抗衰产业资金流向 & AI 交叉分析

一、整体盘子有多大

2024 年全球长寿/抗衰 VC 融资 ~$84.9 亿（331 笔交易），同比 +220%（2023 年 $38.2 亿），2025-2026 年预计维持在 $80-100 亿/年。如果不只看 VC，包括消费端（保健品/医美/诊所），整个抗衰市场 2025 年约 $780-850 亿，2030 年看 $1200 亿+。

中国这边，2025-2026 年也有明显加速——英矽智能港股上市、菁童生命/无尽方舟获融资、瑞初医药拿到 FDA 首个中国抗衰药 IND 临床批件。

二、钱的流向——按赛道拆

核心判断：VC 的钱高度集中在"重编程 + AI 平台"两个方向，占了 2024 年融资的 ~40-50%。senolytics 相对被低估，但管线已经在后期临床。

三、AI × 抗衰——钱和技术的交集

这是你最关心的部分，分几层：

第一层：AI 做药物/靶点发现（当前最确定）
- Insilico Medicine：生成式 AI 平台 Pharma.AI，AI 设计的 TNIK 抑制剂（ISM001-055）2025 年 Phase IIa 读出，肺功能改善 vs 安慰剂恶化，发表在 Nature Medicine。这是 AI 发现抗衰靶点药物第一个真正的临床验证。2025 年 12 月港股上市，募资 ~$1.1 亿 E 轮。
- Gero：ALEMBIC 平台用 AI 分析衰老细胞靶点，和 Rubedo 合作推进 senolytic 管线。
- BioAge Labs：AI+多组学找代谢/炎症衰老通路，和 Novartis 签了最高 $5.5 亿的 deal。

第二层：AI 模拟细胞/跨物种数据（前沿，中国独有方向）
- 无尽方舟（Endless Ark）：2025 年成立，AI 跨物种抗衰药物研发，利用不同物种的衰老数据训练模型找人类延寿靶点。2026 年 5 月刚完成数千万天使轮，砺思资本独投。
- Junevity（RESET 平台）：AI + 大规模人类数据，靶向转录因子驱动衰老。

第三层：AI 衰老时钟 + 诊断
- Deep Longevity（励晶太平洋 0575.HK）：AI 衰老时钟，受益于粤港澳大湾区数据流通政策，正在扩团队推内地商业化。

第四层：AI 基础设施赋能
- 蛋白质结构预测（AlphaFold 类）、多组学数据整合、电子健康记录挖掘——这些底层 AI 能力正在降低整个抗衰药物研发的成本和时间。

四、公开市场怎么投

ETF：
- AGNG（Global X Aging Population ETF）：持仓包括 Novo Nordisk、Lilly、Welltower 等，AUM ~$8250 万，费 0.50%，最直接的主题 ETF
- LONG.TO（CI Longevity Economy ETF）：加拿大上市，规模较小
- XBI / IBB：泛生物科技 ETF，间接受益

个股（纯抗衰标的少且小盘）：
- GERN（Geron）：端粒酶抑制剂 imetelstat，血液癌+抗衰
- UBX（Unity Biotech）：senolytic，转向眼科但仍是抗衰概念
- 0575.HK（励晶太平洋）：Deep Longevity 母公司，港股可交易
- RXRX（Recursion）：AI 药物发现，部分管线涉及衰老

但老实说，公开市场真正纯抗衰的标的极少，大部分好公司（Altos/Retro/NewLimit）还在私募阶段。

五、几个值得关注的趋势

1. 重编程是"皇冠上的明珠"——如果山中因子部分重编程的安全性和有效性在人体验证，这个赛道会爆。Altos Labs $30 亿的赌注就是这个逻辑。

2. AI 在抗衰领域的确定性比 AI 在别的垂直领域高——衰老生物学数据极度稀疏、多维度、跨物种，天然适合 AI 来压缩搜索空间。Insilico 的临床数据已经给了第一份证明。

3. Senolytics 可能是下一个催化剂——管线在临床后期，如果有一款药拿到 FDA 批准（哪怕针对某个衰老相关适应症而非"衰老"本身），整个赛道会重定价。

4. 中国的独特优势：政策支持（十五五规划、健康中国）+ 人口老龄化压力 + 干细胞监管相对宽松 + 跨物种数据可能更容易获取。无尽方舟的"AI+跨物种"路线如果跑通，会是差异化很大的打法。

5. 消费者端虽然 VC 不爱投，但是最大的现金奶牛——NMN/NAD+ 补剂市场大且增长稳，适合 PE 或者品牌型投资，不适合早期 VC 的逻辑。

有什么方向想深挖的？比如某个具体公司、某个技术路线、或者想看中国 vs 美国的对比？

好的，这个问题问到根上了。直接说我的判断。

AI × Single Cell 抗衰：什么最值得做

先定一个分析框架：抗衰产业的核心瓶颈，几乎都指向同一个问题——衰老是异质性的，同一个组织里不同细胞类型的衰老速度、机制、对干预的响应完全不同。 单细胞数据天然解这个问题，AI 是唯一能处理这个维度爆炸的工具。

下面按"产业最感兴趣程度" × "对抗衰革命的潜力"排序。

第一梯队：革命性的，抗衰公司愿意花大价钱买的

① In silico perturbation screening（虚拟扰动筛选）at single-cell resolution

这是圣杯级的工作。逻辑很简单：

• 现在抗衰药物发现的核心痛点：在人体上验证一个抗衰靶点要 10-15 年（衰老本身还不是 FDA 批准的适应症）。湿实验的通量远远不够。
• 如果有一个 foundation model，在单细胞精度上能预测"给某种细胞一个药物/基因扰动后，转录组会怎么变、衰老表型会逆转多少"，你就可以在硅片上筛几百万个候选干预，只把 top 10 进湿实验验证。
• 这直接能把抗衰药物发现周期从 10 年压缩到 2-3 年。

