Cell子刊：北京大学韩敬东团队开发生成式AI，打造“数字孪生”，预测衰老、疾病及治疗响应|cell|北京大学|模态|生物学|韩敬东

撰文丨王聪

编辑丨王多鱼

排版丨水成文

理解衰老和复杂疾病需要多种数据，从分子特征到成像以及常规临床检测。然而，大多数多组学数据集仅测量部分模式，并受到批次效应的影响。

随着人工智能（AI）领域的快速发展，未来或许只用拍一张面部 3D 照片或做一次常规血液检查，就能在 AI 帮助下全面评估你的衰老速度、预测疾病风险，甚至模拟不同药物或生活方式的效果。

2026 年 4 月 21 日，北京大学韩敬东团队（陈嘉伟、任雅、周永、王子阳为本文共同第一作者）在Cell Metabolism期刊发表了题为：A generative AI framework unifies human multiomics to model aging, metabolic health, and intervention response 的研究论文。

该研究开发了一个生成式人工智能框架——AURORA（AI Unification and Reconstruction of Omics Reassembly Atlas），利用单一的常规体检数据或面部图像，即可跨模态生成涵盖转录组、代谢组、微生物组等 7 种模态的全景虚拟图谱，从而构建高精度的多模态衰老时钟与疾病风险预测模型，还能实现个性化计算机模拟干预分析，以预测干预措施和药物的响应。作为概念验证，研究团队还提供了一个原型 AI 智能体，可将单模态输入转换为多模态报告供用户和研究人员使用。

总的来说，该研究开发的 AURORA 能够整合我们身体的不同维度的海量信息，为每个人构建一个高度仿真的“数字孪生”（Digital Twin），从而以前所未有的精准刻画个人的衰老与健康轨迹。

健康数据的“碎片化”难题

我们身体的健康状况，体现在分子、细胞、组织、器官等多个层面。现代医学检测能产生基因组、代谢组、微生物组、医学影像、临床化验等不同类型的数据，这些被称为 “多模态”数据。它们共同描绘了一幅复杂的个人健康图谱。

然而，这幅图谱通常是 “碎片化” 的：一个人往往只有其中一两种数据，不同检测存在技术差异和批次效应，数据之间难以直接对比和关联。这就像拥有一个人生拼图的零散碎片，却无法拼出完整画面，严重阻碍了精准评估个人衰老状态和疾病风险。

AURORA：统一碎片，生成全景

在这项最新研究中，研究团队开发了一个生成式 AI框架——AURORA（AI Unification and Reconstruction of Omics Reassembly Atlas），其核心突破在于，成功整合了来自超过 42.5万人的七大类健康数据，包括——

分子层面：血液转录组、血浆代谢组
微生物层面：口腔微生物组
表型层面：3D 面部图像、热成像面部图像、临床生理指标（例如血压、BMI、血液生化）

通过先进的深度学习模型，AURORA 做了两件关键的事——

统一与重建：它将所有碎片化的、带有“噪音”的不同类型数据，映射到一个统一的、低维的“潜在空间”。这意味着，即使用户只提供了单一类型的数据（例如一张 3D 人脸照片），AURORA 也能根据其内在关联，高质量地生成或补全其他六类缺失的数据，形成完整的个人多模态健康档案。
去除干扰：在此过程中，它还能有效消除不同检测批次、技术平台带来的误差，让数据更纯净、可比。

研究团队发现，3D 面部图像所蕴含的生物信息异常丰富，基于它来生成其他模态数据的效果最好。这可能因为面部是全身健康状况的“镜子”，集中反映了心血管、内分泌、炎症等多系统生理状态。

超越现实的“衰老时钟”与个性化预测

基于 AURORA 生成的完整多模态数据，研究团队构建了多种 “衰老时钟” 。这些衰老时钟能通过分析你的生物数据，预测你的 “生物学年龄” ，其与真实年龄的差值（cAgeDiff）可以揭示你的衰老是加速还是减缓。

令人惊讶的是，基于 AURORA 生成数据训练的衰老时钟，其预测精度竟然超过了直接用原始真实数据训练的时钟。例如，仅用常规体检数据，通过 AURORA 生成其他模态数据后构建的衰老时钟，其预测误差显著降低，相关性大幅提升。这证明了 AURORA 在整合信息、去噪增效方面的强大能力。

更重要的是，AURORA 不仅能评估现状，还能 “预测未来”。其“扰动模拟”功能，可以在数字孪生上模拟各种干预措施的效果，例如——