进化让我们快速死亡，但我们可以改变这一点——雅各布·基默尔

（原标题：Evolution designed us to die fast; we can change that — Jacob Kimmel）

🧬 进化视角下的衰老本质

• 进化算法并未将人类长寿作为核心优化目标，主要受限于高基线死亡率导致的正向选择信号微弱，以及亲缘选择带来的负向压力。
• 基因组可视为参数，自然选择为优化算法，但受突变率（步长）和种群规模（并行计算能力）限制，长寿在损失函数中权重较低。
• 进化倾向于通过“复制粘贴”机制应对新挑战，保留原始基因功能并允许新副本自由突变，以积累适应性变化。
• 解决复杂问题需跨越多个净负效应的中间编辑步骤，基因复制提供了容错空间，使前几步编辑不损害适应度。
• 人类基因组中存在大量同源基因，多源于复制事件后的功能特化，进化倾向于迭代优化现有参数而非从头随机生成。
• 衰老并非单因导致，而是多层分子调控（如表观遗传）的结果，不存在单一“坏基因”或万能药。
• 长寿药物更可能通过修复部分衰老过程增加健康寿命，而非一次性逆转所有衰老迹象。
• 既然进化未解决此问题，人类干预衰老和延长健康寿命在理论上相对容易，存在大量“低垂果实”。

🔬 关键生物学案例与机制

• TRIM5 Alpha基因案例显示，该基因曾保护灵长类免受HIV类似病毒（SIV）感染，后为对抗内源性逆转病毒而丧失此功能，现保护针对已灭绝病毒；仅需少量编辑即可恢复其限制HIV的能力。
• 流体智力衰退现象表明，数学等学科的重大发现多发生在30岁前，推测因进化主要筛选成年早期（约25-30岁）的智力，缺乏对晚年智力维持的选择压力。
• 抗生素演化困境揭示，细菌和真菌因高突变率、大种群规模及“红皇后假说”驱动的军备竞赛，能高效合成抗生素；人类作为多细胞生物，高突变率会导致癌症，且缺乏同等规模的并行计算能力，故未演化出自身抗生素。
• 细胞重编程实验证明，仅需开启4个基因，即可同时重编程细胞类型和年龄，显示基因组调控的简洁性。
• 转录因子（TFs）是进化的“杠杆”，通过少量基因编辑即可引发显著表型变化，符合“小编辑导致大改变”的优化逻辑。
• 进化策略类似“进化策略算法”：通过随机变异和选择，使小幅度序列变化能产生有意义的表型步长。
• 类比注意力机制：TFs 如同 Query，基因组序列如同 Key，基因表达如同 Value，这种结构允许高效的信息检索与调控。
• 表观遗传标记可维持数十年（如Bowhead whale），支持单次给药长期有效的理论可能性。
• 转录因子（TFs）在基因组中表达量极低，低剂量即可产生强效，且1-5个TFs即可封装于现有mRNA药物中。
• 非人类或合成TFs（如SuperSox）可能比天然TFs更高效，因iPSC重编程在自然界中不存在，天然组合未必最优。
• 皮肤松弛源于弹性蛋白纤维无法在成年后重新聚合，需工程化细胞至“超生理”状态以修复纤维。

🧪 表观遗传重编程与AI必要性

• 核心方法是利用转录因子（TF）重塑表观基因组，将细胞状态重置至年轻水平，以恢复细胞功能（如肝细胞代谢、T细胞免疫响应）。
• 山崎伸佳（Shinya Yamanaka）发现4个TF可将体细胞重编程为干细胞，因其成功标准易测（形态变化、报告基因显色）且成功细胞能无限增殖放大信号，故可用小规模筛选。
• 衰老重编程难以复制该路径：年轻与年老细胞差异细微，无简单二元标记；成功细胞不增殖，需高效转化；TF组合空间巨大（约2000个TF，1-6个组合，可能性达$10^{16}$量级），穷举测序不可行。
• 因此需借助AI模型进行稀疏采样和预测，学习TF组合对细胞年龄和身份的影响，以高效筛选出既能逆转衰老又不改变细胞类型（避免致瘤风险）的安全组合。
• 采用类似 LLM 的“预训练+强化学习”范式：基础模型预测基因扰动对转录组的影响，后续层针对特定目标（如年轻化、T 细胞去炎症）进行价值判断。
• 输入包含细胞初始状态及转录因子表征（源自蛋白质基础模型），输出预测所有基因表达变化，而非仅判断细胞老化程度。
• 当前聚焦于少数可高效递送药物的细胞类型，旨在解决特定疾病中的年龄预测问题，未来扩展至全细胞类型通用模型。
• 早期 PerturbSeq 技术（2016 年）存在严重缺陷：单基因扰动检测准确率仅约 50%，导致多基因组合实验数据标签错误率极高（$1/2^N$）。
• 测序成本从“美元/细胞”降至“美分/细胞”，且条形码检测准确率显著提升，使得单日处理数百万细胞成为可能。
• 生物数据尚处“1980 年代初”阶段，缺乏类似互联网文本的公共语料库，需自建高质量数据集以训练模型。
• 在“转录因子组合过表达”及“细胞年龄重编程”领域，拥有全球最全面的数据集。
• 坚持使用具有正确染色体数目的健康人类细胞，而非常见的癌细胞系（如 200 条染色体）。
• 传统制药公司多依赖外部合作，而非完全自建通用 AI 模型。

