电子科技大学鲜波、杨静，北京市疾控中心宁钧宇Aging Cell：机器学习加速抗衰老化合物开发

本研究聚焦于抗衰老药物的开发，针对传统药物研发路径成本高、周期长、成功率低的问题，提出了基于表型驱动的药物发现策略（PDD），并结合机器学习方法构建了新的框架ElixirSeeker。该框架通过整合和扩充DrugAge数据库，开发了一种创新的分子表征方法，从分子整体拓扑结构、局部化学环境特征以及药效团特征三个层面进行多维度特征提取与分子指纹构建。研究团队从天然产物库、中药活性成分数据库以及FDA批准药物中筛选出多个候选化合物，并通过体内实验验证了其中6种化合物的延寿效果。进一步的机制研究表明，这些化合物能显著激活与衰老密切相关的信号通路，如氧化应激应答通路和胰岛素/胰岛样生长因子（IIS）通路。该研究不仅为抗衰老药物的开发提供了新的视角和解决方案，还具有广泛的通用性和拓展性，适用于其他药物研发领域。