摘要：衰老，作为生命过程中最核心的生物学现象之一，始终是生命科学、医学及公共卫生领域关注的焦点。生物年龄作为反映个体真实生理状态的关键指标，相较于单纯的 chronological age（实际年龄），更能准确揭示个体的健康状况、疾病易感性及衰老进程。近年来，衰老研
一、引言：全生命周期生物钟研究的空白与迫切需求
衰老，作为生命过程中最核心的生物学现象之一，始终是生命科学、医学及公共卫生领域关注的焦点。生物年龄作为反映个体真实生理状态的关键指标，相较于单纯的 chronological age（实际年龄），更能准确揭示个体的健康状况、疾病易感性及衰老进程。近年来，衰老研究领域涌现出多种生物年龄评估模型，即 “衰老时钟”，这些模型通过整合基因组学、表观遗传学、代谢组学等多维度生物标志物，实现了对成人衰老进程的精准量化与疾病风险预测。
然而，现有衰老研究存在一个关键的结构性空白：绝大多数模型的开发与验证均集中于成人群体，对生命早期（婴儿期、儿童期）的生物钟特征缺乏系统探索。从生命历程理论视角来看，个体的健康与衰老轨迹并非孤立存在，而是由早期发育过程与后期衰老进程相互作用、动态塑造的。婴儿期与儿童期作为器官发育、功能成熟、代谢网络构建的关键窗口期，其生理状态的异常可能通过 “发育程序化” 效应，对成年后的衰老速率、年龄相关疾病发病风险产生深远影响。例如，儿童期的营养不良、生长发育迟缓不仅会导致即时的健康问题，更可能增加成年后肥胖、糖尿病、心血管疾病等慢性病的发病概率。
这种研究空白带来了双重挑战：一方面，临床实践中缺乏有效的工具来评估儿童发育的 “生物年龄”，难以精准识别发育异常的高风险个体并及时干预；另一方面，由于缺乏连接早期发育与后期衰老的生物钟模型，科学界无法完整解析全生命周期中生理状态的动态演变规律，使得精准健康理念难以贯穿生命全程。因此，开发一种能够覆盖婴儿期、儿童期至老年期的全生命周期生物年龄时钟，不仅是填补学术空白的关键一步，更是推动精准医疗从成人疾病治疗向全人群健康管理延伸的迫切需求。
在此背景下，“LifeClock” 生物年龄模型的问世具有里程碑意义。该模型创新性地整合了大规模常规电子健康记录（EHR）与实验室测试数据，构建了能够精准预测生命各个阶段生物年龄的通用框架，并通过区分儿童发育与成人衰老的独特生物钟模式，为全生命周期精准健康管理提供了全新的技术支撑与理论依据。
二、研究背景：衰老时钟的发展历程与技术瓶颈
（一）衰老时钟的演化与成人研究的主导地位
自 20 世纪末以来，衰老时钟的研究经历了从单一生物标志物到多维度整合模型的发展阶段。早期的衰老评估主要依赖于端粒长度、氧化应激标志物等单一指标，但由于个体差异大、敏感性不足，难以作为普适性的生物年龄评估工具。2013 年，Hannum 与 Horvath 团队分别开发出基于 DNA 甲基化（DNAm）的衰老时钟，通过筛选特定 CpG 位点的甲基化水平，实现了对成人生物年龄的高精度预测，标志着衰老时钟研究进入多标志物整合时代。
此后，基于 DNA 甲基化、转录组学、代谢组学、蛋白质组学等组学数据的衰老时钟不断涌现，这些模型在预测成人寿命、年龄相关疾病（如癌症、心血管疾病、神经退行性疾病）风险方面展现出强大能力。例如，DNAm 时钟能够预测全因死亡率、心血管疾病发病风险，其预测精度显著优于传统临床指标；基于代谢组学的时钟则能有效反映机体代谢状态的衰老相关变化，为代谢性疾病的早期预警提供支持。
然而，这些现有模型几乎均以成年人群为研究对象，其核心假设是生物年龄与衰老进程呈线性相关，而这一假设并不适用于生命早期。儿童期的生理发育具有非线性、快速变化的特征，其生物年龄的核心驱动因素是器官成熟与功能完善，而非衰老相关的退行性变化。因此，成人衰老时钟无法有效捕捉儿童期的发育动态，也无法建立早期发育与后期衰老之间的关联，这一技术瓶颈严重限制了衰老研究向全生命周期延伸。
（二）电子健康记录在生物标志物研究中的崛起
