领域里程碑论文 Landmark Papers
18 篇与 DeepoMe 技术密切相关的领域关键论文
以下论文虽然并非我们团队发表，但它们构成了能力组学和根因医学的理论基础
衰老标志
The Hallmarks of Aging
学术意义
定义了衰老的九大标志性特征框架，成为衰老研究的基础范式，将多样的衰老现象组织成连贯的概念结构。
与 DeepoMe 的关联
Capome检测技术直接量化多个衰老标志，包括表观遗传改变、线粒体功能障碍、细胞衰老等，为衰老标志提供可测量的分子指标。
Hallmarks of aging: An expanding universe
学术意义
将衰老标志更新扩展为十二个，新增自噬障碍、慢性炎症和微生态失衡作为新标志。
与 DeepoMe 的关联
DeepoMe信号通路衰老时钟覆盖3000+通路，包括新增标志对应的炎症和代谢通路，与扩展框架高度一致。
表观遗传时钟
DNA methylation age of human tissues and cell types
学术意义
建立了表观遗传时钟的概念——基于353个CpG位点的DNA甲基化水平的多种组织年龄预测器，彻底革新了生物衰老测量领域。
与 DeepoMe 的关联
DeepoMe在此基础上发展了直接检测方法，通过唾液样本实现无创衰老检测，并将单维度时钟扩展为3000维通路时钟。
Genome-wide methylation profiles reveal quantitative views of human aging rates
学术意义
展示了全基因组甲基化谱，揭示了人类衰老速率的定量视图，证明衰老相关甲基化变化既有组织特异性又有跨组织共享性。
与 DeepoMe 的关联
启发了DeepoMe多维度衰老评估思路，Capome的器官特异性衰老评估正是基于不同组织的甲基化差异特征。
An epigenetic biomarker of aging for lifespan and healthspan
学术意义
开发了DNAm PhenoAge时钟，使用临床表型指标训练基于甲基化的生物标志物，比日历年龄更强烈地关联寿命和健康寿命。
与 DeepoMe 的关联
能力组学整合多种时钟模型，PhenoAge是Capome检测体系中L0层表观遗传年龄评估的重要参考时钟之一。
DNA methylation GrimAge strongly predicts lifespan and healthspan
学术意义
引入GrimAge时钟，基于DNA甲基化的血浆蛋白和吸烟包年替代指标，强有力地预测死亡时间、癌症发生时间和心脏病发生时间。
与 DeepoMe 的关联
Capome整合了多时钟对比分析，GrimAge作为L0层的重要参考，为衰老加速程度提供临床可解释的评估。
Universal DNA methylation age across mammalian tissues
学术意义
利用348种哺乳动物和超过15,000份组织样本开发了通用哺乳动物甲基化时钟，证明DNA甲基化衰老模式在哺乳动物谱系中具有保守性，支持跨物种年龄估计。
与 DeepoMe 的关联
Capome检测技术基于同样的DNA甲基化原理，跨物种时钟的验证进一步强化了甲基化作为衰老通用生物标志物的科学地位。
Next Generation Aging Clock: A Novel Approach to Decoding Human Aging Through Over 3000 Cellular Pathways
学术意义
提出了下一代衰老时钟模型，为3000+条细胞通路逐一计算衰老评分，实现从细胞器到器官的全尺度多尺度衰老评估。展示了优异的年龄相关疾病预测精度，例如基于血管内皮细胞迁移通路衰老指数预测动脉粥样硬化（OR=80）和基于线粒体组织通路衰老指数预测重度抑郁症（OR=4.4）。
与 DeepoMe 的关联
该论文是DeepoMe核心技术基础，3000维通路时钟（Pathway Clock）直接支撑Capome检测产品的多维度衰老评估能力，并为DeepKang个性化干预方案提供精确的通路层面干预靶点。
Decoding disease-specific ageing mechanisms through pathway-level epigenetic clock: insights from multi-cohort validation
学术意义
开发了PathwayAge，在通路层面（GO/KEGG通路）捕获协调性甲基化变化的生物学可解释模型。在19个队列（n=10,615）中交叉验证达到Rho=0.977、MAE=2.350。验证了9种疾病的疾病特异性衰老特征，包括神经精神、免疫、代谢和癌症相关疾病。
与 DeepoMe 的关联
