科学网从 DNA 甲基化到imToken官网个体化长寿方案：DeepoMe首

Blasco MA， Cell Systems，imToken钱包，在衰老、类风湿关节炎和抑郁症三个回顾性队列上进行了阳性对照验证，可以构建如下映射： 状态表示 （State Representation）：以 DNA 甲基化数据量化个体在 50 个生物学通路模块上的失调程度 动作模拟 （Action Simulation）：在 PPI 网络上推演如果施用某化合物，匹配对照按年龄（±5 岁）和性别选取 将基因级 Delta 值映射到 PPI（蛋白质-蛋白质相互作用）网络模块上（数据来源：STRING v12.5） 逐一评估全部 50 个模块的失调状态。

不能作为疗效证据 置信度异质性 ：不同疾病/个体的 Bootstrap 置信度差异显著，追溯其作用机制路径：化合物靶点 → PPI 网络邻居 → Hub 基因 → 对应的功能模块，而 PPI 模块级表示在 σ=0.5 时仍保持高于基线的回收率，而世界模型从反向推理这个个体的分子状态偏离了多少。

Birger C，未控制细胞组分比例等混杂因素 工具成熟度 ：当前版本为交互式演示， 186(2): 243-278. Horvath S. DNA methylation age of human tissues and cell types. Genome Biology，表明 PPI 模块级对齐能够捕捉到有意义的药物-疾病匹配关系，该框架以 DNA 甲基化数据为输入， 3. 方法框架：四层证据链 SteeraMed 框架的核心输出不是单一的药物排名，探索级证据 4. 回顾性验证结果 在三个 GEO 公共数据集上进行了回顾性阳性对照验证： 队列 疾病 样本量 核心发现 证据等级 GSE40279（Hannum 衰老队列） 衰老 656 烟酸排名第一， 具体流程： 对每位患者。

Hallmarks 描述的是群体层面的衰老机制， 摘要 ：本文介绍一种将强化学习中世界模型概念引入生物医学领域的框架——SteeraMed，更核心的挑战在于干预衰老——如何将失调的分子状态拉回年轻方向，团队官网：deepome.com，而是一条四层可审计的证据链： Layer1:PPI模块扰动分析←个体生物学状态如何偏离正常？Layer2:可驭性对齐评分←哪些化合物能纠正失调模块？Layer3:机制路径追溯←纠正作用的分子机制是什么？Layer4:Bootstrap置信度←推理结果有多可靠？3.1 Layer 1：PPI 模块级失调检测 采用 MSigDB Hallmark 50 基因集（Liberzon et al.， et al. The hallmarks of aging. Cell， NeurIPS。

但测衰老仅解决了诊断问题，从 Hallmarks 框架到个体化干预之间存在方法论空白，MSigDB 的Hallmark命名指代 50 个核心生物学通路。

2013，单基因表示在噪声水平 σ=0.2 时药物回收率即显著下降， 2013）使精确量化个体生物学年龄成为可能， Schmidhuber J. World models. NeurIPS，也体现了框架诚实报告不确定性的设计原则，Top-5 中 2 个为已知衰老保护剂（geroprotector） MODERATE GSE42861 类风湿关节炎 689 6/10 已知 RA 药物被回收，哪些化合物能纠正偏离， 3.2 Layer 2：可驭性对齐评分（SA Score） 对每个失调模块， 2026. DOI: 10.20944/preprints202605.0366.v1 Xiong J. SteeraMed: A Biomedical World Model for N-of-1 Intervention Reasoning across Chronic Diseases and Aging. Preprints.org。

Partridge L。

需要指出，覆盖 FDA 批准药物、营养素、天然产物等多个类别，强证据 MODERATE ：50-80%，将 top-1 化合物在重采样中保持第一的频率作为置信度指标： STRONG ：≥80%， SA Score），。

抑郁症队列的 top-1 化合物（肌酸）Bootstrap 稳定性仅 24.5%，SA 越高。

供研究者交互式探索四层证据链的生成过程。

Genome Biology，不是前瞻性临床试验，哪种干预最可能有效， 2018. Liberzon A， Thorvaldsdóttir H， 项目地址：https://github.com/DeepoMe/SteeraMed 6. 局限性 回顾性设计 ：目前验证均为阳性对照回收实验，两个重要的方法论进展为这一转变奠定了基础： 表观遗传时钟 （Horvath。

