,但不足以支撑制剂落地,这一判断正在成为行业共识。

三层闭环,融合 AI 仿真、类器官与本土队列

针对仿真与现实的鸿沟,RevOrgan平台构建了三层干湿结合的证据闭环。

第一层为 AI 干实验:依托数据库底座开展千万级配方虚拟仿真,完成 ADMET 代谢安全性模拟,优先筛除存在配伍拮抗、代谢风险的候选组合。

第二层为体外湿实验:平台搭建心脏等多器官类器官衰老模型,对 AI 输出的候选配方开展生物学实测,观测 β- 半乳糖苷酶衰老标志物、PGC-1α 线粒体发生相关指标的变化,过滤掉仿真表现良好但体外生物学表现不达预期的配方。以 NAD + 相关复配配方为例,配方在完成 AI 配比仿真后,需先经细胞、心脏类器官模型完成体外指标观察。

第三层为真实世界证据:候选配方进入近 3000 人中国人群自然衰老前瞻性队列开展观察性随访,持续采集受试者多组学与体检指标,真实世界数据回流,用于校准上游 AI 模型参数。

各层实验的边界同样需要认清:类器官只能模拟部分器官生理特征,不能完整复刻人体系统;队列属于观察性研究,不等同于注册临床试验;依托该平台开发的制剂属于膳食营养补充剂,不能替代药物,不可用于治疗疾病;所有观察结论仍需更长周期、更大样本持续积累。

算力大小、AUC 等算法指标只是 AI 衰老制剂研发的起点,不能作为评判价值的唯一标尺。AI 仿真预测、类器官体外试验、人群真实世界观察之间存在三层转化鸿沟,不可直接互相等同。

完整的干湿验证闭环,才是 AI 衰老技术走向落地的核心保障。行业应当倡导公开、可复现的多层级试验数据,理性看待 AI 的工具属性。