深度甲基熊江辉：长寿医学智能（长寿智能）的三座大山与四大路径

阿康 × 深度甲基首席科学家熊江辉博士｜对话整理

所谓“后 AI 时代”，不是 AI 退场，而是 AI 像水电一样成为基础设施之后：通用智能越来越充裕，也越来越便宜。当智能不再稀缺，生命科学的瓶颈就不再是“算得够不够快”，而是敢不敢跳出原来的框架去想问题。这是一段属于 AI 生命科学的奇妙旅程，而长寿医学正站在它的入口。

10 月 6 日，深度甲基发布论文《虚拟长寿诊所：面向生物医学世界模型的版本化状态图框架与软件测试台》（The Virtual Longevity Clinic: A Versioned State-Map Framework and Software Testbed for Biomedical World Models，简称 VLC，预印本）。借这个机会，阿康和熊博士聊了一下午，从这篇论文和此前发布的几篇论文说起。熊博士横跨生物学、特种医学和计算机三个学科，更像一位长寿医学的“架构师”：借助 AI，先搭起一套能接入、能检验、能迭代的工程体系，再在体系里逐个研究模块。本期关键问题：

• 长寿智能的三座大山是什么？
• 为什么说“预测是手段，选择是目的”？最近引发关注的 Jev 为什么只做选择题？
• FDA 为一个人的药开路，长寿医学能学到什么？
• 衰老生物学、功能医学、传统医学，能不能接入同一张地图？
• 马斯克说，未来的发现“四舍五入就是 100% 的工程”。长寿医学是科学问题，还是工程问题？
• 深度甲基的路线图走到了哪一站？想亲手试一试，去哪里看？

从能力出发

阿康：熊博士，VLC 论文刚刚发布，我们待会儿细聊。先说说您自己。您的背景挺特别：生物学学士、特种医学硕士、计算机博士，此前还研究了 21 年航天医学。一路跨了好几个学科，是怎么走过来的？

熊博士：生物学让我理解生命，特种医学让我理解人体在不同环境下的适应，计算机让我能把这些问题变成可计算的模型。跨的学科多了，我习惯先看整体结构，再看局部细节。一路下来我越来越觉得，与其描述一个人“有什么病”，不如评估他“还有多少能力”。这个想法后来发展成能力组学（Capomics），它的出发点是一条第一性原理，也就是不依赖其他假设的最底层判断：生命是适应环境的能力集合体。

阿康：为什么说现在是“后 AI 时代”？

熊博士：因为 AI 正在从稀缺能力变成随处可得的基础设施，推理和分析的成本还在持续下降。过去我们受限于算力和分析能力，很多想法只能停在纸面上；现在瓶颈转移了：读一个人的什么状态，用哪张地图，做什么选择，什么才算证据。这些问题没法靠堆算力解决，但智能充裕给了我们跳出原有框架思考（think out of the box）的底气。

阿康：说回这次发布的 VLC 论文。“虚拟长寿诊所”这个名字很抓人，它在这条路上处于什么位置？

熊博士：它是一个汇合点。VLC 是一个 AI 智能体的研究原型，服务的是长寿医学里的 N-of-1 场景。N-of-1 就是“样本量为 1”：只看一个人，拿他自己前后的变化做对照。它现在是研究原型和软件测试台，还不是临床决策系统[1]。

阿康：DeepKang（深度康能）网站上有一张“乐园导览图”，这条路该怎么看？

熊博士：可以当成一次游园。DeepKang 的导览图把 7 篇已发布论文和 17 个工程模块放在了同一条路线上。下面这张是按今天聊的内容简化重画的：从一次测量出发，路上横着三座大山，四条路径各自找山口翻过去，最后在 VLC 汇合。

熊博士：旗子的颜色代表成熟度：绿色已经能用，蓝色还在研究，灰色在洽谈或预留；蓝色“论文”标签是已发布的论文，都是预印本；橙色“即将发布”是正在审核或准备投稿的论文。每复测一次，就是再游一圈。

先看看路：行业在走的几条路

阿康：“世界模型”现在很热。生物医学领域都有哪些路线？

熊博士：大致四条。一是虚拟细胞：用基因表达等多种分子测量数据（多模态组学）训练细胞层面的模拟器，预测细胞在药物、基因编辑等“扰动”下会如何变化[2]01332-1)；Arc Institute 的虚拟细胞挑战赛首届就有 5,000 多人注册、1,200 多支队伍提交。二是医学数字孪生：为每个人建一个虚拟的“数字分身”，模拟其生理与疾病过程，难点在数据获取和验证[3]。三是知识图谱和生物基础模型：前者把基因、疾病、药物之间的已知关系连成一张大网，后者用海量生物数据预训练通用模型，规模都很大，但证据强度参差不齐。四是大模型智能体：擅长对话和推理，但通常不会明确记录一个人的状态，也说不清结论的证据边界在哪里。