常规电子健康记录（EHR）作为临床实践中积累的海量异构数据，包含了患者的人口统计学信息、症状体征、实验室检查结果、诊断编码、用药记录等多维度信息，具有样本量大、随访时间长、数据来源真实世界等独特优势。近年来，随着大数据分析技术与人工智能算法的发展，EHR 数据逐渐成为生物标志物挖掘与预测模型开发的重要数据源。
与传统组学数据相比，EHR 数据具有更强的临床实用性与可及性：组学检测往往成本高昂、操作复杂，难以在常规临床实践中大规模应用，而 EHR 数据是临床诊疗的副产品，无需额外增加检测成本，易于推广。此外，EHR 数据的纵向特性能够反映个体生理状态的动态变化，为解析全生命周期中生物年龄的演变轨迹提供了可能。
然而，EHR 数据的异构性、高维度、缺失值多等特点也为模型开发带来了巨大挑战。不同临床访问中的数据类型差异较大（如实验室数据为连续型变量，诊断编码为分类变量），且同一指标在不同随访时间点的记录不完整，如何有效整合这些异构纵向数据，提取能够反映个体生理状态的核心特征，成为制约 EHR-based 预测模型性能的关键问题。
（三）全生命周期生物钟模型的核心技术需求
构建全生命周期生物钟模型，需要满足三个核心技术需求：一是数据层面，需要大规模、多中心、长随访的异构纵向 EHR 数据，以覆盖婴儿期至老年期的不同生命阶段，确保模型的泛化能力；二是特征工程层面，需要开发有效的方法整合异构纵向数据，构建能够稳定反映个体生理状态的 “虚拟患者表征”，消除数据异质性与缺失值带来的影响；三是模型层面，需要设计能够捕捉不同生命阶段生理动态变化的算法，区分儿童发育与成人衰老的不同模式，实现生物年龄的精准预测与疾病风险评估。
LifeClock 模型正是针对这些技术需求而开发，通过整合近千万人的海量纵向 EHR 数据，采用基于时间序列的深度学习模型，成功突破了现有研究的局限，构建了首个覆盖全生命周期的生物年龄时钟。
三、LifeClock 模型的构建：数据、方法与技术框架
（一）数据来源与特征：大规模异构纵向临床数据
LifeClock 模型的开发基于一项大规模的真实世界数据研究，数据来源于 9,680,764 名个体的 24,633,025 次异构纵向临床访问。该数据集具有以下核心特征：
样本覆盖范围广：纳入的个体年龄跨度从出生后 1 个月至 95 岁以上，全面覆盖了婴儿期（0-1 岁）、幼儿期（1-3 岁）、学龄前期（3-6 岁）、学龄期（6-12 岁）、青春期（12-18 岁）、成年早期（18-45 岁）、成年中期（45-65 岁）、老年期（65 岁以上）等所有生命阶段，其中儿童群体（0-18 岁）样本量超过 300 万，为儿童期生物钟模型的开发提供了充足的数据支撑。数据类型异构多元：临床访问数据包含多个维度的信息，主要包括：①实验室测试数据，涵盖血常规、生化指标、激素水平、免疫功能指标等常规检测项目，共计 1,200 余种检测指标；②人口统计学信息，包括性别、种族、地域、社会经济状况等；③临床诊断信息，采用 ICD-10 编码记录的疾病诊断，涵盖感染性疾病、营养代谢性疾病、心血管疾病、神经系统疾病等各类疾病；④症状与体征数据，如身高、体重、血压、心率、发育里程碑达标情况等；⑤用药记录与治疗干预信息。纵向随访时间长：纳入个体的平均随访时间为 5.8 年，最长随访时间达 20 年，能够捕捉个体在不同生命阶段生理状态的动态变化，为解析生物年龄的长期演变轨迹提供了关键数据。该数据集的规模与多样性在同类研究中处于领先水平，确保了 LifeClock 模型能够充分学习不同生命阶段、不同人群的生理特征，为全生命周期生物年龄预测奠定了坚实的数据基础。
（二）虚拟患者表征的构建与潜在空间投射
为解决 EHR 数据异构性、高维度、缺失值多的问题，研究团队开发了 “虚拟患者表征”（virtual patient representations）技术，通过以下步骤实现对异构纵向数据的有效整合：
