博文
从 DNA 甲基化到个体化长寿方案：DeepoMe首个面向衰老的世界模型工具上线github
||
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。该框架以 DNA 甲基化数据为输入，通过 PPI 网络模块级别的失调分析，为个体患者生成可审计的四层药物证据链。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。
1. 研究背景衰老研究正在经历从"标志发现"到"轨迹干预"的范式转变。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, Genome Biology, 2013; Hannum et al., Molecular Cell, 2013）使精确量化个体生物学年龄成为可能，但"测衰老"仅解决了诊断问题，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。
Hallmarks of Aging 框架（López-Otín et al., Cell, 2013，单篇引用超 1.5 万次）系统归纳了衰老的分子机制。该框架最初提出 9 大标志，2023 年更新版（Hallmarks of aging: An expanding universe, Cell, 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，以及新增的慢性炎症、生态失调和自噬受损。
然而，从 Hallmarks 框架到个体化干预之间存在方法论空白。Hallmarks 描述的是群体层面的衰老机制，而临床干预面临的是 N-of-1 问题：不是问"群体平均怎么样"，而是问"对某个具体个体，哪种干预最可能有效"。
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, NeurIPS, 2018），指能够模拟环境动态、预测不同行动后果的内部模拟器。其核心能力在于反事实推理（counterfactual reasoning）："如果我采取行动 A，环境将如何变化？"
将这一思路迁移到生物医学领域，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，哪些失调模块会被纠正"
可审计推理（Auditable Reasoning）：生成四层可追溯的证据链，而非黑箱输出
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"，而世界模型从反向推理"这个个体的分子状态偏离了多少，哪些化合物能纠正偏离"。
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，而是一条四层可审计的证据链：
Layer 1: PPI 模块扰动分析 ← 个体生物学状态如何偏离正常？ Layer 2: 可驭性对齐评分 ← 哪些化合物能纠正失调模块？ Layer 3: 机制路径追溯 ← 纠正作用的分子机制是什么？ Layer 4: 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., Cell Systems, 2015）作为功能模块定义。该基因集包含 50 个精炼的生物学通路基因集，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）。需要指出，MSigDB 的"Hallmark"命名指代 50 个核心生物学通路，与 López-Otín 等提出的衰老 Hallmarks 框架（12 大标志）是不同的概念体系。
具体流程：
对每位患者，计算 N-of-1 Delta 向量：Δ_i = x_i − x̄_matched，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，标注每个失调模块对应的生物学过程
模块级分析的优势在于鲁棒性：在逐步加入高斯噪声的实验中，单基因表示在噪声水平 σ=0.2 时药物回收率即显著下降，而 PPI 模块级表示在 σ=0.5 时仍保持高于基线的回收率。
3.2 Layer 2：可驭性对齐评分（SA Score）对每个失调模块，计算"可驭性对齐分数"（Steerability Alignment Score, SA Score），衡量化合物靶点基因与失调模块的匹配程度。
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。SA 越高，说明该化合物的靶点越精准地命中了失调模块。
化合物-靶点数据来自 STITCH 数据库（CC BY-NC，学术用途），覆盖 FDA 批准药物、营养素、天然产物等多个类别。
3.3 Layer 3：机制路径追溯对每个候选化合物，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。例如："烟酸 → NAMPT/NAPRT → NAD+ 代谢模块 → Loss of NAD+"。
这一层使推理过程可审计、可验证，研究者可以评估每一步的生物学合理性。
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。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%，强证据
MODERATE：50-80%，中等证据
EXPLORATORY：<50%，探索级证据
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，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，己酮可可碱排名第一 | STRONG |
GSE128235 | 抑郁症（MDD） | 533 | 肌酸排名第一，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（Fisher's exact test, p < 0.01），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。
抑郁症队列的 top-1 化合物（肌酸）Bootstrap 稳定性仅 24.5%，被标记为 EXPLORATORY 级别。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，也体现了框架诚实报告不确定性的设计原则。
5. 开源工具SteeraMed Core 已作为开源 Python 工具包发布（pip install steeramed-core），当前版本内置了上述三个验证案例的完整数据，供研究者交互式探索四层证据链的生成过程。
当前版本为概念验证（proof-of-concept），暂不支持自定义数据输入。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。
项目地址：https://github.com/DeepoMe/SteeraMed
回顾性设计：目前验证均为阳性对照回收实验，不是前瞻性临床试验，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，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，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，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，尚不支持自定义数据分析
López-Otín C, Blasco MA, Partridge L, et al. The hallmarks of aging. Cell, 2013, 153(6): 1194-1217.
López-Otín C, Blasco MA, Partridge L, et al. Hallmarks of aging: An expanding universe. Cell, 2023, 186(2): 243-278.
Horvath S. DNA methylation age of human tissues and cell types. Genome Biology, 2013, 14: R115.
Hannum G, Guinney J, Zhao L, et al. Genome-wide methylation profiles reveal quantitative views of human aging rates. Molecular Cell, 2013, 49(4): 621-635.
Ha D, Schmidhuber J. World models. NeurIPS, 2018.
Liberzon A, Birger C, Thorvaldsdóttir H, et al. The Molecular Signatures Database Hallmark Gene Set Collection. Cell Systems, 2015, 1: 417-425.
Xiong J. World Models for Biomedicine: A Steerability Framework. Preprints.org, 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, 2026. DOI: 10.20944/preprints202605.1578.v1
本文介绍的工作由 DeepoMe 团队完成。项目主页：steeramed.com，团队官网：deepome.com。
https://blog.sciencenet.cn/blog-508476-1537359.html
上一篇：医疗 AI 的下一步：从报告解读到生命轨迹推演——医学世界模型 SteeraMed 的方法论探索