熊博士：这些路线互相补充，但都在同一处留了空白：一个具体的人，在一段时间里的状态与行动。长寿医学要的恰恰是这一段。

三座大山

阿康：要走到那一段，必须翻越哪几座山？

熊博士：三座：状态表征、地图绘制、多病共存。顺序很重要。多病共存是很多人出发的理由，却是最后一座山：要先读懂一个人的状态，再找到合适的地图，才能在多病共存中做选择。

第一座：状态表征

阿康：先说第一座。一个人的“状态”该怎么读？现在各种衰老时钟已经很多了。

熊博士：检测比决策跑得快：能测的东西越来越多，但“测完该怎么办”没有跟上。衰老时钟给出的一个生物年龄数字，撑不起“先做什么、后做什么”；把所有指标都堆进来，又失去可解释性。我们需要一种中间粒度：比单个数字细，比成千上万个指标粗；既有生物学含义，又能从个人的检测数据中读出来。我们现在用的是 332 个命名基因模块，读数来自 Capome 的 DNA 甲基化检测（DNA 甲基化是附着在 DNA 上的一类化学标记，不改变基因序列，却会随年龄、环境和生活方式变化，因此可以当作身体状态的“读数”），每个模块是一组功能相关的基因，给出一个可解释的能力读数，分属衰老标志、器官系统、代谢、免疫、营养响应等 11 个家族[4]。

第二座：地图绘制

阿康：有了状态读数，什么样的地图才算“合适的地图”？

熊博士：地图不是越大越好。网络医学常用的蛋白互作图，记录的是哪些蛋白质之间有物理相互作用，比如彼此结合，却不直接告诉你这对健康意味着什么[4]。合适的地图要对任务有用，能在公开的标准测试（基准）上被检验，每次修改可回溯，每条关系标明来源、证据强度和不适用之处。

熊博士：更难的是兼容。衰老标志、器官系统、功能医学、营养与运动科学，乃至传统医学，各有概念和经验。就连下一座山“多病共存”，定义都不统一，老年人群患病率估计从 4.8% 到 93.1% 不等[5]。强行统一会丢掉大量知识，各说各话又无法比较和积累。

第三座：多病共存

阿康：最后一座，多病共存，难在哪里？

熊博士：全球成人多病共存患病率约 37.2%，60 岁以上人群中超过一半同时患有两种及以上慢性病[6]00037-8/fulltext)。而医疗体系按单病组织：一个科室、一份指南、一组指标，叠加到同一个人身上，就是检查重复、用药叠加、目标冲突。长寿医学客户往往同时进行五到十项干预，一年后很难说清哪一项起了作用[4]。怎么把账算清，后面路径二会讲。

熊博士：衰老生物学提供了另一种视角：2023 年更新的“衰老标志”框架列出 12 类相互关联的机制[7]。枝叶不同，根系相连。问题就从“这个人有哪些病”，变成“这个人的系统处于什么状态，哪里最值得先干预”。这一步，正好要用上前两座山的成果：先有状态读数，再有能看清根系的地图。

熊博士：我们即将发布的 MorbiMap 论文就在试这条路：不先给人贴疾病标签，直接从一个人的模块状态出发，给候选药物排序。初步结果有正面信号：在高血压数据里，前 20 名中有 6 个降压药，而随机排序平均只有约 2.4 个[8]。但这项研究还没有检验治疗响应，所以排出来的只是研究候选，疗效还没有经过检验。

四大路径

阿康：山找到了，路怎么走？

熊博士：我想到四条路径，都不是从“更大的模型、更多的数据”出发的。三座山是要翻越的障碍，四条路径是翻山的办法，也回应了前面说的几个瓶颈：选择智能回答“做什么选择”；向 FDA 学 N-of-1，回答“什么才算证据”；地图适配和让地图考试，一起回答“用哪张地图”：前者让不同知识体系的地图都能接进同一份个人记录，后者检验哪张好用，并让经验一点点积累起来。至于“读一个人的什么状态”，就是第一座山要解决的。