数据预处理与标准化：首先对原始 EHR 数据进行清洗与预处理，包括缺失值填充（采用基于时间序列的插值法与多变量 imputation 算法）、异常值识别与修正（基于临床常识与统计方法）、数据标准化（对连续型指标进行 Z-score 标准化，对分类变量进行独热编码），确保数据质量。多维度特征提取：针对不同类型的数据，采用差异化的特征提取方法：对于实验室测试等连续型数据，提取均值、标准差、趋势斜率、峰值 / 谷值等时间序列特征；对于诊断编码等分类数据，采用词嵌入（word embedding）技术将其转化为低维向量；对于症状与体征数据，结合临床知识构建发育 / 衰老相关特征集（如儿童的生长速率、成人的功能衰退指标）。虚拟患者表征整合：通过注意力机制（attention mechanism）将不同维度、不同时间点的特征进行加权整合，构建出能够综合反映个体生理状态的 “虚拟患者表征” 向量。该向量包含了个体在时间维度上的生理变化信息，能够有效捕捉不同生命阶段的核心特征，同时降低数据维度，减少冗余信息。潜在空间投射：将构建的虚拟患者表征向量投射到一个低维潜在空间（latent space）中，通过主成分分析（PCA）与变分自编码器（VAE）进行降维与特征压缩，保留能够区分不同生命阶段、不同健康状态的关键信息。潜在空间中的每个点代表一名患者的综合生理特征，不同患者之间的距离反映了其生理状态的相似性，为后续的生物年龄预测提供了简洁且有效的特征表示。通过这一系列步骤，研究团队成功将海量异构的纵向 EHR 数据转化为统一、低维、高信息量的虚拟患者表征，为后续模型训练提供了高质量的输入特征。
（三）EHRFormer：基于时间序列的深度学习模型
为精准捕捉全生命周期中生理状态的动态变化，研究团队开发了 EHRFormer 模型，这是一种专门针对纵向 EHR 数据优化的时间序列深度学习模型，其架构基于 Transformer，但在以下方面进行了针对性改进：
时间注意力机制优化：传统 Transformer 模型的自注意力机制在处理长序列数据时计算复杂度高，且难以有效捕捉临床数据中的短期波动与长期趋势。EHRFormer 采用了分层注意力机制（hierarchical attention），分为局部注意力（捕捉相邻随访时间点的短期变化）与全局注意力（捕捉长期趋势与关键时间节点的变化），既保证了对短期生理波动的敏感性，又能有效提取长期发育 / 衰老轨迹特征。异构数据适配模块：针对 EHR 数据中连续型、分类型、二进制型等多种数据类型共存的特点，EHRFormer 设计了异构数据适配模块，通过不同的编码器将各类数据转化为统一维度的向量，并通过门控机制（gating mechanism）动态调整不同类型数据的权重，确保模型能够充分利用各类数据的信息。生命阶段自适应学习：为区分儿童发育与成人衰老的不同模式，EHRFormer 引入了生命阶段嵌入（life stage embedding）技术，将年龄分组信息（如婴儿期、儿童期、成年期、老年期）作为先验知识融入模型训练，使模型能够自适应地学习不同生命阶段的生理动态规律，避免单一模型难以适配全生命周期的问题。多任务学习框架：EHRFormer 采用多任务学习（multi-task learning）框架，以生物年龄预测为主任务，同时将疾病风险预测（如儿科疾病、年龄相关疾病）作为辅助任务，通过任务间的信息共享提升模型的泛化能力与预测精度。辅助任务的引入能够帮助模型学习与健康状态密切相关的生理特征，进一步优化生物年龄的预测性能。EHRFormer 模型的这些设计使其能够有效处理纵向 EHR 数据的时间序列特性与异构性，精准捕捉不同生命阶段的生理动态变化，为全生命周期生物年龄的高精度预测提供了核心技术支撑。
（四）LifeClock 模型的训练与验证策略
LifeClock 模型的训练与验证采用了严格的交叉验证与外部验证策略，确保模型的可靠性与泛化能力：
