同样是60岁，有的人是“免疫系统老”，有的人是“神经胶质细胞老”，也有人是“肌肉细胞老”。这篇文章真正有意思的地方，是把衰老从一个整体年龄数字，拆成了细胞类型特异性的生物年龄。
更关键的是，这些“细胞年龄”不是只停留在描述层面，而是进一步关联到了阿尔茨海默病、ALS、肺癌、2型糖尿病和全因死亡风险。
读这篇先抓住一条主线：作者用血浆蛋白组和机器学习，把“器官衰老时钟”进一步下沉到细胞类型层面，并证明不同细胞的加速衰老对应不同疾病风险。
核心线索：本文基于60,542名个体、超过7,000种血浆蛋白，构建40多种细胞类型的生物年龄模型，提出血液中可捕捉到神经元、胶质细胞、免疫细胞、肌细胞和上皮细胞等不同细胞来源的衰老信号。
文献信息
| 标题 | Plasma proteomic signatures of cellular aging predict human disease |
| 中文理解 | 本文通过血浆蛋白组、Human Protein Atlas细胞来源映射和机器学习建模，构建细胞类型特异性生物年龄模型，并证明特定细胞衰老状态可预测神经退行性疾病、癌症、慢病和死亡风险。 |
| 期刊 | Nat. Med. |
| 发表时间 | 2026年6月15日 |
| 卷页 | 32:2060–2072 |
| 研究方向 | 衰老生物学、血浆蛋白组、机器学习、生物年龄、疾病预测、预后标志物 |
| 核心队列 | GNPC、UK Biobank、1946 NSHD、Knight-ADRC |
| 数据规模 | 60,542名个体；SomaScan 7,289种蛋白，Olink 2,923种蛋白 |
| DOI | 10.1038/s41591-026-04446-y |
| PMID | 42297981 |
| PMCID | PMC13279268 |
| 代码 | https://github.com/dingdaisy/cellage |
这篇文章解决了什么问题？
过去几年，生物年龄时钟已经从DNA甲基化、转录组、蛋白组一路发展到器官特异性衰老。比如“脑年龄”“心脏年龄”“肝脏年龄”这类指标，已经能帮助解释为什么同龄人的疾病风险差异很大。
但器官仍然是一个相对粗的层级。一个器官里有神经元、胶质细胞、内皮细胞、免疫细胞、成纤维细胞等多种细胞，同一个器官变老，可能并不是所有细胞一起同步变老。
这篇文章往前推进了一步：作者尝试用血浆蛋白组推断不同细胞类型的生物年龄。也就是说，不需要直接取组织，也可以通过血液中的细胞来源蛋白信号，估计某些细胞类型是否处于“加速衰老”状态。
这对临床很重要。因为如果某类细胞的衰老信号能提前预测疾病，那么它就可能成为筛查、分层和干预的入口。
文章摘要
作者整合多个大型人群队列的血浆蛋白组数据，先将血浆蛋白映射到Human Protein Atlas定义的细胞类型来源，再用elastic net机器学习模型预测细胞类型特异性生物年龄。研究覆盖60,542名个体，并在GNPC、UK Biobank和NSHD等队列中进行训练、测试和验证。
研究发现，约20–25%个体表现为单一细胞类型加速衰老，约1–3%个体在10种或更多细胞类型中出现广泛加速衰老。不同细胞类型的衰老状态与不同疾病风险相关：例如星形胶质细胞衰老与AD风险相关，骨骼肌细胞衰老与ALS风险相关，呼吸上皮细胞衰老能进一步细化吸烟者肺癌风险。
作者还构建了polycellular aging risk score，PARS，用于综合多个细胞类型衰老负担，并在不同队列和蛋白组平台之间实现死亡风险分层。
这篇文章的关键不是又做了一个“年龄预测器”，而是把血浆蛋白组转化成了细胞层面的衰老地图，并把这张地图接到了真实疾病结局上。
这套分析怎么搭起来
这篇文章的流程可以概括为五步：
材料与方法
| 研究对象 | GNPC、UK Biobank、1946 National Survey of Health and Development、Knight-ADRC等队列个体 |
| 蛋白组平台 | SomaScan和Olink Explore 3072血浆蛋白组平台 |
