获1.3亿美元融资,NewLimit利用机器学习指导表观遗传程序设计,延长人类健康寿命研究已有初级成果

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

盛年不重来,一日难再晨。一直以来,「时间」似涓涓流水,永不停息且难以逆转, 时光流转所带来的衰老困扰着一代又一代人。古有秦始皇、汉武帝、唐太宗等伟大帝王寻仙问道追求长生,亦有传说中的亚瑟王圣杯得之即可返老还童。当时代的指针落在 21 世纪,随着人们对于生命科学的研究不断深入,虽然已经鲜有人提及「永生」,但围绕抗衰老的研究却从未停止。尤其是在全球老龄化问题加剧之际,越来越多的研究团队及企业开始将快速迭代的 AI 技术应用于相关问题的研究之中。

不久前,生物科技公司 NewLimit 宣布完成 1.3 亿美元 B 轮融资,再度点燃市场对于 AI + 抗衰老研究的关注。这家专注于抗衰老赛道的初创公司自 2021 年宣布成立后,除了 1.05 亿美元初始资金的加持外,先后获得了 4 千万美元的 A 轮融资及上述 B 轮融资,估值已经达 8.1 亿美元。而支撑 NewLimit 持续斩获投资人青睐的核心原因不仅仅是其踏入了这个颇具发展前景的前沿领域,更加是其在研发端构建的「AI + 实验室」闭环,公司基于这套「Lab-in-a-loop」模式已经研发出 3 种原型药物,能够对肝细胞进行重编程。

专注于表观遗传重编程,构建 AI + 实验闭环

诚然,抗衰老与广义的长寿有着微妙区别,即健康状态。众所周知,人的身体机能大多是随年龄增长而每况愈下,所以有些人排斥「长寿」往往是因为联想到了将一种年老体衰、甚至是疾病缠身的状态无限延长,而带来的痛苦与绝望。而抗衰老的核心目标则是延长人类的健康寿命(healthspan),延缓甚至是逆转生理上的衰退。

目前,抗衰老研究的主要方向包括了延缓细胞衰老(Cellular Senescence)、表观遗传重编程(Epigenetic Reprogramming)、免疫系统重塑等等。其中,表观遗传指的是不改变 DNA 序列本身,而通过调控 DNA 的化学修饰(如甲基化、组蛋白修饰等)来影响基因表达。「表观遗传重编程」指的是通过人为干预,将这些修饰重置,使细胞恢复更年轻、更具可塑性的状态。

表观遗传重编程可以说是从根本上逆转了细胞「生物学年龄」,不仅缓解衰老症状,还能够改善细胞结构与功能。具体而言,表观遗传调控的目标主要是调节蛋白和修饰酶,这意味着其极易与 GenAI、mRNA 技术、药物筛选平台等先进工具结合。例如通过 AI 建模预测最优转录因子组合,基于 mRNA 递送技术进行短期可控表达等等。目前,其在抗衰老、组织再生、神经退行性疾病、代谢病等多个方向,都已进入临床前或早期临床验证阶段。

也正因如此,NewLimit 计划早期专注于表观遗传重编程方法机制。公司创始人之一、加密货币交易平台 Coinbase 联合创始人兼 CEO Brian Armstrong 曾在公司宣布成立的公开信中介绍道,NewLimit 将从深入研究衰老的表观遗传驱动因素入手,开发能够再生组织、用于治疗特定患者群体的产品。「我们将首先使用人类原代细胞和参考物种,构建机器学习模型,以识别哪些染色质特征会随着年龄发生变化,这些变化中哪些可能是衰老过程的成因,并最终开发出能够减缓、停止甚至逆转这一过程的治疗方法」。

NewLimit 首批组合筛选演示实验中细胞图谱的潜伏嵌入

具体到技术层面,传统重编程干预的设计通常依赖启发式方法选择一组转录因子,然后测试这些因子是否能诱导与目标细胞表型相关的「标志物」。这种方法已被用于开发多种能在不同细胞类型间转换的重编程技术。然而,该方法受到简化读数、实验规模较小以及假设生成依赖经验等限制。

NewLimit 所构建的技术平台结合了单细胞组学、池化扰动筛选(pooled perturbation screening)和机器学习以克服这些挑战。

* 利用单细胞组学评估重编程效果

表观遗传状态中的细微变化(例如同一类型中健康细胞与患病细胞之间的差异)通常无法通过少数几个标志基因准确捕捉。而基于单细胞组学手段来衡量重编程效果,则能够利用丰富的细胞状态数据来评估干预结果,并进行远多于传统方法的实验。