数据集划分：将总数据集按 7:1:2 的比例划分为训练集、验证集与测试集，其中测试集包含不同年龄、不同地域、不同医疗机构的样本，以验证模型的泛化能力。同时，为避免数据泄露，采用时间序列划分法（即训练集的随访时间早于验证集与测试集），确保模型能够预测未来的生物年龄与疾病风险。模型训练与超参数优化：在训练集上对 EHRFormer 模型进行训练，采用自适应矩估计（Adam）优化器，以生物年龄与实际年龄的均方误差（MSE）为损失函数，结合早停法（early stopping）避免过拟合。通过网格搜索与贝叶斯优化对模型的超参数（如注意力头数、隐藏层维度、学习率）进行优化，确保模型性能最优。多维度验证指标：采用多种指标对模型性能进行验证，包括生物年龄与实际年龄的 Pearson 相关系数（r）、均方根误差（RMSE）、平均绝对误差（MAE），以及疾病风险预测的受试者工作特征曲线下面积（AUC）、精确率 - 召回率曲线下面积（PR-AUC）等。亚组分析与敏感性验证：在不同年龄亚组（婴儿期、儿童期、成年期、老年期）、不同性别、不同种族亚组中对模型进行验证，评估模型在特殊人群中的性能；同时，通过剔除特定类型数据（如某类实验室指标）进行敏感性分析，验证模型的稳健性。通过严格的训练与验证流程，LifeClock 模型在全生命周期各阶段均展现出优异的预测性能，为其临床应用提供了可靠保障。
四、LifeClock 模型的核心发现：全生命周期的生物钟模式与疾病预测价值
（一）儿童时钟：发育导向的生物年龄预测与儿科疾病风险预警
LifeClock 模型在儿童群体（0-18 岁）中表现出极高的生物年龄预测精度，生物年龄与实际年龄的 Pearson 相关系数 r=0.94，RMSE=0.82 岁，显著优于现有基于单一指标的儿童发育评估工具（如生长曲线、发育里程碑量表）。更重要的是，研究发现儿童时钟具有鲜明的 “发育导向” 特征，其生物年龄的核心驱动因素与儿童发育过程密切相关：
与发育指标的强相关性：儿童生物年龄与身高、体重、头围等生长指标的生长速率呈显著正相关（r=0.78-0.85），与认知发育评分、运动发育里程碑达标时间也存在密切关联（r=0.65-0.72）。对于早产儿或低出生体重儿，LifeClock 预测的生物年龄能够准确反映其追赶生长状态：追赶生长良好的儿童，其生物年龄逐渐接近实际年龄；而追赶生长迟缓的儿童，生物年龄显著低于实际年龄，且这种差异可持续至学龄期。儿科疾病风险的精准预测：儿童时钟不仅能够评估当前的发育状态，还能有效预测未来儿科疾病的发病风险。在随访期间，生物年龄与实际年龄差异较大（>1 岁）的儿童，未来发生营养不良、生长发育异常（如矮小症、肥胖症）、免疫功能低下（反复感染）、神经发育障碍（如自闭症、注意力缺陷多动障碍）等儿科疾病的风险显著升高：生物年龄低于实际年龄≥1 岁的儿童，营养不良风险增加 2.3 倍（95% CI：1.98-2.67），矮小症风险增加 1.8 倍（95% CI：1.56-2.08）；生物年龄高于实际年龄≥1 岁的儿童，肥胖症风险增加 2.7 倍（95% CI：2.34-3.12），代谢综合征前期风险增加 1.9 倍（95% CI：1.63-2.21）；生物年龄波动（不同随访时间点差异≥0.8 岁）的儿童，神经发育障碍风险增加 3.1 倍（95% CI：2.58-3.72）。这些结果表明，儿童时钟能够有效识别发育异常的高风险个体，为儿科疾病的早期干预提供重要依据。
（二）成人生物钟：衰老导向的生物年龄预测与年龄相关疾病风险预警
与儿童时钟不同，成人生物钟（18 岁以上）展现出鲜明的 “衰老导向” 特征，其生物年龄的核心驱动因素与衰老相关的生理变化密切相关，模型预测精度同样优异（r=0.92，RMSE=1.23 岁）：
