端粒长度是衰老研究中最古老的生物标志物之一。相对于你的年龄，端粒越短，患心脏病、糖尿病、阿尔茨海默病和癌症的风险就越高。问题是：要测量它们，需要复杂且昂贵的实验室检测。直到现在。2026年3月发表在《Cell Reports Methods》上的一项新研究揭示了一种名为TLPath的革命性AI模型，它能够从简单的组织图像中预测你的端粒长度。
问题：为什么端粒难以测量
端粒是染色体末端的重复DNA序列，每次细胞分裂都会缩短。到70岁时，它们大约比20岁时短50%。现有的测量方法：
- qPCR：经济实惠，但对某些组织不精确
- TRF（末端限制性片段）：精确但昂贵，且需要大量DNA
- 长读长测序：黄金标准，但每个样本花费数百美元
成本和复杂性使得大规模人群端粒测量几乎不可能。大多数大型研究只能满足于估算。
想法：如果端粒长度的迹象就在图像中呢？
团队提出了一个简单的问题：当端粒缩短时，细胞会发生变化。它可能变成僵尸细胞（衰老）、减缓分裂、改变形状或失去内部结构。这些变化在组织的显微镜图像中是否可见？
如果是这样，就可以训练一个深度神经网络来识别它们。世界上每家医院在日常工作中都会产生数百万张活检照片。如果存在端粒长度的视觉特征，就可以直接从现有的临床样本中为患者提供“生物学年龄”评分。
网络是如何训练的
团队收集了来自919名捐献者的5,263张数字组织病理学照片。每张照片都与同一组织的实验室端粒测量结果配对。涵盖了18种不同的组织类型：皮肤、肺、肾、肝、肠等。
网络将每张照片平均切割成1,387个小块。每个小块针对1,024个结构特征进行检查：细胞形状、细胞核结构、细胞质颜色、细胞间距离。网络学习哪些特征组合能预测短端粒，哪些能预测长端粒。
结果：准确度超出预期
在未参与训练测试样本上，TLPath显示出：
- r = 0.51 相关性 在其预测与实验室测量之间。这不如直接测量精确，但它优于仅根据年龄的估算，而这是当前没有测量时的标准
- 适用于11种不同的组织类型，显示出通用性
- 能够识别端粒异常值：那些端粒相对于年龄过短或过长的人
“这不能替代私人诊所中的精确实验室检测，”研究人员强调，“但它确实实现了以前不可能的大规模测量。”
意义：数据革命
如果TLPath被整合到标准的数字病理学软件中，以下是可能实现的情况：
- 大规模人群寿命研究。不再抽样数千人，而是可以测量数百万人
- 早期识别干预候选者。一个人来做病理检查，即使只有40岁，如果发现端粒相当于60岁，就可以尽早开始保护性生活方式
- 筛选新药。临床试验可以跟踪药物对所有参与者端粒的影响，而不仅仅是部分人
- 个性化治疗调整。如果你要接受化疗，你的端粒长度会影响恢复方式。快速预测有助于医生决策
为什么这不仅仅是又一个AI模型
2026年的许多AI模型做了一些令人印象深刻但不实用的事情。TLPath不同：它利用现有基础设施解决了一个大规模的具体问题。每家医院已经数字化扫描了他们的照片。无需新设备，无需对患者进行额外操作。只需添加一个软件组件。
这就是数字病理学领域科学家所说的“免费增值”：从你已经进行的检查中提取额外信息。
需要记住的局限性
- 相关性r=0.51意味着解释了26%的变异。对于单个个体来说不算很大的成功，但对于人群统计来说非常出色
- 该模型是在特定人群上训练的。用于不同人群（不同种族）需要额外验证
- 端粒只是生物学年龄的一个标志物。需要与其他标志物（表观遗传、蛋白质组）结合
- 网络不解释为什么端粒短。只说明它们短
下一步
团队计划在2026年将模型作为开源代码发布。此外，他们正在与美国一家医院网络合作进行试点实施。如果试验成功，可以在2-3年内看到该模型在标准病理工作流程中常规运行。
更广泛的结论：衰老测量正从昂贵的实验室转向可在现有样本上运行的工具。如果TLPath是第一步，它只是“图像生物标志物”浪潮的开始：从现有样本中提取以前不可见的诊断价值的模型。
💬 תגובות (0)
היו הראשונים להגיב על המאמר.