人有兩個年齡，你知道嗎？
想像一下，你的身體是一輛汽車。汽車出廠年份告訴我們它被製造了多久，但真正決定其性能和剩餘壽命的，是儀表板上的「行駛里程數」。
同樣地，我們每個人也都有兩個年齡：一個記錄在身分證上，另一個藏在身體的每一個細胞中。科學家將這兩個概念區分為「日曆年齡」（Chronological Age）與「生物年齡」（Biological Age，也稱生理年齡）。理解它們的差異，是解開個人健康與長壽奧秘的一把鑰匙。一個長期熬夜、抽菸的30歲年輕人，其生物年齡可能已經高達40歲。
然而，傳統測量生理年齡的方法，如 DNA 甲基化分析（DNA Methylation），雖然精準但缺點是具有侵入性——你必須抽血，甚至採集皮膚組織。這不僅麻煩、成本高，更難以讓一般大眾定期追蹤自己的老化指標。
這引出了一個核心問題：我們能否找到一種更簡單、完全非侵入性的方法來監測深藏體內的「行駛里程數」呢？一項12月發表於國際頂尖期刊《npj Aging》的突破性研究，利用「尿液」這個我們每天都會產生的檢體，嘗試解開這個問題。
尋找時鐘的指針：microRNA
如果說「生物年齡」是一個時鐘，科學家認為，微小核糖核酸（microRNA，簡稱 miRNA）就是這個時鐘的指針。
我們可以將 miRNA 想像成細胞內的「微型工廠總監」，它們不直接生產蛋白質零件，但負責調度：手握清單，指揮成千上百個基因。哪條生產線要加速、哪條要關掉，全由它們決定。
當我們老化或生病時，這些「總監」的調度令會發生系統性變化。
為什麼是尿液？攔截細胞的「快遞包裹」
這些 miRNA 總監並非隨意漂浮。它們會被包裝在一個微小的泡泡裡，稱為細胞外囊泡（Extracellular Vesicles, EV）。
這些泡泡就像身體裡的「快遞包裹」，在細胞間傳遞訊息。有趣的是，一部分的包裹會經過腎臟過濾，隨著尿液排出體外。
這讓尿液變成了無痛、無創、成本低廉且現成的「資訊寶庫」。 我們只需要在尿液中攔截這些包裹，就能窺見全身系統性的老化祕密。
如何從尿液中讀出年齡？利用機器學習
這項由日本團隊主導的研究規模非常驚人，分析了近 6,400 名成年人的樣本。面對如此龐大的數據，研究團隊請出了一位厲害的偵探：LightGBM 機器學習模型。
為了訓練這名「偵探」，研究員先讓這個模型學習 2,400 份尿液樣本，讓它理解 miRNA 圖譜與年齡的關聯。
接著，研究員再利用另外的 4,000 份、模型沒看過的樣本，當作「考卷」來測試這位「偵探」的能力。這能確保模型是否真的學會了「辦案原則」，而不是死記硬背考古題。
這個方法準確嗎？
測試結果令人驚豔！這個尿液老化時鐘的平均絕對誤差（MAE）約為 4.4 至 5.1 歲，相關係數（R²值）約為 0.79，意味著該模型能解釋樣本中近79%的年齡變異，顯示了很強的可靠性。
相比之下，過去大型的「血液」miRNA 研究相關係數（R²值）僅約0.42。這證明了尿液不僅方便，其提供的老化訊號甚至比血液更清晰、更可靠。
關鍵指標：Delta Age（年齡差）
這個時鐘的核心價值在於，可以讓人們更輕易的定期計算「Delta Age」，也就是「預測生理年齡 - 實際日曆年齡」的「年齡差」。
這個數字如果為正值（如 +5），意味著你的身體比實際年齡老了5歲，可能正在加速衰老，如果是負值（如 -2）則意味著身體比實際更年輕。
這將老化從一個抽象概念，變成了可追蹤、可管理的健康指標。同時，當你改變生活習慣，注重健康飲食，半年後測得的Delta Age若從 +5 降到 +2，就代表這些行動在分子層面上是真實有效的。
研究對個人化預防醫學的啟發
目前，這項新技術還有以下的缺陷：
年齡極端值：模型對 25 歲以下或 80 歲以上的人準確度較低，但這可能是因為目前這兩端的「訓練數據」還不夠多。
尿液變異性：水喝多、運動流汗都會影響尿液濃度，雖有校正，但仍是變數。
非診斷工具：Delta Age偏高不代表一定生病。某些致癌 miRNA 也會影響數值，因此它應被視為「廣泛的健康風險指標」。
儘管如此，這項研究仍為我們描繪了一個很不一樣的藍圖。未來，我們可能只需在每年體檢時留一份簡單的尿液樣本，就能持續追蹤自己的生理年齡變化。
更令人興奮的是，研究團隊初步發現，尿液中也能偵測到與阿茲海默症相關的訊號。這意味著，未來的尿液檢測或許能在臨床症狀出現前，就為神經退化性疾病發出早期預警。
在我們每天不經意排出的尿液中，其實隱藏著全身健康的祕密。在不遠的未來，我們或許就能藉此從「治療疾病」，轉向更主動的「防患於未然」。
如果有一天，你發現自己的「生物年齡」比實際年齡老 5 歲，你最想改變哪個生活習慣呢？
資料來源：《npj Aging》期刊（2025），〈尿液microRNA老化時鐘可精準預測生物年齡〉 （A urinary microRNA aging clock accurately predicts biological age）。