与衰老标志物的相关性：成人生物年龄与传统衰老标志物（如端粒长度、炎症因子水平、氧化应激指标）呈显著相关：与端粒长度呈负相关（r=-0.68），与 IL-6、TNF-α 等炎症因子水平呈正相关（r=0.71-0.75），与血糖、血脂、肾功能指标（如肌酐清除率）也存在密切关联（r=0.62-0.73）。此外，生物年龄高于实际年龄的成人，其生理功能（如心肺功能、肌肉力量、认知功能）的衰退速率显著加快，全因死亡率风险也显著升高（HR=1.87，95% CI：1.72-2.03）。年龄相关疾病的精准预测：成人生物钟能够准确预测当前及未来主要年龄相关疾病的发病风险，包括糖尿病、肾衰竭、中风、心血管疾病等：生物年龄每增加 1 岁，2 型糖尿病发病风险增加 8%（HR=1.08，95% CI：1.06-1.10），心血管疾病发病风险增加 7%（HR=1.07，95% CI：1.05-1.09）；生物年龄高于实际年龄≥5 岁的成人，肾衰竭风险增加 2.1 倍（95% CI：1.85-2.38），中风风险增加 1.9 倍（95% CI：1.72-2.11）；模型对年龄相关疾病的预测性能显著优于传统临床风险评分（如 Framingham 心血管风险评分），AUC 值提升 15%-20%。这些结果表明，成人生物钟能够有效量化成人的衰老进程，为年龄相关疾病的早期筛查、风险分层与干预提供重要工具。
（三）不同生命阶段的生物钟模式差异
LifeClock 模型的核心发现之一是揭示了儿童期与成人期生物钟的本质差异，这两种模式在驱动因素、动态变化规律、临床意义等方面均存在显著不同：
特征儿童期生物钟（0-18 岁）成人期生物钟（18 岁以上）核心驱动因素器官发育、功能成熟、生长速率细胞衰老、功能衰退、代谢紊乱生物年龄变化速率非线性、快速波动（儿童早期速率最快）线性、缓慢递增（随年龄增长逐渐加快）与实际年龄的关系波动较大，反映发育追赶 / 迟缓相对稳定，反映衰老加速 / 延缓关键关联指标生长指标、发育里程碑、认知功能炎症因子、代谢指标、器官功能指标临床应用方向发育异常筛查、儿科疾病早期预警衰老速率评估、年龄相关疾病风险预测研究还发现，青春期（12-18 岁）是生物钟模式从 “发育导向” 向 “衰老导向” 过渡的关键时期，这一阶段的生物年龄波动较大，与激素水平变化、代谢重构密切相关。青春期生物年龄异常的个体，不仅容易出现青春期发育异常（如性早熟、发育延迟），还可能增加成年后年龄相关疾病的发病风险，提示青春期可能是干预生命后期健康轨迹的重要窗口期。
五、讨论：LifeClock 模型的创新价值、临床应用与未来方向
（一）创新价值：填补全生命周期生物钟研究空白
LifeClock 模型在多个方面实现了突破性创新，为衰老研究与精准健康领域带来了重要进展：
首次构建全生命周期生物年龄时钟：LifeClock 模型首次实现了从婴儿期到老年期的生物年龄全覆盖预测，填补了现有研究在生命早期生物钟领域的空白，为解析全生命周期生理状态的动态演变规律提供了关键工具。通过区分儿童发育与成人衰老的不同生物钟模式，该模型揭示了生命早期发育与后期衰老之间的潜在关联，为 “发育程序化” 理论提供了直接的实证支持。基于常规 EHR 数据的实用化模型：与基于组学数据的衰老时钟不同，LifeClock 模型完全依赖常规 EHR 数据与实验室测试结果，无需额外的组学检测，显著降低了临床应用的成本与门槛。由于 EHR 数据在各级医疗机构中广泛存在，该模型具有极强的可推广性，能够快速应用于大规模人群的健康管理。高精度与多任务预测能力：借助大规模数据集与先进的深度学习算法，LifeClock 模型在生物年龄预测与疾病风险预警方面均展现出优异性能，其预测精度显著优于同类研究。同时，模型的多任务学习框架使其能够同时实现生物年龄预测与多种疾病风险评估，为临床实践提供了一站式的健康评估工具。（二）临床应用前景：推动全生命周期精准健康管理
LifeClock 模型具有广泛的临床应用前景，能够贯穿从儿童健康监测到成人疾病预防的全生命周期健康管理：