现在谁在干：Xaira 的 X-Cell（49 亿参数 / 2560 万扰动单细胞）、Arc Institute 的 State model（1.7 亿+ 细胞）、CZI 的 TranscriptFormer。但它们通用训练，没专门针对"衰老状态下的扰动预测"做优化。谁先做出 Aging-specific perturbation foundation model，谁就占领了制高点。

这个方向 Insilico 和 Altos 肯定会重度关注——Insilico 2026 年 4 月刚成立 Longevity Board 就是为了引导 AI 怎么用在这个方向。

② Partial reprogramming trajectory prediction & safety control（部分重编程的安全边界预测）

部分重编程是抗衰最有希望的通路，但 Altos Labs 砸了 $30 亿也没解决最核心的问题：

"给一个细胞 OSK 因子表达多久开始变年轻、多久开始丢身份、多久开始有肿瘤风险？不同细胞类型的窗口期差多少？"

这是完美的 AI for Single Cell 问题——输入单细胞多组学时序数据（reprogramming 过程中每 24h 取样的 scRNA-seq + scATAC-seq），模型学习每个细胞类型的"年龄-身份-安全性"三维轨迹，输出：
- 每种细胞类型的最优重编程窗口
- 哪些辅助因子可以延长窗口
- 哪些细胞类型最容易翻车（肿瘤风险）

这直接给 Altos/Retro/NewLimit 省几个亿的 trial-and-error。 谁做出来谁就是他们的核心合作方。

③ Cross-species aging translation（跨物种衰老翻译模型）

小鼠年轻化 ≠ 人年轻化。这是整个抗衰领域最痛的翻译问题——90% 的衰老干预在小鼠上有用，到人就没了。

一个在多种物种（小鼠、人、裸鼹鼠、鲸、蝙蝠）单细胞衰老数据上训练的跨物种翻译模型，能回答："在小鼠肝脏里让肝细胞年轻 5 年的转录因子组合，映射到人是什么？"

无尽方舟（Endless Ark）的 AI 跨物种路线就是在干这个方向的早期版本，但离 foundation model 级别还差得远。这个方向有天然的护城河——需要多物种单细胞衰老数据，数据壁垒本身就是护城河。

第二梯队：短期内就能出活儿，产业痛点明确

④ Precision senescence classifier（区分"好的"和"坏的"衰老细胞）

现在所有 senolytic 都是无差别杀衰老细胞。但实际上有些衰老细胞是保护性的（伤口愈合、抑制肿瘤），有些是有害的（SASP 炎症因子扩散）。把两者分开的能力 = 精准 senolytic 的前提。

单细胞精度上已经有些工具（DeepScence / SenePy / 核形态学 ML），但它们只能"识别衰老细胞"，不能"分类衰老细胞亚型是好是坏"。如果能做一个模型，用 scRNA-seq/空间转录组数据把衰老细胞分成"有害/中性/有益"三个亚群，输出每种亚群的表面 marker（可直接 drug target），这直接定义了下一代 senolytic 的靶点。

Unity Biotech 和 Rubedo 会非常想要这个。

⑤ Single-cell aging clocks that actually predict intervention response

现在的主流 aging clocks（Horvath / PhenoAge 等）有个核心 bug——它们是 bulk tissue 层面的，而且对干预的响应和实际功能改善经常对不上。

单细胞分辨率的衰老时钟（比如 sc-ImmuAging、IMMClock）是更好的解法。但关键升级是：不仅要能"读年龄"，还要能"预测哪种干预会降低哪个细胞类型的年龄"。

一个 AI 驱动的 single-cell interventional aging clock——输入：一个组织的单细胞图谱；输出：每个细胞类型的表观遗传年龄 + 推荐的干预靶点 + 预期年龄逆转幅度。这是把诊断和处方合二为一。

第三梯队：基础设施，做出来就变公共品

⑥ Billion-cell aging atlas with perturbation annotations

Illumina 2026 年启动了 Billion Cell Atlas（50 亿细胞 + 全基因组扰动），这个数据如果有一个 aging-specific 的版本——覆盖从年轻到衰老的多时间点、多组织、带药物/基因扰动标注——那它会成为整个领域的 ImageNet。

Chan Zuckerberg Initiative 在做一部分（TranscriptFormer，1.12 亿细胞，多物种），但 aging-specific perturbation 标注版本还没有。

这种工作学术味更重，商业变现没那么直接，但数据壁垒一旦建立就是垄断性的。

总结：哪个方向"革命性"最高？

如果只能选一个，我认为 ① in silico perturbation screening for aging（虚拟扰动筛选） 是最可能引发革命的。

理由很简单：它解决了抗衰产业最根本的瓶颈——时间。在人体上验证一个衰老干预要十年，硅片上可能只需要几天。一旦 foundation model 的预测精度跨过某个阈值（比如和湿实验的相关性 >0.8），整个抗衰药物研发的成本结构就被彻底改写了。

紧随其后的是 ② reprogramming safety prediction 和 ③ cross-species translation，它们各自解决一条最值钱的技术路线（重编程）和一个最痛的翻译瓶颈（从小鼠到人）。

第 ④⑤ 方向更适合小团队快速做出来——数据和工作量相对小，商业路径更清晰（直接卖给 biotech 公司或自己做 biomarker panel）。

你觉得这几个方向里哪个最接近你们能做的？还是想深挖某一个的技术细节和竞争格局？