路径一：选择智能——预测是手段，选择是目的

阿康：您 9 月底发布的一篇论文，标题就像一句口号：《预测是手段，选择是目的》（Prediction Is the Means, Selection Is the End）。为什么这么说？

熊博士：要说清这句话，得先讲我们围绕“可驾驭世界模型”写的两篇预印本。所谓“可驾驭”，是指模型不只要预测会发生什么，还要能指导往哪个方向干预、干预到哪里为止。第一篇是《World Models for Biomedicine: A Steerability Framework》，给生物医学世界模型设了五道约束检查点：先讲清描述哪种状态、怎样量化、干预后预期怎么变、状态如何随时间演变，最后整体再过一关。这样预测失败时，就能定位是哪一关出了问题，失败也成了可诊断的信号[9]。

熊博士：第二篇《Prediction Is the Means, Selection Is the End》更进一步：做干预决策，要的不是更准的“下一状态预测”，而是更好的选择，即对这个人、此刻、该做哪件事。所以要先研究可预测性，再做预测，也就是先问“这件事到底能不能被可靠预测”：先弄清在哪种表征、哪些条件下，干预响应能被可靠读出；负结果本身就标出了不该出手的区域。交付物也不是更大的预测器，而是一套“驾驭框架”，由约束、干预语义、目标和边界四部分组成[4]。

阿康：“选择 vs 预测”，让我想到最近引发关注的 Jev。

熊博士：正好可以放在一起说。Jev 是 TypeSafe AI 在 2026 年 9 月推出的“系统一模型”（“系统一”指快速的直觉判断），它只做一件事：做选择题。它不预测下一个词，也不和人对话，而是从预定义的选项里直接选出答案，并给每个选项附上经过校准的概率。所谓“校准”，是指在所有标注 0.9 把握的判断里，大约九成确实是对的。

熊博士：这和我们的世界模型思路是一致的。主流做法是让模型预测下一个状态，或者生成一段建议；我们认为，干预决策的本质也是一道选择题：给定一个人的状态图和一份候选干预清单，选哪一项、把握多大、哪些情况不该出手。预测只是帮助做选择的手段。VLC 也是这样设计的：它给出的建议，要能对应回事先给定的候选选项。目前做到了一部分：回放测试中，32 条建议有 29 条能对应回给定选项[1]。

阿康：区别在哪里？

熊博士：Jev 是快速的通用判断，健康干预的选择则要经过慢回路来检验：干预前后各测一次，两相对照（配对复测）。同一个人长期、多次的干预记录（纵向数据）在生物医学里很稀缺，所以我们先把已有的生物学知识写成明确的结构，再用配对观测去校准、修正或否定它。结构不替代纵向证据，它缩小的是稀缺数据要去检验的假设范围[4]。

熊博士：我常用牧羊人打比方：聪明的牧羊人不会先画完整片草原再赶羊。他先弄清哪里有水草，哪里有狼和荒漠，然后规划一条安全的路。放到长寿医学里，水草就是证据可靠、值得出手的区域；狼和荒漠就是预测不可靠、不该出手的地方。

路径二：向 FDA 学 N-of-1

阿康：N-of-1 在监管层面有先例吗？

熊博士：有，而且很有启发。2019 年，波士顿儿童医院团队为一名 CLN7 巴滕病（一种致命的罕见神经退行性遗传病）患儿定制了反义寡核苷酸药物 milasen。这类药物是一小段人工合成的核酸，能针对性地纠正致病基因的表达问题。从确诊到首次给药，只用了约一年[10]。2021 年，FDA 发布指南草案，讨论只针对一名或少数几名患者的个体化反义药物，如何提交临床研究申请。2025 年 11 月，FDA 领导层又在《新英格兰医学杂志》提出“合理机制路径”：明确的分子或细胞异常、干预作用于该异常本身或紧邻的上游通路、未治疗人群的自然史（不治疗时疾病会如何发展）、药物作用目标（靶点）被成功击中的证据、与疾病生物学一致的持续改善，以及上市后持续收集真实世界证据[11]。

熊博士：这条路径面向病因明确的罕见病，不能直接套到长寿医学。但它的证据逻辑值得学：机制先行、对准病因上游、以自然史为对照、确认“击中”、看改善是否与机制一致、上市后持续追踪。放到长寿医学，个人基线轨迹可以充当自身对照，复测中模块读数朝预期方向变化，可以作为“击中”的初步证据，但还需要功能和表型的改善来印证。