儿童健康管理：在儿科临床中，LifeClock 模型可用于儿童发育状态的精准评估，识别发育迟缓、营养不良、肥胖等异常状态的高风险个体，为早期干预提供依据。例如，对于生物年龄显著低于实际年龄的儿童，可及时进行营养支持、康复训练等干预措施，促进其追赶生长；对于生物年龄过高的儿童，可早期干预饮食与运动，预防肥胖与代谢性疾病。此外，模型还可用于早产儿、低出生体重儿等高危儿童的长期随访与健康轨迹监测。成人健康管理与疾病预防：在成人人群中，LifeClock 模型可作为衰老速率的量化工具，帮助个体了解自身的真实生理年龄与衰老状态，制定个性化的健康干预方案。对于生物年龄显著高于实际年龄的成人，可通过调整饮食、增加运动、控制危险因素等方式延缓衰老进程；模型预测的疾病风险可用于年龄相关疾病的早期筛查与风险分层，实现 “早发现、早干预”，降低疾病负担。公共卫生实践：在公共卫生领域，LifeClock 模型可用于大规模人群的健康状况评估与疾病风险筛查，识别高风险人群与重点干预群体，优化公共卫生资源配置。例如，通过模型评估社区人群的生物年龄分布，可针对性地开展健康宣教、疫苗接种、慢性病筛查等公共卫生项目，提升人群健康水平。药物研发与临床试验：LifeClock 模型可作为评估抗衰老药物疗效的生物标志物，用于临床试验中药物效果的量化评估。通过监测受试者用药前后的生物年龄变化，可快速判断药物的抗衰老效果，缩短临床试验周期，降低研发成本。此外，模型还可用于临床试验的受试者分层，确保试验人群的同质性，提高试验结果的可靠性。（三）局限性与未来研究方向
尽管 LifeClock 模型取得了显著进展，但仍存在一些局限性，需要在未来研究中进一步完善：
数据局限性：该模型基于单一地区或特定人群的 EHR 数据开发，可能存在人群偏差，其在不同种族、不同地域、不同医疗体系人群中的泛化能力仍需验证。此外，EHR 数据中缺乏部分关键生物标志物（如基因组学、表观遗传学数据），可能影响模型对某些特殊人群（如遗传性疾病患者）的预测性能。模型解释性不足：作为深度学习模型，EHRFormer 的 “黑箱” 特性使得模型的预测机制难以完全解释，无法明确哪些具体指标对生物年龄预测起关键作用。未来需要结合可解释人工智能（XAI）技术，提升模型的解释性，使临床医生与患者能够理解预测结果的来源，增强模型的临床接受度。动态监测与干预效果评估：现有模型主要基于历史数据进行预测，缺乏对干预措施效果的实时监测能力。未来需要开发动态更新的模型，结合实时 EHR 数据与干预信息，实时评估干预措施对生物年龄与疾病风险的影响，为个性化干预方案的调整提供依据。多组学数据整合：未来可将基因组学、表观遗传学、微生物组学等多组学数据与 EHR 数据相结合，进一步丰富模型的特征维度，提升生物年龄预测与疾病风险评估的精度，同时深入解析衰老与发育的分子机制。特殊人群拓展：现有模型对某些特殊人群（如孕妇、老年人、患有罕见病的个体）的覆盖不足，未来需要扩大数据集，针对这些特殊人群优化模型，提升模型的适用性。六、结论
LifeClock 生物年龄模型的开发与应用，是衰老研究与精准健康领域的一项重要突破。该模型通过整合大规模异构纵向 EHR 数据，采用先进的深度学习技术，首次构建了覆盖婴儿期至老年期的全生命周期生物年龄时钟，揭示了儿童发育与成人衰老的不同生物钟模式。儿童时钟能够精准评估儿童发育状态，预测儿科疾病风险；成人生物钟能够量化衰老进程，预警年龄相关疾病。
这项工作不仅填补了全生命周期生物钟研究的空白，更建立了一个全新的框架，将常规临床数据转化为全生命周期健康评估的工具，为精准健康管理提供了强大的技术支撑。随着模型的进一步完善与推广，LifeClock 有望在儿科健康监测、成人疾病预防、公共卫生实践等多个领域发挥重要作用，推动精准健康理念从理论走向实践，为提升全人群健康水平、延长健康寿命做出重要贡献。未来，通过多学科交叉融合与技术创新，全生命周期生物钟模型将不断发展，为人类健康带来更多新的突破。
来源：医学顾事
