论文DOI链接：

https://link.springer.com/article/10.1007/s43657-023-00125-x

论文pdf链接：

https://link.springer.com/content/pdf/10.1007/s43657-023-00125-x.pdf

引用格式：

Ji, Q., Jiang, X., Wang, M. et al. Multimodal Omics Approaches to Aging and Age-Related Diseases. Phenomics 4, 56–71 (2024). https://doi.org/10.1007/s43657-023-00125-x

衰老是一个伴随着生理功能衰退和疾病风险上升的复杂过程。随着公共医疗卫生的显著进步，人类寿命得以延长，但随之而来的是衰老相关疾病的患病率增加。众多研究证实，衰老是受多层面分子因素调控的多维现象。传统的单一组学研究往往难以全面捕捉衰老的复杂性。相比之下，多模态组学方法通过整合不同数据类型，能够更全面、系统地揭示衰老过程，并为早期诊断衰老相关疾病提供新的分子生物标志物，同时为干预治疗开辟新的靶点（图一）。

图一 多模态组学方法在衰老和衰老相关疾病中的应用

多模态组学方法

过去数十年，高通量测序技术的迅猛进步使得获取衰老过程中的多维度组学数据成为现实。目前，多模态组学方法已覆盖基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学、宏基因组学、免疫组学和放射组学等众多领域，有效用于识别衰老及其相关疾病中的分子变化和表型特征。本文综述了在衰老研究中广泛应用的主要组学领域的研究进展和分析策略，并梳理了测序技术的最新进展。

多模态数据的整合策略

多模态组学数据分析和整合面临的主要挑战在于不同组学数据间的显著异质性。此外，要准确比较和识别不同组学数据间的相关性，需要对各领域专业知识有深入的了解。本文全面介绍了多模态组学数据整合的现行策略，包括基因组学主导的数量性状基因座定位、基于表观基因组学和转录组学的调控网络构建，以及以现有知识为基础的转录组学、蛋白质组学和代谢组学的综合分析。文章还介绍了一些通用的计算工具和软件，并突出了人工智能和深度学习在多模态数据整合中的显著优势。

多模态组学方法在衰老研究中的应用

近年来，多模态组学方法通过整合基因组、表观基因组、转录组、蛋白质组等数据，在衰老研究中发挥了重要作用。本文深入探讨了多模态组学在衰老研究中的应用，并根据研究焦点，将其分为基因组学、DNA甲基化、组蛋白修饰、RNA修饰和三维基因组等不同类别的核心研究。文章特别强调了多模态数据在揭示非编码序列生物学功能及其对衰老过程调控的关键作用。同时，鉴于单细胞多模态方法在揭示细胞间异质性、特异细胞类型基因调控和识别稀有细胞群体方面的优势，文章也总结了其在衰老研究中的应用前景及所面临的挑战。

测序技术的进步推动了对人类衰老多维度的理解。当前的主要挑战在于缺少一个统一的计算框架，尤其是能够整合多种模态数据的机器学习模型。随着单细胞技术的持续进步，多模态组学研究的精度正逐渐提升至单细胞水平。尽管当前单细胞衰老研究主要集中于转录组学，但结合单细胞和空间分辨率的多模态研究有望进一步深化我们对衰老的认识。

近期研究在识别衰老相关基因、生物学通路及其潜在机制方面取得了显著进展。然而，这些因素如何相互作用并最终导致衰老的过程尚不完全明了。利用多模态组学方法全面解析衰老相关的生物学过程及其交互网络，对于揭开衰老之谜至关重要。衰老研究的终极目标是发展能够延长健康寿命的干预策略。多模态组学方法不仅能够在分子层面精确测量衰老，还能扩展衰老生物标志物的范围，并为评估衰老干预措施的有效性提供新的视角。

刘光慧

中国科学院动物研究所研究员，博士生导师，中国医学科学院学部委员，国际生理科学联合会会士

曲静

中国科学院动物研究所研究员，博士生导师

张维绮

中国科学院北京基因组研究所（国家生物信息中心）研究员，博士生导师

季乾昭

中国科学院动物研究所博士研究生

蒋晓钰

中国科学院动物研究所博士研究生

 欢迎投稿

我们诚挚地邀请广大科研人员投稿！

Phenomics官网：

https://www.springer.com/journal/43657

投稿链接：

https://www.editorialmanager.com/pnmc/

编辑部邮箱：phenomics@fudan.edu.cn