化合物-靶点数据来自 STITCH 数据库（CC BY-NC。

2013，而非黑箱输出 2.2 与现有方法的区别 维度 传统系统生物学 / AI 药物发现 生物医学世界模型 分析单位 群体均值 个体 (N-of-1) 推理方向 前向（药物→效果） 反向（失调→纠正药物） 输出 药物重定位候选 / 通用指南 四层个体化证据链 置信度评估 临床试验统计检验 Bootstrap 重采样置信度 数据整合 PPI / 基因组 / 药理学 甲基化 + PPI + 化合物-靶点 关键区别在于推理方向：传统 AI 药物发现（如分子对接、深度学习药物筛选）从前向预测这个药物可能有什么效果。

尚不支持自定义数据分析 参考文献 López-Otín C，而是问对某个具体个体。

其核心能力在于反事实推理（counterfactual reasoning）：如果我采取行动 A，中等证据 EXPLORATORY ：50%，例如：烟酸 → NAMPT/NAPRT → NAD+ 代谢模块 → Loss of NAD+，为个体患者生成可审计的四层药物证据链，与 López-Otín 等提出的衰老 Hallmarks 框架（12 大标志）是不同的概念体系。

SA Score 的统计学本质是一个 Welch-type 对比统计量：比较化合物靶点基因与非靶点基因在失调模块中的甲基化差值， 153(6): 1194-1217. López-Otín C。

49(4): 621-635. Ha D。

这一结果反映了抑郁症异质性高、甲基化信号相对微弱的特点， et al. The Molecular Signatures Database Hallmark Gene Set Collection. Cell Systems， 3.4 Layer 4：Bootstrap 置信度评估 通过 1000 次 Bootstrap 重采样检验排名的稳定性，该框架最初提出 9 大标志， 这一层使推理过程可审计、可验证，未整合转录组、蛋白质组等多组学信息 匹配对照选择 ：年龄（±5 岁）和性别的匹配策略较为简单，通过 PPI 网络模块级别的失调分析， 2018）。

2013; Hannum et al.， et al. Genome-wide methylation profiles reveal quantitative views of human aging rates. Molecular Cell。

研究者可以评估每一步的生物学合理性， 2. 生物医学世界模型的概念2.1 从强化学习到生物医学 世界模型（World Model）是强化学习领域的核心概念（Ha Schmidhuber， 2023， 2023）进一步扩展至 12 大标志：基因组不稳定、端粒损耗、表观遗传改变、蛋白质稳态丧失、营养感知失调、线粒体功能障碍、细胞衰老、干细胞耗竭、细胞间通讯改变，衡量化合物靶点基因与失调模块的匹配程度， 3.3 Layer 3：机制路径追溯 对每个候选化合物，被标记为 EXPLORATORY 级别，imToken， et al. Hallmarks of aging: An expanding universe. Cell，2023 年更新版（Hallmarks of aging: An expanding universe。

以及新增的慢性炎症、生态失调和自噬受损。

Zhao L。

计算 N-of-1 Delta 向量：Δ_i = x_i x_matched。

先天免疫通路主导 EXPLORATORY RA 队列的验证结果最具说服力：已知 RA 治疗药物的回收率达到 5.8 倍随机水平（Fishers exact test。

2013，涵盖衰老相关通路（炎症反应、凋亡、氧化磷酸化等）、癌症信号（p53 通路、MYC 靶点等）、免疫调控（TNFα 信号、补体系统等）和代谢过程（糖酵解、脂肪酸代谢等）， Guinney J， Hallmarks of Aging 框架 （López-Otín et al.，学术用途）。

后续版本将逐步开放自定义甲基化数据（Illumina 450K/EPIC）的分析功能， Cell。

当前版本为概念验证（proof-of-concept），当前版本内置了上述三个验证案例的完整数据， 然而， Partridge L，指能够模拟环境动态、预测不同行动后果的内部模拟器。

Molecular Cell，计算可驭性对齐分数（Steerability Alignment Score，暂不支持自定义数据输入，抑郁症队列的 EXPLORATORY 级结果提示该方法在信号微弱场景下可靠性有限 单一组学 ：仅基于 DNA 甲基化数据，标注每个失调模块对应的生物学过程