AI 破解“逆龄密码”？95后华人科学家引爆抗衰突破，美股四大赛道或被重新定价
如果有一天，AI 不仅能写代码、做分析，还能从过去几十年积累的真实生物实验中主动找出让身体“变年轻”的方法，会是怎样的景象？
这一幕正在现实中出现！
衰老生物学领域长期存在一个重要假设：
人体内部存在一套“生物年龄时钟”，会随着年龄累积损伤而逐渐加快。
而真正能让这座时钟“变慢”甚至“倒退”的方法，一直是全球研究者最想找到的突破口。
但在过去很长时间里，这几乎是不可能完成的任务——数据庞杂、实验分散、变量缺失、跨实验室不可比对，使得系统性寻找有效干预手段的成本极高、速度极慢。
直到今年，来自哈佛大学、斯坦福大学、华盛顿大学等机构的研究团队给出了一个全新的方向：
让 AI 去读懂、整合并分析过去几十年里大量真实的体内实验数据，从中主动“挖掘”逆转衰老的线索。
他们将这一平台称为 ClockBase Agent，而它带来的结果，可能正在改变美股生物科技行业未来数年的估值框架。
AI 找到“逆龄线索”
ClockBase Agent 集成了四十余种衰老时钟模型，会在超过两百万份人类与小鼠的分子组学数据中自动寻找规律，重建实验逻辑，并推断可能影响衰老轨迹的干预方式。
衰老研究的 AI 全景框架
这种方式与以往“建模预测式”的 AI 完全不同，它的特点是：
不是推演，而是从已经做过的真实实验中，寻找被埋没的证据。
在系统性分析之后，ClockBase Agent 筛选出五百多种具有逆龄潜力的干预方向，并从中找到一种新的抗衰老化合物 Ouabain。
在小鼠实验中，Ouabain 明显延缓了老年小鼠的虚弱进程，同时改善心脏功能与神经炎症，呈现出真实可验证的逆龄效果。
这意味着，在长期被认为难以系统分析的衰老研究中，AI 找到了一个全新的入口：不靠假设，不靠推演，而是直接从几十年积累的真实实验数据中寻找答案。
基于人类与小鼠分子特征的综合生物年龄图谱
对于科学界而言，这是研究范式的改变；对于美股投资者而言，这是估值逻辑的改变。
这一次的 AI 与过去有什么本质不同
衰老研究难，不是因为没有数据，而是因为数据太多、太散，也太难理解。
过去几十年，小鼠实验中的关键信息——年龄、性别、对照组设置、处理方式——往往散落在论文正文、图注甚至补充材料里，而不是整齐地写在数据文件本身。传统生物信息学和自然语言处理方法，很难自动识别这些隐性结构，更难在跨实验室、跨年份的海量数据中做标准化分析。
ClockBase Agent 的改变在于：
研究团队不再让 AI 只“读数据”，而是尝试让它像一个真正的科研人员那样，主动提问、写代码、检验假设，去理解每一组实验背后的设计逻辑。
ClockBase Agent 全流程示意图
平台由三类 Agent 组成：
- Coding Agent 负责写代码、读数据、画图，做最基础的统计分析；
- Reviewer Agent 负责评估实验质量，判断某个研究是否适合用于衰老分析；
- Report Agent 则整合前两者的结果，生成结构化的科研结论。
这种模式让 AI 不再依赖预设路径，而是可以逐步理解实验结构、评估数据可靠性、归纳潜在规律，最后给出具有高置信度的候选干预措施。
AI 智能体操作工作流与多维评分系统
研究团队还整理了一个覆盖近年大量衰老研究论文的数据集，让这些智能体可以随时调取已有的知识背景，检查自己的结论是否与既有证据一致。
结果显示，ClockBase Agent 给出的高置信度干预措施，与权威长寿基因和药物数据库之间具有统计学上显著的一致性。
这意味着，它不仅能找出“可能有效”的方向，更能证明这些方向与真实生物学规律是对得上的。
从科研范式上看，这是第一次让 AI 真正具备“系统科研能力”；从产业影响上看，它直接改变了药物筛选的成本结构与时间结构。
抗衰老研究的逻辑正在被重写
传统研发模式是典型的“假设驱动”：研究者提出一个可能的通路或分子，先在细胞水平做实验，再做小鼠模型，最后逐步推进到更高层级验证。这个过程漫长、昂贵，失败往往发生在中后期。
ClockBase Agent 采取的是另一条路：从已经结束的、海量的体内实验出发，反向推断哪些干预真正改写了生物年龄轨迹。
研究团队分析了来自一万三千多项小鼠 RNA 测序研究、四万三千多组干预对照结果，涵盖药物、基因扰动、环境暴露、疾病模型等多种类型。这种规模几乎已经超出传统单个实验室、甚至单个学科的承载范围。
AI 智能体识别的小鼠 RNA 测序数据集中的年龄修饰干预措施
在这种模式下，研究者不再需要逐条“赌通路”，而是可以先让 AI 在系统层面完成一次“体内证据的总清点”，从中筛选出真正值得投入实验资源的方向。
这带来三层变化：
第一，历史数据的价值被重新计价。过去几十年散落在论文附录和公共数据库里的实验数据，如今都有机会变成新药发现的证据来源。
第二，研究从单线推进转向系统推进。衰老是一个系统性问题，单通路、单基因式的假设往往事倍功半。系统性工具有望让研究更接近问题的本质。
第三，蛋白设计进入新的阶段。在完成对衰老时钟和多组学数据的系统性分析之后，研究团队已经开始探索通过机器学习与蛋白工程，重新设计能够影响衰老轨迹的蛋白质本身。这不再只是“提高或抑制某个蛋白的活性”，而是试图在序列层面对生命体系进行更深刻的改写。