💊 药物靶点与递送挑战

• 现有药物多为“间接打击”，因小分子无法有效干扰 TFs 与 DNA 的大界面结合，重组蛋白又无法穿过细胞膜。
• 新工具如脂质纳米颗粒（LNP）和病毒载体（如 AAV）使直接靶向 TFs 成为可能，但存在局限：LNP 易被肝脏摄取，AAV 包装容量小且具免疫原性。
• 路径原（如 HIV）利用宿主 TFs（如 NF-κB）维持潜伏感染，证明 TFs 是关键的生物调控节点。
• 长期来看，LNP 和病毒载体可能不是 2100 年的主流递送方式，因其存在物理尺寸限制和免疫毒性风险。
• 终极方案是工程化细胞（如 T 细胞、B 细胞），利用免疫系统天然的全身巡逻能力和复杂逻辑门电路，实现按需、定点释放核酸载荷。
• 细胞载体拥有更大的基因组空间，可编码复杂的基础设施和响应逻辑，比小 RNA 或 AAV 更具扩展性。
• 免疫特权区（如脑、眼、关节）是病毒基因疗法的主要靶点，而细胞疗法可覆盖全身，两者互补。
• 当前递送技术领先于衰老重编程药物研发，尚无针对衰老的重编程药物上市。
• 即使仅靶向部分细胞类型，因身体系统高度互联，也能产生全身性健康收益（如年轻肝脏移植降低其他疾病风险）。
• GLP-1类药物（如Ozempic）通过调节内分泌信号，在减重之外带来心血管及神经保护等连锁益处。

📉 生物制药的“Eroom定律”

• 生物制药存在“Eroom定律”：每投入10亿美元研发的新分子实体数量持续下降，始于1950年代。
• 与AI不同，生物药研发缺乏通用模型，成功难以复用到新靶点，导致成本上升但回报未同步增长。
• 传统药物针对狭窄适应症，限制了潜在市场规模；衰老疗法若成功，潜在市场为全球人口。
• 核心瓶颈在于确定干预靶点（What to target），而非合成分子本身（How to make）。
• 美国医疗支出占 GDP 的 20%，且比例正在快速增长。
• 绝大部分资金用于管理已发明的治疗方案，而非研发新疗法。
• 药物仅占医疗总支出的约 7%。
• 约 1/3 的 Medicare 成本消耗在生命最后一年，显示重症护理成本高度集中。
• 预防性药物（如保持肝脏、免疫系统年轻）可减少住院等高强度医疗需求。
• 医疗支出可能从“行政/护理系统”向“制药系统”转移。
• 制药是唯一因技术（如药物通用化）而提升效率、降低单位成本的领域。
• 随着时间推移，每美元可获得的制药技术效益在历史最高水平。

🏭 制药行业格局与商业模式

• 行业呈现“双极化”：小型 Biotech 负责早期发现，大型 Pharma 负责后期试验。
• 约 70% 的获批分子最初源自小型 Biotech，尽管 R&D 资金主要在大药企。
• 大药企类似风投，通过外部创新部门与初创公司合作，形成寡头买方市场。
• 部分巨头（如 Roche/Genentech）内部拥有强大的 AI 与数据团队，直接进行基础研发。
• 美国医保体系平均换保周期为 3-4 年，导致长期疗效药物（如 10 年有效）难以通过传统一次性报销覆盖。
• 提出“按绩效付费”（Pay for Performance）模式：根据药物长期有效性（如心脏病发作率降低）分年支付费用。
• 趋势向直接面向消费者（DTC）转变，如 Lilly Direct 绕过 PBM 中间商，直接通过医生处方向患者提供药物，适应具有持续健康需求的消费场景。