* 池化重编程筛选

池化筛选技术能够实现在同一细胞群体中同时开展数百到数千个实验,包括各种重编程因子的组合,且无需繁琐的分子生物学流程。基于此,NewLimit 能够大幅扩展重编程假设的探索范围。

* 机器学习指导表观遗传程序设计

即便在单细胞组学和池化筛选技术的加持下,潜在的重编程策略数量仍远远超出实验室可测试的范围。而机器学习方法能够预测新实验的结果,并以数据驱动的方式智能搜索实验空间,利用过往实验数据指导后续实验的设计,从而实现严谨高效的闭环优化。

公司联合创始人兼总裁 Jacob Kimmel 介绍道,「我们借鉴设计-构建-测试-学习(Design-Build-Test-Learn)工程框架,专注于提升人工可测试的重编程假设数量以及从每次实验中获取的信息量,并整合历史实验信息,让每一个实验都能更好地指导未来实验的设计」。他提出,「AI 模型让我们能够在模拟环境中运行所有实验,然后只对最有前景的一小部分进行后续验证」。随后,来自实际实验的数据点会被用于重新训练 AI 模型,这一过程被该公司称为 Lab-in-a-loop。

硅谷超强跨界组合,科技-资本-科研全面覆盖

不难发现,NewLimit 采取的方法不同于传统药企,其并非从靶点出发寻找分子,而是更像在进行「细胞工程」,即 AI 模型对数以千计的基因调控路径进行模拟预测,设计可能具有抗衰老效果的基因表达模式。随后,实验团队使用 CRISPR、表观调控因子或小分子药物来诱导这些表达组合,并观察老化细胞的表现是否得到改善。

而这种横跨 AI 与生命科学的研发模式无疑也对团队成果的构成提出了极大挑战。最初,NewLimit 由细胞生物学、基因组学、计算生物学、机器学习等领域的专家组成,其创始团队更是横跨了前沿科技、风险投资以及表观遗传重编程这一垂直领域。

其中,Brian Armstrong 以美国首家上市的加密货币交易平台 Coinbase 的联合创始人而被大众熟知,他曾在德克萨斯州的莱斯大学(Rice University)获得了计算机科学和经济学的双学士学位,并继续获得了计算机科学硕士学位,毕业后曾在 IBM 担任开发人员,并在 Airbnb 担任软件工程师。

图源:Brian Armstrong 个人主页

2012 年,他加入 Y Combinator 的创业加速器计划,并凭借其 15 万美元投资创立了 Coinbase。2021 年,Coinbase 在纳斯达克交易所上市,同年,New Limit 成立,Armstrong 将公司上市所获得的财富投入到了这个他认为尚未充分发展的技术领域。

* Brian Armstrong 个人主页:Brian Armstrong

公司的另一位元老级人物 Blake Byers,集科学家、投资人和创业者的丰富经历于一身。在学术研究方面,他拥有斯坦福大学的生物工程博士和硕士学位,以及杜克大学的生物医学工程和经济学双学士学位,其研究工作涵盖了动脉粥样硬化、诱导多能干细胞、神经退行性疾病和光遗传学控制的人类神经移植等领域。尤其是其在博士期间的研究,主要集中于合成生物学与生物信息学,积累了丰富的基因调控、蛋白质工程等方向的基础科研经验。

图源:Blake Byers 个人 X 账号

也正是这些一线科研经验帮助其加入 Google Ventures(GV)成为最年轻的合伙人之一后,主导了多个知名生物科技初创公司的投资决策。Blake Byers 尤其关注于使用 AI 赋能生物研究的公司,如基因编辑公司 Editas Medicine、后来被罗氏收购的肿瘤数据平台公司 Flatiron Health,同时他还孵化了一家专注于新抗原 T 细胞疗法的公司 PACT Pharma,并担任该公司的董事会主席。他在 GV 担任合伙人的 10 年间投资了 38 家公司,其中:10 家公司已成功上市,17 家仍在运营。

*上述数据截至 2024 年夏。

*Blake Byers 个人主页:Blake Byers

2021 年,Byers 离开 GV,创立了自己的投资公司 Byers Capital,专注于技术和生物技术领域的早期投资。他的投资版图遍布 superintelligence、数学推理、代码 agent、大规模药物开发、脑机接口以及人类健康寿命延长等领域,其中不乏大家耳熟能详的企业——SpaceX、Neuralink。