阿康：这条证据链上，深度甲基自己在做什么？

熊博士：有一组论文在接力，每篇对应一环。第一环是“个体推理”：已经发布的 SteeraMed 论文，从一个人的分子状态出发，沿四层证据链推理候选干预，已在四种疾病上做了回顾性验证[12]。后面几环的论文还没发布，先预告一下。

熊博士：第二环是“确认击中”：即将发布的人类干预响应智能（VPR）论文，分析了 8 个干预队列、248 对干预前后的血液甲基化数据。结果是，干预前的基线还预测不了谁会响应、响应多大；但干预之后，哪些模块变化最大，这个排序在 7 个可评估队列中有 5 个能稳定重现。白话说，把同一队列的人随机分成两半，两边排出来的“变化最大的模块”基本一致[13]。也就是说，现阶段更容易先看清的是“这类干预大致会改变哪些模块”，而不是“这个人会不会响应”。这还不能用来为个人挑选治疗。

熊博士：第三环是“归因”：长寿医学客户常常几项干预一起上。另一篇即将发布的论文审计了，叠加之后的甲基化变化还能不能拆回到每一项头上。初步结论是，能不能拆开，取决于同时用了几项、数据噪声有多大；在模拟测试里，中等噪声下最多三项还能分得开。这只是对数据的审计，还不能证明临床上的归因[14]。

熊博士：最后一环对应 FDA 的上市后追踪：即将发布的长尾药物警戒论文，以司美格鲁肽和 NAION（一种视神经缺血性病变）为例，看罕见不良反应信号能不能被发现和复核，也测试语言模型能看见多少；初步结论是，看得见多少取决于数据[15]。

路径三：地图适配——让不同知识体系都能做贡献

阿康：刚才说到不同知识体系难以兼容，您的办法是什么？

熊博士：不画一张“真理地图”，而是设计“地图的接口”。一张地图要接入，至少要声明三件事：个人测量如何映射到它的节点，它的关系从哪里来，它的推断在哪里止步。VLC 正是把观测映射、证据来源和推断边界分成了独立的层[1]。只要声明清楚，衰老标志、器官系统、功能医学，乃至传统医学的经验，都可以接入同一份个体记录，彼此比较、互相补充。我们的 DNet 依赖网络，就在尝试把中医与现代生物医学放进同一张可计算的模块图里；这是一次结构化接入的探索，不代表两套理论已经等价。

路径四：让地图考试，让经验入账

阿康：8 月发布的 Bench 论文有个结论挺反直觉：不存在普遍最优的生物地图[16]。地图多了，怎么知道哪张好用？

熊博士：让地图考试。用哪张地图，本身就是可测量的研究问题。我们提出从六个维度评价候选地图：压缩、重建、任务效用、迁移、干预闭环支持和可演化性。简单说，就是看它能不能用少量读数讲清一个人，对具体任务有没有用，换一批人是否还成立，能不能接上干预和复测，以及能不能随新证据升级[4]。SteeraMed Bench 公开了一套药物–模块基准，覆盖 332 个模块和 1,916 个小分子药物，就是一个公开的考场。考下来的结果是：不同疾病需要不同的模块组合。

阿康：9 月发布的 GHP 倡议论文，GHP 全称是 Good Healthspan Practice，即“良好健康寿命实践”[17]。一个人的经验，怎样变成大家的知识？

熊博士：要“入账”，而且要有账本规则。GHP 借鉴的是药物研发里的“良好临床实践”（GCP）这类规范的思路，是一套开放、自愿采用的 N-of-1 良好实践框架，目标是让长寿医学里的个人实践，也有一套共同遵守的证据纪律；GPC 是案例档案标准，规定怎么记录。有了账本，就可以转起一个“飞轮”，让知识、数据和产品相互推动。飞轮分三层：科学知识层、实践数据层、产品版本层。层与层之间有四条纪律：反馈不自动等于证据；复测不自动证明因果；接入一张地图不代表它有效；数据积累不等于系统会自动学习。这和 FDA 要求上市后持续收集证据是一个道理。

科学问题，还是工程问题？

阿康：10 月 2 日，马斯克在 X 上发了一条帖子：未来的发现“四舍五入就是 100% 的工程”，因为支配现实的物理规则很少，而用这些规则能做的事情多得多。您怎么看？长寿医学是科学问题，还是工程问题？