| 数据规模 | GNPC n=14,281；UKB n=44,458；NSHD n=1,803；总计60,542名个体 |
| 细胞来源定义 | 基于Human Protein Atlas，将细胞类型富集基因映射到血浆蛋白 |
| 建模方法 | elastic net回归、100次bootstrap、10折交叉验证 |
| 模型保留标准 | 训练集相关性r≥0.25，测试集r≥0.15，且至少包含4个蛋白特征 |
| 细胞年龄指标 | 预测细胞生物年龄、age gap、z-scored age gap、极端衰老和年轻化状态 |
| 疾病分析 | AD、ALS、PD、FTD、MCI–SCI、肺癌、2型糖尿病、COPD、心衰、卒中、淋巴瘤 |
| 生存分析 | Cox比例风险模型、Kaplan–Meier曲线、PARS多细胞衰老风险评分 |
| 数据与代码 | 受控数据通过GNPC、UKB、NSHD等申请；代码公开于GitHub |
研究结果
血浆蛋白组可以被转化为细胞类型特异性衰老模型
作者首先建立了分析框架：把血浆蛋白映射到细胞类型来源，然后训练模型预测不同细胞类型的生物年龄。该框架在GNPC、UKB和NSHD三个独立队列中应用，并跨SomaScan和Olink平台验证。
在SomaScan平台中，作者从7,289种蛋白中识别出1,202种可映射到特定细胞类型的蛋白；在Olink平台中，2,923种蛋白里有708种可映射到细胞类型来源。最终，SomaScan保留43个细胞类型衰老模型，Olink保留48个细胞类型或谱系层级模型。
这里最重要的方法学转换是：血浆蛋白不再只被看作单个标志物，而是被重新组织成“细胞来源蛋白签名”。
个体之间的细胞衰老模式高度异质
作者随后分析健康个体中的细胞类型衰老分布。结果显示，不同细胞的加速衰老出现时间并不一样：神经元、胶质细胞和Schwann细胞等在高龄阶段更容易出现加速衰老，而肠道杯状细胞、纤毛细胞等可在更早年龄窗口出现加速衰老。
在GNPC健康人群中，35.4%没有极端细胞年龄差，24.4%仅在一种细胞类型中出现加速衰老，1.5%在10种或更多细胞类型中出现广泛加速衰老。UKB中也观察到类似模式：22.7%为单一细胞类型加速衰老，2.8%为广泛加速衰老。
文章还观察到生活方式和基因型对细胞年龄有影响。吸烟合并肥胖者表现出多细胞类型年龄升高，而健康生活方式人群整体更年轻。APOE基因型则呈现有趣的细胞特异性效应：APOE4携带者星形胶质细胞更老，但巨噬细胞更年轻；APOE2则呈相反趋势。
神经退行性疾病对应不同细胞类型的衰老信号
作者进一步分析AD、ALS、PD、FTD和MCI–SCI等神经退行性疾病。结果显示，不同疾病对应不同细胞类型的年龄异常。
[外链图片转存中…(img-BElFFwQ9-1791376601996)]
ALS与骨骼肌细胞衰老之间的关联最强。GNPC中，ALS与骨骼肌细胞age gap的相关性达到r=0.43，校正后P=1.36×10^-15；极端骨骼肌衰老者中，ALS诊断比例显著升高。在UKB随访中，极端骨骼肌衰老者未来发生ALS的风险较年轻化者升高，HR=12.74。
AD则与多种神经和胶质细胞衰老相关，其中星形胶质细胞衰老具有很强的预后意义。极端星形胶质细胞衰老者发生AD的风险明显升高，并且这种分层效果可在APOE不同基因型中持续存在。
值得注意的是，星形胶质细胞衰老与APOE4并不是简单重复信息：二者叠加时，AD风险最高；而年轻化星形胶质细胞可能提示更强的脑韧性。
呼吸上皮、髓系细胞和肌肉细胞衰老分别指向癌症与慢病风险
疾病预测不只限于神经退行性疾病。作者还在UKB中评估细胞衰老对肺癌、2型糖尿病、COPD、心衰、卒中和淋巴瘤等疾病的预测价值。
[外链图片转存中…(img-Z5QSFrLG-1791376601996)]
肺癌方面，肺泡II型细胞和呼吸上皮谱系的极端衰老具有很强预测力。当前吸烟者如果同时存在这两类呼吸细胞衰老，肺癌风险最高，HR=15.33；相比单纯当前吸烟，风险进一步增加约58%。
2型糖尿病方面，髓系细胞谱系衰老最有预测价值，HR=3.88。COPD中，肺泡II型细胞和呼吸上皮谱系衰老最突出；心衰中，肌肉细胞和成纤维细胞衰老更强；卒中则与NEFL-C1QL2投射神经元和小胶质细胞衰老有关。