与前两位不同,Jacob Kimmel 的主要精力都集中于科研事业。他在加州大学旧金山分校(UCSF)获得了博士学位,师从 Wallace Marshall 和 Andrew Brack,其在博士论文中便开始研究从时间序列成像数据中推断细胞状态变化的方法,实现了肌肉干细胞激活速率的测量,帮助其初窥与年龄相关的肌肉干细胞变化。

图源:Jacob Kimmel 个人主页

随后,他加入了由谷歌在 2013 年成立的 Calico Life Sciences LLC,这是一家专注于人类衰老机制研究的公司,Jacob Kimmel 在职期间担任了首席研究员(Principal Investigator)和计算研究员(Computational Fellow),并在 Calico 的计算团队中担任数据科学家,其领导的实验室专注于重新利用发育程序,以恢复老化细胞中的年轻基因表达。同时,他的研究方向还涵盖了衰老在不同哺乳动物细胞类型中的差异表现、干细胞如何老化,以及开发时间序列成像和单细胞 RNA 测序的方法等等。

写在最后

NewLimit 的公开信中曾提到,曾被认为不可逆转的衰老,如今随着表观遗传重编程这一新兴科学的发展,已被证明是可塑的,这为生物技术带来了前所未有的治疗机遇,其潜力是以往任何生物医药产品的 100 倍。可以说,该公司围绕抗衰老这一历史难题的研究已经初现端倪,但正如 Armstrong 所言,公司的研究距离人体试验还有数年之遥。

目前,其一直在进行肝细胞和与免疫功能相关的细胞的试验,目标是扩大试验范围。值得庆幸的是,公司的阶段性成果为其「招揽」了更多研发资金,从而支撑这一宏伟愿景。

参考资料:

1.https://trial.medpath.com/news/a11b7c8866b2c2f5/newlimit-secures-130m-series-b-to-advance-epigenetic-reprogramming-for-age-reversal

2.https://www.bloomberg.com/news/articles/2025-05-06/brian-armstrong-s-human-life-extension-venture-raises-fresh-cash

3.https://blog.newlimit.com/p/developing-reprogramming-therapies

4.https://mp.weixin.qq.com/s/9609tm1wKBGVCAyK5lXYGQ

Sony DPT RP1/CP1破解攻略 前言 自己有一台Sony DPT CP1和一台kindle,两个都已经用了很多年。直到最近发现微信读书上经常可以找到一些免费而且不错的书,所以就萌生了在两台机器上使用微信读书的想法。kindle比较容易实现,直接打开内置浏览器,进入微信读书网页版就行了,而Sony的电纸书则只能通过破解+安装微信读书的方式实现。大概弄了两三个小时吧,也遇到了一些问题,所以这里记录一下整个过程,希望能方便后来的使用者。 首先感谢HappyZ, osc_t5nbj8ds。前者是提供公开破解的方法的大神,后者则是解决了我遇到的问题 阅读详情

相关推荐

直流电机双闭环调速系统MATLAB仿真

Chopper-Fed DC Motor Drive This example shows a Chopper-Fed DC Motor Drive. Description The DC motor is fed by the DC source through a chopper which consists of GTO thyristor and free-wheeling diode ...

飞行动力的博客 2万+

【机器学习300问】139、Post-LN 和 Pre-LN 的区别?

Post-LN与Pre-LN的核心区别在于LayerNorm的位置:Post-LN在残差连接后,导致梯度需经LayerNorm变换,深层易出现梯度衰减或震荡;Pre-LN先做归一化,使输入稳定,残差路径梯度可无损回传,显著提升深层训练稳定性。尽管Pre-LN支持更深层次模型(如LLaMA、Qwen),但存在“深度诅咒”——深层贡献不足。相比之下,Post-LN浅层表现尚可,深层数易发散。因此,现代大模型普遍采用Pre-LN以保障训练可靠性。

qq_39780701的博客 397

【理论&实战篇】大模型RAG技术详解(一)-基础篇

RAG的初衷是为了增强大模型的事实性、时效性,减少幻觉,引入专业知识优化生成回复,是一种结合了信息检索技术与语言生成模型的人工智能技术。通过,并将其作为提示(Prompt)输入给大模型(LLM),来。

qq_41375680的博客 374

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 241

模糊控制——基本原理(附MATLAB程序)

