本文档是一篇发表于《Ageing Research Reviews》期刊2026年卷的综述文章，题为“A Review of Ageing Related Biomarkers in Breath”。第一作者为Kartini I. Vosshage，通讯作者为Matthew A. Turner，所有作者均来自英国拉夫堡大学的多个院系，包括化学系、计算机科学系、机械、电气与制造工程系以及体育、运动与健康科学系。这篇综述论文系统性地回顾和分析了2000年至2024年间关于人类呼出气中挥发性有机化合物与衰老关系的研究，旨在评估基于呼气分析开发衰老生物标志物的潜力、现状、挑战及未来方向。
综述首先阐述了全球人口老龄化为医疗系统带来的巨大挑战，指出衰老是一个受生活方式、环境、饮食和健康状态影响的复杂、多因素过程，缺乏特异性症状。因此，识别可靠的衰老生物标志物对于早期干预、提高预后准确性和减轻医疗负担至关重要。呼出气分析，特别是对其中挥发性有机化合物的分析，因其无创、实时反映生理状态的特性，成为一个极具前景的研究方向。文章将基于呼气挥发性有机物组学的研究称为“呼气组学”，并将其归类为代谢组学时钟的一个子类，与表观遗传时钟、蛋白质组时钟等并列，旨在为读者提供一个研究领域的全景定位。
文章的核心部分是对现有研究的系统性评述。作者通过检索PubMed、Cochrane Library、Web of Science和Scopus四个数据库，筛选出2000年12月至2024年12月间发表的11项符合资格标准的研究。这些标准包括：分析人类呼出气、考察年龄对呼气图谱的影响、排除患有严重合并症（如恶性肿瘤、主要器官功能障碍）的参与者、以及非单一年龄组研究。通过PRISMA流程图展示了筛选过程，并提取了每项研究的人口学特征、方法学细节（采样程序、分析技术、统计方法）及识别出的VOCs等信息。
在结果部分，文章对纳入的11项研究进行了多维度比较。首先，通过表格对比了各研究的研究对象、采样方法（吸附管、泰德拉袋、直接采样）、预浓缩方法（如热脱附）和分析技术（GC-Q-MS, GC-TOF-MS, PTR-MS, PTR-TOF-MS, 电子鼻E-nose, 金属氧化物半导体MOS传感器）。作者指出，研究方法差异巨大，包括研究设计（多变量、靶向、非靶向）、控制参数（健康状态、饮食/禁食、活动、采样地点与时间）、收集的元数据（用药、吸烟、饮食）以及使用的统计方法（PCA, ANOVA等）。这些差异导致研究结果难以直接比较和重复，是阻碍该领域发展的主要瓶颈。
文章重点分析了与年龄相关的VOCs种类和具体化合物。通过图表展示了各研究中报告的功能族，包括烷烃、烯烃、酮类、醛类、硫化物等。其中，烷烃（如己烷、辛烷）、异戊二烯和丙酮是在多个研究中被报道与年龄变化相关的常见化合物。例如，Phillips等人的系列研究（2000a, 2000b, 2003）报告烷烃和单甲基烷烃随年龄增长而增加；Lechner等人（2006）和Schwarz等人（2009）分别研究了异戊二烯和丙酮的年龄依赖性变化。然而，由于多数研究采用靶向分析（预先选择特定功能族或化合物），可能存在偏倚。值得注意的是，在11项研究中，仅有6项明确报告了与年龄相关的具体化合物，而化合物在不同研究间的重叠非常有限，仅有异戊二烯、丙酮、二甲基硫醚、己烷、辛烷、十七烷等少数几个。
作者深入探讨了将衰老过程与共病过程区分开来的困难。许多已识别的VOCs（如异戊二烯、丙酮）也是多种系统性疾病的潜在标志物，且其水平受运动、禁食等生理刺激影响显著，个体内变异性高。因此，作者认为依赖单一的呼气VOC作为衰老生物标志物是不可靠的，未来需要开发一组（a panel of）来自不同代谢途径的生物标志物组合，以抵消协变量的影响并更稳健地量化衰老进程。
综述还比较了不同分析技术在呼气组学生物标志物研发管线中的角色。GC-MS因其高分离度和鉴定能力，目前仍是生物标志物发现阶段的“金标准”。PTR-MS则因其高灵敏度、快速实时分析能力，更适合大规模样本验证。而电子鼻和MOS传感器成本低、便于使用，适用于未来针对已知标志物组合的临床级大规模筛查，但其目前缺乏特异性，依赖于模式识别算法。文章用流程图清晰地展示了从生物标志物发现（GC-MS）、到验证（PTR-MS）、再到可及性诊断实施（传感器）的转化路径。
一个独特且有价值的章节是“来自呼吸以外来源的挥发物”。文章比较了皮肤、尿液和粪便等其他生物基质中与衰老相关的VOCs，发现它们与呼气VOCs存在部分重叠（例如，皮肤和呼气中的醛类都随年龄变化），这提示某些VOCs可能反映了衰老相关的系统性代谢重塑（如脂质过氧化）。这为采用多来源“挥发物组学”方法增强生物标志物的可信度和理解其代谢起源提供了思路。
文章进一步探讨了已识别VOCs可能涉及的衰老相关信号通路。例如，醛类和烷烃与氧化应激和炎症通路（NF-κB）相关；丙酮与能量代谢和胰岛素信号通路（PI3K/Akt）相关；硫化物可能与线粒体功能和GPCR信号有关。虽然这些关联大多基于体外研究推断，而非来自呼气组学研究本身的直接证据，但它们为某些VOCs的生物学意义提供了潜在的机制假说，将单纯的统计关联向生物学合理性推进了一步。
综述特别强调了人工智能与机器学习在挖掘衰老相关呼气图谱复杂模式中的巨大潜力。面对呼气组学产生的高维、复杂数据集，传统的分析方法已显不足。文章举例说明了深度卷积神经网络（CNNs）如何用于自动化处理GC-MS原始数据，高效提取VOCs特征；以及如何利用AI算法处理PTR-TOF-MS产生的实时大数据，识别年龄相关模式。同时，也指出了当前电子鼻等传感器系统面临的挑战，如传感器漂移，而现代机器学习技术可用于漂移校正和模型优化。AI的整合有望加速生物标志物的发现、标准化分析流程，并最终实现个性化、大规模的衰老监测。
在结论部分，文章总结了呼气组学作为无创评估生物衰老技术的潜力，但明确指出目前尚未形成共识性的单一呼气衰老生物标志物。方法学的异质性和标准化缺失是主要障碍。未来的研究方向应包括：开展纵向研究以追踪个体衰老轨迹；严格控制混杂变量；加强VOCs代谢起源和生物学相关性的机制研究；标准化采样、分析和化合物鉴定流程；以及整合多组学数据和临床表型进行验证。最终，结合先进分析平台与AI驱动数据解读的协同努力，有望开发出强大的、基于呼气的衰老诊断和监测工具。
这篇综述的价值在于它首次系统性地梳理和批判性评估了“呼气衰老生物标志物”这一新兴领域的全部现有证据。它不仅总结了研究发现，更重要的是剖析了研究间不一致的原因，指明了方法学上的缺陷和未来研究必须解决的关键问题。文章构建了一个从基础发现到临床转化的清晰框架，并前瞻性地提出了整合多源挥发物组学和人工智能的创新路径。对于从事衰老生物学、代谢组学、呼气分析或转化医学的研究人员而言，本文是一份全面的领域指南和重要的路线图参考。