熊博士：这个判断很有启发，但放到生命科学里要说得克制一点：生命的基本规律远没有物理学那样清楚，基础发现依然非常重要。传统的生物学研究，往往是一个点的发散：发现一个现象，或者用一种新工具找到一个新分子、一条新通路，再希望推广到更多疾病、更多领域。科学发现都从这里来。但长寿医学实践面对的是一个具体的人：他身上同时有成百上千项读数、好几种慢病、五到十项干预。他需要的不只是再多一个孤立的发现，更需要把已有的发现集成起来、用起来。所以我的做法是：先把工程体系搭起来，再在体系里一个模块一个模块地做研究。科学问题一个都没少，只是每个问题都有了一个可以安放、检验和替换的位置。

熊博士：这套体系的核心是对接和连接：测量要对接到地图，地图要连接到候选干预，干预要连接到复测；不同来源的新知识，要能在同一份个人记录上彼此对话、互相检验。每一轮复测和复盘的结果回流到知识库，经过审核再交还给实践者使用，这就是数据飞轮。前面讲的四大路径，说到底都是在做这件工程。当然，工程不是蛮干：每个接口都要声明证据来源和推断边界，飞轮的每一次转动都要经过审核与验证。

阿康：听下来，您的角色不太像传统意义上的科学家，更像一位架构师。

熊博士：可以这么理解。打个比方，盖一栋楼，有人专门研究砖、钢筋和水泥，这很重要；但总得有人先画好整栋楼的结构：哪里承重，管线怎么走，哪里留接口，将来换一种更好的材料，不必推倒重来。长寿医学现在并不缺好材料，衰老生物学、各类组学、临床医学和传统医学都积累了大量知识，缺的是一张能把它们用到同一个人身上的整体图纸。前面说的三座大山和四条路径，就是这张图纸；已经发布的论文和 DeepKang 上的工程模块，是照着图纸一段一段施工。

熊博士：AI 改变的是架构师的工作方式。过去画好一张图纸，要很多团队写很多年代码，才能知道它行不行；现在 AI 能帮着把一个模块很快搭起来、跑起来、测出来：在 VLC 里，让五个 AI 角色分工讨论一轮，只要两分多钟[1]。架构师就能把精力放在 AI 替代不了的地方：问题怎么拆，接口怎么定，证据规则和推断边界划在哪里。我更愿意把自己看作一个被 AI 赋能的架构师：不追求亲手做出每一块砖，而是让每一块好砖都有地方用、用得对、用完能被检验。

深度甲基在哪里发力

阿康：三座山、四条路径，深度甲基具体在做什么？会排斥别人的路线吗？

熊博士：长寿智能不会只有一条路。虚拟细胞、数字孪生、各类知识图谱和不同医学体系的经验，都可能成为可接入、可比较的地图或模块。我们选择在“个体 × 时间 × 行动”这一段集中发力。

走到了哪一站

阿康：现在哪些已经能用，哪些还在路上？

熊博士：研究和产品我们分开讲：VLC 是研究框架和软件测试台，可驾驭世界模型是一条可以被数据检验的研究路线，它们还不是经过临床验证的决策系统；已经交付的是检测、机构工作站和实践规范。各模块成熟度不同，正在一段一段地接起来。

想亲手试试？两个入口

阿康：读者如果想亲手体验，可以去哪里看？

熊博士：两个入口：想看研究的交互式展示，去 SteeraMed.com；想看现在能交付什么，去 DeepKang.com（深度康能）。

熊博士：SteeraMed.com 是我们可驾驭生物医学世界模型的研究门户，各模块配有论文，多数可以在线交互体验：

• Bench 模块基准：332 个模块 × 1,916 个小分子 × 5 个慢病任务（扩展到 23 个疾病类别）。在线 Demo 可以复现论文中的 AI 智能体流程。
• RootMap 条件依赖图谱：看衰老标志模块与器官衰老之间的依赖关系，结论都经过四道统计检查，并在第二个队列中验证方向；这些是血液评分层面的规律，还不是因果证明。交互工具将以研究预览形式开放。
• SteeraMed Map 导航地图：从个人状态到干预选项的版本化导航（v0.1 研究预览），另有面向药企研发的工业工作流 Demo：疾病重分类、患者分层、老药新用、靶点发现。它输出的是候选假设，不是经过因果验证的结论。
• N-of-1 个体化推理：从一个人的分子状态出发，沿四层证据链做干预推理的应用演示，已完成四种疾病的回顾性验证。
• ResponseMap：干预前后配对响应特征的开放图谱，正在征集响应数据。

