用 AI 设计的药真能让人变年轻 6 岁吗

样本量只有 42 人的临床试验就敢说逆转生物钟，这种结论在生物医药领域其实极其脆弱。Insilico Medicine 搞的这个 rentosertib 确实在 Nature Biotechnology 上发了论文，号称通过 6 个独立的“生物钟”指标检测，治疗组比安慰剂组在生物学年龄上年轻了最多 6 岁。但这里面水深得很，生物钟（Aging Clocks）本身就是基于表观遗传学或蛋白质组学的预测模型，它测的是“标志物”而非真正的“生理功能”。

说白了，标志物数值下降了，并不等同于你的器官功能回到了 6 年前。最关键的漏洞在于，这次试验对象根本不是健康人，而是特定病患。如果你在生病状态下把指标拉回到正常水平，模型可能会判定你“年轻了”，但这和给一个 60 岁的健康人用药让他变回 54 岁完全是两码事。

我想分析一下这个药的逻辑。rentosertib 这种 AI 筛选出的分子，通常是针对某个特定的激酶或蛋白通路进行干预。AI 在这里的作用是加速了分子的筛选，通过预测蛋白质结构和结合能，把原本需要试错几年的候选药筛选周期缩短了。但药效的验证依然得靠湿实验。目前这个阶段，它仅仅证明了 AI 能找到能影响生物标志物的分子，还没证明这个分子在健康人群中没有副作用且能真正延缓衰老。

如果以后想复现或者研究类似这种 AI 药物筛选的逻辑，可以关注一下他们怎么定义“生物钟”指标的。通常这类研究会用到 DNA 甲基化时钟（DNAm clocks），比如 Horvath Clock 之类的算法。逻辑大致是这样的：

# 这是一个极简化的生物钟预测逻辑伪代码，实际计算涉及数千个 CpG 位点
def predict_biological_age(methylation_data):
    # methylation_data 是一个包含特定位点甲基化水平的向量
    # weights 是通过大规模人群样本训练出来的回归系数
    intercept = 3.5 
    weights = [0.12, -0.05, 0.21, ...] # 简化示例
    
    # 计算加权和
    bio_age = sum(m * w for m, w in zip(methylation_data, weights)) + intercept
    return bio_age

在这个公式里，只要药物改变了某些关键位点的甲基化水平，预测出的 bio_age 就会下降。但这是否意味着细胞的端粒变长了？或者线粒体功能增强了？论文里并没有给出足够强有力的证据。

我觉得现在吹捧“AI 逆转衰老”有点早。42 个人的样本量在医学统计学上几乎没法说成是具有普适性的结论。而且 AI 设计药物最怕的是“过拟合”——AI 找到了一个能让指标好看的分子，但这个分子在复杂的人体环境下可能会产生不可预知的脱靶效应。

结论就是：AI 确实提高了找药的效率，但“年轻 6 岁”这个数字大概率是统计学上的某种巧合或者特定指标的波动，在健康人大规模临床数据出来之前，建议把它看作一个“有潜力的实验结果”，而不是“长生不老药”的预告。