一、前言

傳統年齡的定義係以個體自出生後經過的時間作為衡量標準，稱為「實際年齡(Chronological Age)」。然而，愈來愈多研究顯示，即使實際年齡相同，不同個體的身體老化速度與健康狀態仍可能存在顯著差異。因此，如何更準確地衡量人體真實的老化程度，逐漸成為全球醫學研究與健康產業的重要課題。近年隨著分子生物技術快速發展，「生理年齡(Biological Age)」的概念開始受到關注。生理年齡是透過人體內各種分子與生理訊號，評估身體目前所處的老化狀態。相較於傳統年齡指標，生理年齡被認為更有機會反映個人的健康風險、疾病發展趨勢以及身體功能變化。

二、生理年齡的追蹤技術

生理年齡的追蹤技術已發展出多種評估方法，透過不同層級的分子生物標誌物(Molecular Biomarkers)，從基因、蛋白質、代謝及細胞等不同面向評估人體老化狀態。目前生理年齡的追蹤技術主要可分為五大類型： 

(一) 表觀遺傳老化時鐘(Epigenetic Aging Clocks)：透過分析DNA上的化學修飾，如甲基化(DNA Methylation)的變化，推估個體的生理年齡。並可進一步分析生理年齡加速(Age Acceleration，即生理年齡相較實際年齡的差異)情形，以評估個體的老化速度。此類技術為目前科學驗證最完整、商業應用最成熟的生理年齡評估技術。

(二) 轉錄體學老化特徵(Transcriptomic Aging Signatures)：藉由RNA定序或基因晶片等技術分析基因表現的變化，可反映細胞功能隨年齡變化的情形，並可應用於特定器官的老化研究。

(三) 蛋白體學老化標誌物(Proteomic Aging Markers)：透過分析血液中蛋白質的變化，可協助追蹤發炎、組織功能障礙及免疫失調等老化相關生理變化，並可應用在蛋白體學(Proteomic)老化模型分析。

(四) 代謝體學與脂質體學特徵(Metabolomic and Lipidomic Signatures)：量測代謝物及脂質的組成變化，可反映能量代謝、粒線體功能以及脂質代謝平衡等老化相關生物過程。

(五) 端粒相關老化標誌物(Telomere-associated Aging Markers)：透過測量端粒(Telomere，位於染色體末端的保護結構，其長度會隨細胞分裂逐漸縮短)的長度或縮短速度，可反映細胞因反覆分裂、端粒逐漸縮短所累積的老化變化。但由於此技術受個體差異影響較大，且端粒僅能反映部分老化機制，因此對整體老化狀態的預測能力相對有限。

三、生理年齡平台的檢測流程

生理年齡檢測並非單一項目的檢驗，而是一套結合分子檢測、體學(Omics)資料建立及人工智慧(AI)模型分析的完整流程，以估算個體的生理年齡及老化速度。以下介紹生理年齡平台的主要檢測流程：

(一) 檢體採集：採集血液或唾液等生物檢體，其中血液為主要檢體來源，而唾液因屬非侵入性方式，逐漸成為生理年齡分析的新興檢體來源。

(二) 體學(Omics)資料建立：利用DNA/RNA定序、質譜分析(Mass Spectrometry)、核磁共振(Nuclear Magnetic Resonance, NMR)及聚合酶鏈反應(Polymerase Chain Reaction, PCR)等分析技術，量測DNA甲基化、基因表現、蛋白質、代謝物及端粒等分子生物標誌物，建立生理年齡分析所需的體學資料。

(三) 資料處理：將不同來源的體學資料轉換為可供模型分析的資料格式，並進行資料標準化與整合，提高分析結果的一致性。

(四) 預測模型建立：透過統計方法與人工智慧演算法分析整合後的體學資料，建立生理年齡預測模型。

(五) 結果輸出與解讀：將模型分析結果轉換為容易理解的健康指標，如生理年齡、生理年齡加速(Age Acceleration)及老化速率等結果，協助使用者理解自身老化狀態。