熊博士：DeepKang.com 的“产品与交付”一栏，每张交付卡都写明了使用对象、输出内容和使用边界：

• 根因博士 2 · 机构工作站（根因医学智能体工具，可演示、可试点）：面向功能医学诊所、体检中心、中医机构，支持多组学解读、干预方案制定、干预归因和依从追踪；可在 a.deepkang.com 预约演示，内置九类人群画像的模拟数据演示。它提供 AI 辅助信息参考，不构成诊断与处方，须由执业医师签发。
• Capome 检测 × 解读报告（可购买）：甲基化测量、模块状态读出和参考性优化区间；检测报告由合作医学检验机构出具，入口在 deepome.com/capome。
• GHP 良好实践同行（开放共建）：面向长寿医学实践者和研究者的 N-of-1 证据工作框架，包括结构化记录、复测轮次、干预登记和归因复盘。
• GPC 根因案例档案标准（开放规范 v1.2）：按表型、功能、根因三层做结构化记录。

尾声：一段充满希望的奇妙旅程

阿康：最后，您想对读者说一句什么？

熊博士：长寿智能是一段充满希望的奇妙旅程。智能越来越便宜，真正稀缺的是好问题、好地图和可信的证据。我们不必等整片草原都画完才出发：先找到水草，避开狼和荒漠，沿着一条可检验的路，一站一站往前走。VLC 是新的一站，而路，才刚刚铺开。

参考资料

1. Xiong J. The Virtual Longevity Clinic: A Versioned State-Map Framework and Software Testbed for Biomedical World Models. Preprints, 2026. doi:10.20944/preprints202610.0279.v1
2. Bunne C, et al. How to build the virtual cell with artificial intelligence: Priorities and opportunities. Cell, 2024, 187(25): 7045–7063.
3. De Domenico M, et al. Challenges and opportunities for digital twins in precision medicine from a complex systems perspective. npj Digital Medicine. doi:10.1038/s41746-024-01402-3
4. Xiong J. World Models for Biomedicine: Prediction Is the Means, Selection Is the End. Preprints, 2026. doi:10.20944/preprints202609.2101.v1
5. Nicholson K, et al. Prevalence of multimorbidity and polypharmacy among adults and older adults: a systematic review. The Lancet Healthy Longevity, 2024, 5(4): e287–e296.
6. Chowdhury SR, et al. Global and regional prevalence of multimorbidity in the adult population in community settings: a systematic review and meta-analysis. eClinicalMedicine, 2023, 57: 101860.
7. López-Otín C, et al. Hallmarks of aging: An expanding universe. Cell, 2023, 186(2): 243–278.
8. Prescribing Without a Disease Diagnosis? Direct Intervention Ranking from a Health State-Representation Map for the Multimorbidity Challenge. 即将发布。
9. Xiong J. World Models for Biomedicine: A Steerability Framework. Preprints, 2026. doi:10.20944/preprints202605.0366.v1
10. Kim J, et al. Patient-customized oligonucleotide therapy for a rare genetic disease. New England Journal of Medicine, 2019, 381(17): 1644–1652.
11. Prasad V, Makary MA. FDA’s New Plausible Mechanism Pathway. New England Journal of Medicine, 2025, 393(23): 2365–2367.
12. Xiong J. SteeraMed: A Biomedical World Model for N-of-1 Intervention Reasoning Across Chronic Diseases and Aging. Preprints, 2026. doi:10.20944/preprints202605.1578.v1
13. What Can a Biomedical World Model Know about Intervention Response? An Eight-Cohort Virtual-Patient Audit. 即将发布。
14. When can multi-intervention effects be disentangled? A decomposability audit of the human methylome's response to interventions. 即将发布。
15. Long-Tail Pharmacovigilance: The Semaglutide–NAION Case and a Pilot Benchmark for Language Models. 即将发布。
16. Xiong J, Xia Q. Toward a Self-Learning AI Agent for Drug Repurposing: Building Human-Scale Representations for Virtual Patients. Preprints, 2026. doi:10.20944/preprints202608.0998.v2
17. Xiong J, Zhang J. When One Person is the Trial: Toward Good Healthspan Practice (GHP), a Draft Good-Practice Guide for N-of-1 Evidence in Longevity Medicine. Preprints, 2026. doi:10.20944/preprints202609.1682.v1
18. Xiong J. RootMap: A Longevity Medicine Framework for Mapping Conditional Dependencies Between Aging Hallmarks and Organ-Aging Patterns. Preprints, 2026. doi:10.20944/preprints202609.2376.v1