衰老和复杂疾病通过相互关联的生物学过程显现出来。大规模研究已经建立了多组学衰老时钟和复合生物标志物面板，它们捕捉了生物衰老的不同方面，为评估长寿干预措施和疾病风险提供了定量终点。

与此同时，机器学习方法正越来越多地应用于衰老领域的药物重定位和干预发现，使得从大型生物医学数据集和分子特征中识别候选化合物成为可能。尽管在人群水平上存在许多健康指南，但对于任何特定时间的个体而言，“N=1”的健康轨迹和干预措施可能与指南并不相同。

为了全面评估个性化的衰老和疾病轨迹，并设计个性化的干预和治疗方案，一个跨越分子、微生物、生理和表型特征的多维图谱具有巨大潜力。然而，这些多模态数据对于常规监测和个性化治疗而言，生成成本高昂，有时甚至具有侵入性。一个实际的目标是从稀疏的测量数据（如常规血液检查或无创面部图像）中推断出丰富的多维健康图谱，并利用该图谱支持个体化的风险评估和干预测试。

机理模式图（图源自Cell Metabolism）

这长期以来一直是多维数据生成的愿景，尽管有海量数据可用，但这一目标仍未实现，因为大多数多模态数据是碎片化的：模态间不完全配对，存在缺失模态、平台和批次效应，并且难以在不同人群中推广。

在这里，研究人员提出了AURORA（AI统一与组学重组图谱），这是一个生成式框架，基于来自超过425,000名个体的七种生物学和表型模态进行训练。AURORA实现了高保真度的跨模态统一与生成；构建了个体化的数字孪生，以精细化衰老、健康和疾病的轨迹；并预测了对候选干预措施的反应。

AURORA的计算机模拟扰动使得在大型人类队列中对药物反应进行分层成为可能。更广泛地说，AURORA建立了一种范式，将碎片化的生物医学观测转化为一个可干预的生物学全景，产生从生物标志物发现到治疗开发和临床精准医疗等应用的个性化见解。

参考消息：https://www.cell.com/cell-metabolism/fulltext/S1550-4131(26)00108-7