四、生理年齡追蹤技術的發展重點

未來生理年齡追蹤技術將朝下列四個方向發展：

(一) 整合不同分子資訊提升老化評估能力：目前生理年齡評估多以單一分子指標進行分析，僅能反映老化的部分面向。未來將持續整合表觀遺傳(Epigenetic)、蛋白體學(Proteomic)、代謝體學(Metabolomic)及轉錄體學(Transcriptomic)等多體學(Multi-omics)資料，以提升生理年齡評估的完整性。

(二) 發展可持續追蹤的生理年齡評估：目前生理年齡評估主要反映單一時間點的老化狀態。未來將透過持續檢測，追蹤老化速度的變化，並評估健康管理或治療措施對老化的影響，以提升對老化歷程的監測能力。

(三) 應用於藥物開發與臨床研究：老化相關藥物的臨床試驗需長時間追蹤疾病發生或死亡等臨床終點，導致研發週期長。生理年齡相關分子標誌物(Molecular Biomarkers)可量化老化相關生物學過程，因此可在臨床結果出現前，初步評估藥物的治療作用，進而加速相關藥物的研發與臨床評估。

(四) 建立預測與個人化生理年齡平台：未來生理年齡平台將結合不同時間點累積的體學資料，建立個人化老化預測模型，從單純評估目前老化狀態，逐步朝向整合「測量、預測及介入」的發展方向。

五、創新案例

以下將介紹測定生理年齡的創新案例，案例摘要如圖一。

(一) MolClock皮膚表觀遺傳之生理年齡分析平台
代表性廠商：美國OneSkin
目前皮膚健康評估常依賴外觀觀察、使用者主觀感受或前後照片比較，較難精確反映皮膚在細胞層級的老化變化。美國OneSkin開發MolClock皮膚生理年齡分析平台，利用機器學習演算法分析DNA甲基化特徵，建立專為皮膚設計的生理年齡模型，以評估皮膚生理年齡。

(二) 用於轉錄體研究之K-Dense人工智慧平台
代表性廠商：美國Biostate.AI
隨著RNA定序資料快速增加，傳統生物研究需耗費大量時間進行資料分析與文獻整理。Biostate.AI開發K-Dense人工智慧平台，可整合RNA資料，並完成研究假說建立、資料分析及論文初稿撰寫等研究流程。同時，Biostate.AI與哈佛醫學院等機構合作，利用K-Dense分析RNA資料，進一步辨識出新的RNA老化生物標誌物。

(三) 用於研究生理年齡之代謝體學資料庫QMDB
代表性廠商：奧地利Biocrates
由於人體代謝體會受到年齡、性別、族群及生活型態等因素影響，導致代謝物的正常濃度範圍難以界定，增加代謝體學研究的分析難度。Biocrates建立定量代謝體學資料庫(Quantitative Metabolomics Database, QMDB)，整合多項世代研究的代謝體學資料，並利用標準化定量分析技術，建立不同族群代謝物的參考濃度範圍。例如，QMDB所收錄的資料顯示，人體代謝物甲基丙二酸(Methylmalonic Acid, MMA) 濃度即使在無疾病情況下仍會隨年齡增加，顯示其具有作為能量代謝與老化分析參考指標的潛力。

(四) HealthTAV®端粒檢測平台
代表性廠商：西班牙Life Length
Life Length開發HealthTAV®端粒檢測平台，採用高通量定量螢光原位雜交(High-throughput Quantitative Fluorescence In Situ Hybridization, HT Q-FISH)技術，可分析每個細胞及每條染色體上的端粒，提供端粒長度及分布等完整資訊。該平台可透過定期檢測，追蹤生活型態調整或健康促進措施等對端粒相關指標的影響，並應用於健康老化監測及個人化健康照護。