模糊化:使用隶属函数将实际输入转换为模糊集合的隶属度值。规则库:利用“如果-那么”规则将模糊输入映射到模糊输出。推理机制:通过规则的模糊化和模糊集合的合成,生成模糊输出。去模糊化:将模糊输出转换为具体的控制信号,常用的方法包括质心法和最大隶属度法。这些步骤综合起来,实现了模糊控制系统对复杂和不确定系统的有效控制。模糊控制系统通过结合模糊逻辑和规则库来处理复杂系统中的不确定性和模糊性。它的核心在于模糊集合和隶属函数,通过推理机处理模糊规则,并最终通过去模糊化生成具体的控制信号。

qq_35623594的博客 5559

从零到一:RT-Thread与W5500的硬件抽象层设计哲学与实践启示

本文深入探讨了RT-Thread操作系统下W5500以太网模块的硬件抽象层(HAL)设计哲学与实践。通过GD32F103和STM32F103平台的适配案例,详细阐述了如何利用RT-Thread的驱动框架实现跨平台硬件无关性、模块化设计及配置定制,为嵌入式开发者提供了可复用的HAL设计方法论和实战经验。

7z8x2c4v6b9的博客 197

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 126

SPSS实战:5步搞定多指标联合诊断的ROC曲线分析(附Logistic回归教程)

本文详细介绍了如何使用SPSS软件进行多指标联合诊断的ROC曲线分析。通过5个实战步骤,从数据准备、二元Logistic回归建模生成综合预测概率,到绘制并比较单指标与联合模型的ROC曲线,帮助临床研究者有效整合多个诊断指标,提升模型判别能力(AUC),实现诊断效能的优化。

mqtt6iot的博客 1422

这7个小众Python库,才是机器学习工程化的降效神器

别再只盯着TensorFlow了:这7个小众Python库,才是机器学习工程化的降效神器在很多人的印象里,机器学习似乎就是高深莫测的数学公式、成千上万的GPU集群

2601_96797912的博客 160

不止于连接:用VS Code Remote-SSH深度开发树莓派(Ubuntu 22.04环境实战)

本文详细介绍了如何在Ubuntu 22.04环境下使用VS Code的Remote-SSH功能进行树莓派深度开发。通过SSH配置、VS Code扩展安装和远程环境优化,开发者可以在本地高效编写代码,同时在树莓派上直接运行和测试,解决性能瓶颈问题。文章还提供了高级功能如端口转发、多项目管理和远程调试的实战技巧。

didui8202的博客 352

【即插即用模块】Transformer篇 | AAAI 2026 | Circulant Attention:全新ViT自注意力范式,复杂度从O(N²) 降至O(NlogN)!

本文提出了一种基于频域优化的循环注意力模块(Circulant Attention),通过离散傅里叶变换(DFT)将传统自注意力中的矩阵乘法转化为频域元素乘法,显著降低了计算复杂度。该模块采用复数线性层适配频域特征,并引入门控调制机制增强表达能力,在保持全局依赖捕捉能力的同时,将复杂度从O(N²)降至O(NlogN)。实验表明,该模块在多种视觉任务中均能提升模型性能,且计算效率更高。适用于需要高效全局注意力的视觉Transformer架构,可作为传统自注意力的替代方案。

主要更新底层视觉(去噪、超分等)相关的科研内容,形式为【论文精读】+【论文复现】 153

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 134

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

【机器学习300问】138、LayerNorm和BatchNorm的区别?

本文阐述了归一化与标准化在深度学习中的核心作用。输入层标准化可统一初始输入,但深层网络仍面临激活分布漂移。为此,提出BatchNorm与LayerNorm两种主流方法。

qq_39780701的博客 183

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

为什么生成对抗网络训练常不稳定,模式崩溃与判别器过强之间是什么关系?