PathwayAge论文直接支撑DeepoMe的通路时钟技术路线，为3000维通路时钟提供了多队列验证的学术先例，证明了通路级衰老评估的可行性。
衰老生物学
World Report on Ageing and Health
学术意义
引入内在能力（Intrinsic Capacity）概念——个体所有身心能力的综合体——作为健康衰老评估的核心框架。
与 DeepoMe 的关联
DeepoMe能力组学直接量化内在能力，Capome的五个功能层（L0-L4）正是围绕WHO内在能力概念构建的量化体系。
Quantification of biological aging in young adults
学术意义
证明生物衰老可以在年轻成人中测量，揭示衰老异质性在年龄相关疾病发病前数十年就已经显现。
与 DeepoMe 的关联
验证了早期检测的价值，支持Capome检测面向全年龄段人群的理念——越早检测，越能有效干预衰老进程。
Geroscience: Linking Aging to Chronic Disease
学术意义
建立了将基础衰老过程与慢性疾病联系的衰老科学概念，提出靶向衰老本身可以同时预防或延缓多种年龄相关疾病。
与 DeepoMe 的关联
根因医学的理论基础——DeepoMe的检测不仅关注单一疾病，而是通过衰老标志物评估整体衰老进程，实现多种疾病的共同预防。
High-dimensional Ageome Representations of Biological Aging across Functional Modules
学术意义
建立了跨越功能模块的高维Ageome表征体系，实现了对生物衰老的多维度评估，超越了单一生物学年龄估计。哈佛医学院和布里格姆妇女医院团队研究成果。
与 DeepoMe 的关联
该论文与DeepoMe的通路时钟理念高度一致，为Capome多维度衰老评估提供了外部学术验证，证明了"功能模块化衰老评估"是领域前沿方向。
A blood-based epigenetic clock for intrinsic capacity predicts mortality and is associated with clinical, immunological and lifestyle factors
学术意义
开发了IC时钟（内在能力甲基化时钟），利用DNA甲基化预测内在能力——个体身心能力的总和。基于INSPIRE-T队列（n=1,014，年龄20-102岁）构建。在Framingham心脏研究中，IC时钟在预测全因死亡率方面优于第一代和第二代表观遗传时钟。
与 DeepoMe 的关联
IC时钟与DeepoMe"能力组学"理念完全吻合——生命是适应环境的能力集合体，衰老即能力储备的系统性耗竭。该论文为Capome的内在能力评估提供了强有力的外部学术背书。
AI制药
Deep learning in drug discovery and medicine; scratching the surface
学术意义
确立了深度学习作为药物发现变革性工具的地位，涵盖从靶点鉴定到临床试验设计的全流程。
与 DeepoMe 的关联
CapoVime平台的AI制药方法论参考了此类深度学习架构，用于药食功效在体图谱的构建和个性化干预方案推荐。
长寿干预
Naturally occurring p16(Ink4a)-positive cells shorten healthy lifespan
学术意义
证明清除衰老细胞可以延长小鼠的健康寿命，为靶向细胞衰老的senolytic疗法提供了概念验证。
与 DeepoMe 的关联
Capome检测可评估细胞衰老相关的表观遗传标志，为senolytic等抗衰老干预提供效果评估的量化指标。
Effect of long-term caloric restriction on DNA methylation measures of biological aging in healthy adults from the CALERIE trial
学术意义
基于CALERIE试验提供直接证据：2年热量限制（平均减少12%）可使DunedinPACE测量的生物衰老速度减缓2-3%，这是首次随机试验证明生活方式干预可以减缓人类表观遗传衰老。
与 DeepoMe 的关联
DeepKang干预方案基于Capome检测的衰老评估结果推荐个性化营养干预，与热量限制延缓表观遗传衰老的理念一致。
中医药
Network pharmacology: the next paradigm in drug discovery
学术意义
确立了网络药理学作为药物发现新范式的地位，提出多靶点药物（"魔霰弹"）在治疗复杂疾病方面可能比单靶点药物（"魔弹"）更有效。
与 DeepoMe 的关联
DeepoMe的SEMO算法基于网络药理学方法论，将化合物映射到PPI网络进行多靶点评估，与网络药理学的多靶点理念一脉相承。