衰老是一个包含表观遗传修饰、炎症和代谢失调的复杂多维过程。以往基于线性模型的DNA甲基化时钟，难以全面捕捉与生存相关的非线性特征。在这项发表于《Mechanisms of ageing and development》的研究中，科研人员利用弗雷姆汉姆心脏研究（Framingham Heart Study）的数据，通过弹性网络Cox回归筛选出190个CpG位点，并借助神经网络元学习器融合了五个互补的生存模型。在外部验证队列（50-79岁绝经后女性）中，该集成生存模型的预测效能显著超越了经典时钟PhenoAge，且与GrimAge相当。这项成果揭示了免疫-代谢衰老特征对预测死亡风险的关键价值，为未来开发更精准的个体化抗衰评估工具提供了重要依据。
📎 来源：Mechanisms of ageing and development | 查看原文