当支持集不重叠时(即 $D$ 能完美区分真假),JS 散度为常数 $\log 2$,其梯度为 0。这意味着一旦 $D$ 训练得稍好,$G$ 就失去了学习方向,导致训练停滞。生成对抗网络(GAN)的训练本质上是生成器($G$)与判别器($D$)之间的非合作零和博弈。以下代码展示了如何通过梯度惩罚(Gradient Penalty)来约束判别器,避免其过强导致生成器梯度失效。判别器过强是导致模式崩溃的直接诱因之一,二者之间存在明确的**“梯度误导”**因果关系。

2402_84593233的博客 204

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 451

AI 是怎样从数据中学习的?训练、验证、测试与推理

泛化能力(Generalization)指模型面对训练过程中没有见过的新数据时,仍然能够做出合理预测的能力。这是判断模型是否具有实际应用价值的重要标准。例如:一个用户流失预测模型,在历史数据上表现很好,但面对新上线的用户群体时,预测准确率明显下降。这可能说明模型学到的规律无法适应新的用户群体。泛化能力不仅取决于模型本身,也与训练数据是否具有代表性有关。训练数据只包含老用户,没有新用户。训练数据主要来自某个地区,实际业务却覆盖不同地区。过去的用户行为与当前用户行为已经发生变化。

dshizixu的博客 312

机器学习01,KNN使用与简单数学原理

个人笔记

qq_59247073的博客 265

机器学习教程,从入门到精通,高斯混合模型(GMM)——写给机器学习小白的保姆级教程(10)

高斯混合模型(Gaussian Mixture Model,简称 GMM):假设你手里的数据是由"好几堆正态分布的数据混在一起"形成的,GMM 的任务就是——把这几堆分开,并且描述清楚每一堆的样子。

qq_45746668的博客 120

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 180

机器学习01,了解与KNN

个人笔记

qq_59247073的博客 361

【slam公式】

F:状态转移矩阵H:观测矩阵R: 观测噪声协方差。

qq_44691564的博客 328

基于有效Token规模化的大模型预训练数据配方与工程体系研究——基于唐杰《高级机器学习》课程演讲

在此背景下,本文系统梳理GLM系列模型数据迭代轨迹,纠正数据墙认知偏差,分析天然数据与合成数据的互补机制,并完整构建支撑高质量Token挖掘的全链路数据工程体系,为大模型数据规模化建设提供理论与工程参考。早期小模型训练场景下,数据总量远大于算力可消化量,核心策略为择优筛选少量高质量数据。基于唐杰公开演讲核心观点、GLM数据迭代、数据墙、合成数据、清洗解析工具链、分层架构图、自研工程壁垒),完整重构成一篇结构严谨、逻辑连贯、标准期刊论文风格全文,预留精准图片插入位置,可直接定稿、查重、发表、结课提交。

interpromotion的博客 266

茶叶病虫害目标检测数据集

目标检测 yolo 目标检测数据集 茶叶病虫害目标检测数据集

DL_data_set的博客 391

分布式计算框架如何赋能大规模机器学习

PyTorch 和 TensorFlow 是当今最流行的深度学习框架,它们都提供了强大的内置库来支持分布式训练。其核心策略主要分为数据并行和模型并行。

Cat_fish_snow的博客 186

CAGR 21.8%:GaN功率器件封装材料市场从3.23亿美元迈向12.77亿美元

随着氮化镓(GaN)功率半导体在消费快充、AI服务器电源及车载电源领域的加速渗透,GaN功率器件封装材料作为实现芯片贴装、电气互连、热量传导和长期可靠性保障的核心功能性材料,正迎来爆发式增长期。根据LP Information(路亿市场策略)初步调研,2025年全球GaN功率器件封装材料市场规模约为3.23亿美元,2026年预计约3.91亿美元,2032年将达到12.77亿美元,2026—2032年复合增长率(CAGR)高达21.8%。

LPIHelen的博客 173

《机器学习》笔记

知道特征工程是什么:利用专业背景知识和技巧处理数据,让机器学习算法效果最好。这个过程就是特征工程。数据和特征决定了机器学习的上限,而模型和算法只是逼近这个上限而已。理解特征提取的作用:原始数据中提取与任务相关的特征,构成特征向量。新数据 = 特征提取(原数据)理解特征预处理的作用:特征对模型产生影响,因量纲(单位)问题,有些特征对模型影响大,有些影响小。有两种思路,归一化和标准化(重点),归一化公式为:(当前值-最小值)/(最大值-最小值),使映射的值域在(0~1)之间。

weixin_51781852的博客 219
上一篇: 在线教程|新加坡国立大学 Show Lab 发布 OmniConsistency 模型,实现即插即用的图像风格迁移
下一篇: 告别代码烦恼!Seed-Coder 解锁高效编程;Mixture-of-Thoughts 涵盖多领域数据,实现高质量推理
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值