这部分结果很适合临床分层理解：同样是血液蛋白组，不同细胞来源信号对应不同疾病轨道。
多细胞衰老负担可以分层死亡风险
最后，作者评估细胞年龄与全因死亡的关系，并构建多细胞衰老风险评分PARS。
在UKB中，肌肉谱系细胞极端衰老与死亡风险关联最强，HR=4.38；骨骼肌细胞为HR=4.18。神经元、成纤维细胞、肺泡II型细胞和髓系细胞衰老也与死亡风险相关。
更直观的是累计衰老负担：细胞年龄正常者15年生存率约90%，而20种以上细胞类型极端衰老者15年生存率约34%。这说明单一细胞异常和全身多细胞衰老负担都具有预后意义。
作者进一步建立PARS，在UKB训练集、UKB测试集和NSHD验证队列中均能实现死亡风险分层，提示该评分具有一定跨队列和跨平台泛化能力。
方法和临床转化怎么看
方法借鉴：这篇文章的亮点在于把“血浆蛋白组”重新拆成“细胞来源蛋白签名”。很多蛋白组研究直接从差异蛋白或风险模型起步，解释性容易停留在marker层面；这篇则先把蛋白放回细胞类型背景，再建生物年龄模型。
可迁移路线：如果做肿瘤、免疫、心血管或代谢病研究，可以参考这条路线：先用公开单细胞图谱定义细胞类型富集基因，再映射到血浆蛋白、代谢物或外泌体蛋白，最后建立细胞来源的风险评分。这样模型天然带有“细胞来源解释”。
临床落点：它提供的不是一个单病种诊断模型，而是一种跨疾病风险分层框架。比如AD里看星形胶质细胞衰老，ALS里看骨骼肌细胞衰老，肺癌里看呼吸上皮衰老，糖尿病里看髓系细胞衰老。不同疾病对应不同细胞状态，可能比统一的“全身衰老分数”更有临床解释力。
注意边界：血浆蛋白来源推断并不等同于直接测量组织细胞状态。某些蛋白可能由多个细胞释放，疾病状态也会改变蛋白释放和清除。因此，这类模型更适合作为风险分层和机制线索，后续仍需要多族群验证、纵向干预研究和组织层面的生物学确认。
总结
这篇文章把衰老研究从“整体生物年龄”推进到“细胞类型特异性生物年龄”。作者利用大规模血浆蛋白组和机器学习模型，估计40多种细胞类型的年龄差，并证明这些细胞年龄与疾病风险和死亡风险相关。
主要结论可以概括为四点：
这篇真正往前推的一步是：把一管血里的蛋白信号转译成细胞层面的衰老坐标，让疾病风险预测从“一个总分”变成可以追溯到具体细胞类型的生物学解释。
参考文献
Ding DY, Bot VA, Chen KL, Groves JW, Pálovics R, Masuda D, Farinas A, Oh HS, Wagner V, Lu N; Global Neurodegeneration Proteomics Consortium (GNPC), Cruchaga C, Isakova A, Schott JM, Wyss-Coray T. Plasma proteomic signatures of cellular aging predict human disease. Nat Med. 2026;32(6):2060–2072. doi: 10.1038/s41591-026-04446-y.
- Nature: https://www.nature.com/articles/s41591-026-04446-y
- PubMed: https://pubmed.ncbi.nlm.nih.gov/42297981/
- PMC: https://pmc.ncbi.nlm.nih.gov/articles/PMC13279268/
- DOI: https://doi.org/10.1038/s41591-026-04446-y
- Code: https://github.com/dingdaisy/cellage
- GNPC data: https://www.neuroproteome.org/harmonized-data-set-hds
- UK Biobank: https://www.ukbiobank.ac.uk/register-apply
- NSHD access: https://skylark.ucl.ac.uk/NSHD/access/
