老化鐘是不老藥的必要前奏

根據IBM提供的資料，人工智能醫療的應用包括：(1)疾病檢測與診斷；(2)個人化疾病治療；(3)醫療影像；(4)提升臨床試驗效率；(5)加速藥物研發。

人工智能的潛力有多大？近年輝達(NVIDIA)的股價走勢我不用再多說。人工智能以至當中的深度學習(deep learning)將如何降低生物老化的研究成本？

卻是值得討論一下。首先，透過人工智能提升臨床試驗效率和加速藥物研發，是錯不了的。可以預料，治療阿茲海默症等一類老化相關的疾病的研發成本將可降低。更重要的，我認為是學界對量度老化的生物指標一直未有共識，這不但拖慢老化科學的研究發展，更妨礙監管機構考慮把老化定義為疾病。

沒有量度便沒有科學。反映生物老化和年齡老化的分別，推測生物老化與其他各種疾病的關係，研發預防或治療老化的方法，都必先要找出公認的生物指標去量度生物性老化。老化是個複雜的生物過程，量度以至了解這個複雜的過程因此涉及複雜而大量的生物以及分子數據。深度學習的優勢，正正就是透過新演算法從大數據(包括影像、基因組學等數據)中學習並找出規律。換句話，找出量度生物性老化的生物指標，是研究老化科學和監管老化醫療的必要前奏，而人工智能正正具有潛力有效尋找和確認生物性老化生物指標以及降低其研究成本。

多得機器學習技術，表觀遺傳老化鐘(epigenetic aging clock，亦稱DNA甲基化鐘)在廿一世紀初向我們顯示老化鐘量度生物性老化的潛力。新一代的深度老化鐘(deep aging clock)以至深度神經網路老化鐘(deep neural networks base aging clock)，將透過深度學習技術提升老化鐘在生物老化的和疾病的預測力。不同組學(omics)近年的興起，包括研究生物體基因組中各種基因以及它們之間相互關係的基因組學，多少亦是受惠於人工智能推動組學數據的普及分析。組學數據與臨床數據的連結及分析，將會是把老化科學應用到廿一世紀醫療最重要的其中一步。