“时光派”作者：
马猴亚利桑那大学——神经科学与认知科学
日历年龄记录自己已经存在了多长时间，生理年龄则暗示着身体还能健康多久。当我们谈论续命抗衰老时，显然生理年龄才是应当关心的对象。
全球的科学家已经提出了数种可用于反映生理年龄的生物标识（biomarkers），从留于“表面”的面部特征[1]，到深入“本质”的分子标签[2-3]。这些标识从不同的生物学层面反应生理衰老，因此应用的方向也各不相同。近段时期，有三支不同的科研团队共同盯上了人体的微生物组（mircobiome），认为这些与我们共生“小房客”不仅能体现身体的衰老状况，还可以反应衰老的过程是否健康。
第一支团队来自美国华盛顿大学和系统生物研究院，他们通过组建并对比统计模型发现，整体趋势上讲，随着年龄的增长，人体内的肠道菌群会变得越来越“与众不同”：诸如拟杆菌属（Bacteroides）等主流菌群大幅减少，并逐渐被各种稀有的菌群所取代。研究人员将这种变化定义为肠道菌群的独特性（uniqueness）[4]。
统计模型显示，肠道菌群独特性的增长，并不是因为我们在衰老过程中从体外获取了新的菌群，而是早已存在于我们肠道内的菌群比重发生了变化。
研究人员分析了肠道菌独特性与人口学信息、临床体检指标、饮食习惯和生活作息的关系，发现独特性的增长只与年龄有关，暗示了这一指标作为衰老标识的巨大潜力。此外，女性肠道菌独特性在衰老过程中的增长速度大幅高于男性，这或许会是两性寿命差异之谜中的一块重要拼图。
这种独特性的上升对我们的生理状态意味着什么？通过与种血浆代谢物进行对比，研究人员发现肠道菌的独特性与8种代谢物关系密切，并且这8种代谢物从生理功能角度都归属于两个大类：苯丙氨酸代谢物和色氨酸代谢物。
这两类氨基酸代谢物在此前的多项研究中都表现出了与长寿的关联，其中苯丙氨酸代谢物所包含的苯乙酰谷氨酰胺（phenylacetylglutamine）本身就是一种已知的长寿生物标识[5-6]。这一数据说明肠道菌独特性的提升会改变我们的氨基酸代谢倾向。不难想象，这种改变极有可能直接关系到人体的健康状态。
果然，研究人员基于药物使用状况，自我状态评估，行走速度等指标对老年实验参与者进行了大致的健康评估，并将这一评估结果与肠道菌独特性进行了对比，发现步入老年后（75岁以上），肠道菌的独特性在健康状态不理想的参与者体内将不再增长，而在健康老人的体内则会继续攀升。换句话说，肠道菌群独特性不但有潜力成为新的衰老生物标识，还可以用来评估衰老过程的健康状况。
虽然这项发现令人欣喜，但以肠道菌作为生物标识，对健康和寿命进行准确的预测存在着一个难题，它们的种类和数量实在太多了……这种庞大的互动所产生的可能性几乎是人类所无法计算的。对此，来自医学科技公司InsilicoMedicine的Zhavoronkov博士提出：人类算不了，让电脑算就是[7]。
Zhavoronkov博士和他的团队基于弹性网络和神经网络等机器学习技术，建立了一种能反映肠道菌群状态和日历年龄关联的数学模型，并基于这些关联，推测出了39种可被用来反映生理年龄的肠道菌类型。
这39种肠道菌随后又被分为衰老阳性（seno-positive，随衰老线性增长，暗示与衰老机制有关）和衰老阴性（seno-negative，随衰老线性下降，暗示与延缓衰老有关）。
有意思的是，衰老阳性的名单里出现了几位“有益菌”的名字，比如真杆菌属（Eubacterium），而数个“有害菌”的名字也出现在了衰老阴性的名单中，比如会引起腹泻的空肠弯杆菌（Campylobacterjujuni）。这一发现也从侧面印证了此前介绍的肠道菌独特性与衰老的关系。
需要注意的是，这一模型只是推测出这些肠道菌与衰老存在关联，而不是因果，并不是说杀死衰老阳性菌或者补充衰老阴性菌就能延缓衰老。此外，根据模型，研究人员还发现，除了身体内的肠道菌群，环境中的菌群也和我们的衰老相关。这项发现在此后一项由加州大学圣地亚哥分校和IBM团队联合完成的研究中得到了证实[8]。
这项研究同样是基于机器学习技术，只不过这次的样本不再仅限于肠道菌。研究人员统计了份来自不过同国家的粪便，唾液和皮肤菌群样本，并分析了这些样本与日历年龄的关系。数据显示，比起粪便（含肠道菌群），皮肤菌群意外的更能准确反映我们的日历年龄。
而且不论是来自手指还是额头，皮肤菌群取样的部位完全不会影响它对年龄的预测能力，说明皮肤菌群与日历年龄之间必定存在某种生理联系，因此可以被用来反应生理年龄。
研究人员推测是皮肤衰老过程中血清制造能力的下降和干度的上升决定了皮肤菌群的种类，不过实际原理还需要后续试验的进一步验证。
时光派点评
先是使用统计模型发现肠道菌与衰老之间的关联，再又通过机器学习总结出利用肠道和皮肤菌群预测年龄的方式，这次介绍的文章，主角无疑是机器学习。（后面是一些笔者个人对机器学习在抗衰老领域应用的看法，如果没有太大的兴趣建议各位跳过。）
机器学习在我们日常生活中的曝光率或许并不高（实际上它早已渗透进我们的生活），但如果你恰好对科研感兴趣，肯定会注意到，从电子工程到生物技术，这四个字在近年来几乎变得无处不在。
机器学习能为我们迅速地分析出多个事物间复杂的关联（correlations），但是通常并不能告诉我们其中的因果（causation）。以这次介绍的三篇文章为例，它们展示了微生物组与年龄之间的关联，但完全没有意图探索其中的因果。这种研究思路是否真的适用于抗衰老乃至医学领域？
在去年年末，麻省理工学院的人工智能学家LexFridman曾与著名学者NoamChomsky进行过一场对谈，其中的主题之一就是应该如何看待机器学习。Chomsky当时评论到，要确定一件事是否可行，首先应当清晰地理解其中的原理，而机器学习并不能给我们提供这种理解，它不涉及事物的本质[9]。至少在抗衰老领域里，笔者对这一观点深以为然，科学续命的核心，应该是对衰老机制的理解。加速生理年龄测量的相关研究固然重要，但是研究最终