从这个角度看，ClockBase Agent 不只是一个“找药的工具”，更像是未来十年生物科技行业研究方式转变的起点。
应可钧：一个 95 后科学家的路径
在这项工作背后，是一条非常清晰的人物主线。
这项研究的第一作者兼共同通讯作者之一，应可钧，本科毕业于中山大学，之后在哈佛大学完成硕博训练，目前在斯坦福大学托尼·维斯－科雷实验室和华盛顿大学大卫·贝克实验室从事博士后研究，研究方向横跨衰老生物学与蛋白质设计。
他在很早期就意识到，衰老很可能不是单一通路、单一基因能够解释的现象，而更像是全身多种损伤长期累积的结果。这一判断让他的研究路径始终围绕一个核心：用系统性工具重新理解衰老。
博士阶段，他参与开发了基于因果推断的衰老时钟，并参与构建了以 DNA 甲基化组为基础的模型 MethylGPT。在此基础上，又进一步推动了 ClockBase Agent 的诞生，用 AI 智能体去系统性清点过去几十年的多组学体内数据。
应可钧与其导师David Baker教授
随着研究深入，他逐渐形成了一个更激进也更具前瞻性的判断：如果现有药物和基因干预的作用尺度仍然太小，那么下一步可能需要走向蛋白质本身的重新设计。也就是说，不只是调控生命系统，而是尝试在分子层面“重写”一部分生命程序。
对于美股投资者而言，应可钧代表的，并不仅仅是一位年轻科学家的个人履历，而是一种新的研究范式：
在衰老这个长期被视作“科学难题”的领域里，AI 和多组学数据正在合流，推动研究从局部问题走向系统问题，从假设驱动走向数据驱动。
哪几类美股公司受益
从美股视角来看，ClockBase Agent 的出现，并不只是“AI 在生命科学中的又一次突破”。它更像是一个结构性拐点：第一次让“逆转生物年龄”从理论假设，转变成基于真实体内实验数据的系统性证据。这种变化，会沿着研发链条传导至多条赛道。
一类，是 AI 生物科技平台公司。例如 RXRX、EXAI、SDGR等。它们长期主打 AI 辅助药物研发，但市场上一直存在一个根本疑问：模型预测是否真的可靠，能否真正减少实验次数和研发支出。
ClockBase Agent 所代表的方向，是用真实体内数据来训练和校准 AI，使其给出的结论更接近“实验层面的真实世界”。这类研究一旦被证明可复制，会抬高整个 AI 生物科技板块的行业地位，让相关公司在与大药企的合作中拥有更强的话语权，也会增加市场对其商业模式的信心。
第二类，是基因编辑公司。比如 CRSP、EDIT、NTLA。这些公司过去面临的最大难点在于：靶点筛选极慢，失败成本极高。衰老和免疫通路本身高度复杂，很难用单一通路、单一基因的方式去解释。
ClockBase Agent 的系统性体内数据分析，能够在庞大的历史数据中筛选出与衰老轨迹显著相关的分子变化，帮助基因编辑公司在研发一开始就更有针对性地选择靶点和路径。
换句话说，它可以让基因编辑的研发路径，从“事后验证”走向“事前筛选”，在减少失败试验的同时，也为这些公司争取到更多来自长期资金的耐心。
第三类，是基因疗法和抗衰老方向的公司。代表之一是聚焦心血管基因疗法的VERV，以及少数专门面向“延长健康寿命”的早期管线公司。长期以来，这些企业在叙事层面想象空间巨大，但在证据层面往往被视作“太前沿、太超前”，市场对其有效性的信心不足。
第四类，是算力与 AI 基础设施提供者。包括英伟达、以及提供大规模 AI 云服务的谷歌、亚马逊等。ClockBase Agent 这种平台不是“一次性项目”，而是会长期嵌入药企和科研机构的研发流程。
这类应用需要持续的 GPU 或 TPU 推理，需要对海量组学数据进行长期存储和反复计算，也需要大模型和智能体系统常态化在线工作。一旦这一范式被广泛采用，算力开支就不再是“创新项目预算”，而会逐步演变成生物医药研发链条中的“基础生产成本”。
从中长期看，AI 在生物医药方向的深入应用，会为 NVDA、GOOGL、AMZN 提供一条粘性极强、周期极长的增量需求曲线。
美股投资网分析认为，ClockBase Agent 并不会立刻改变某一家公司的营收数字，也很难在下一份财报中直接体现出来。但它改变的是整个行业的底层叙事和估值框架。
当科学从“手动挖掘”走向“系统智能”，当药物筛选从“模型预测”走向“真实证据”，生物科技行业的成功概率与资本效率都会同步抬升。对于美股投资者而言，这意味着几件事：
AI 生物科技平台的估值中枢有望提升，因为它们掌握的是新的研发入口；基因编辑与基因疗法的风险溢价有望下降，因为研发路径变得更可控；基于衰老逻辑的公司，将从“概念故事”走向“数据支持”；算力与云基础设施，则可以在这一轮变革中收获最稳定的需求。
更重要的是，这不是一次性的主题交易，而是一条可能持续十年以上的结构性赛道。当越来越多的历史实验数据被纳入 AI 系统，当越来越多的候选药物在进入湿实验之前就已经经过系统性筛选，美股生物科技的估值方式、资金结构乃至公司生存方式都会发生深远变化。
对真正的长期资金而言，这才是值得关注的核心：AI 不只是让研究“更快”，而是让整个生命科学体系的规则发生改变。而资本市场，往往会为这种规则改变付出更高的估值溢价。
本文来自微信公众号“美股大数据StockWe”，作者：StockWe.com，36氪经授权发布。
