目录
PHD (Predictive Homeostatic Dispatch) 假说的数学形式化：把衰老建模为神经调度效率/前馈增益 ρ(t) 与损伤生产速率 η(t) 的竞赛，在 Karin-Alon 饱和去除模型基础上扩展。
一、问题：为什么 PHD 需要数学形式化
PHD 假说（命名于 2026-05-29 定位笔记）的核心语言表述是：
神经系统以 μs–ms 级速度检测并启动修复调度，化学损伤/炎症级联通常以 min–hr 级传播。衰老 = 调度效率/前馈增益下降，直到损伤生产与传播占上风。可忽略衰老 = 调度效率终身保持足够高，使损伤负荷难以跨过功能阈值。
这个叙述有直觉吸引力，但存在三个缺口：
- 没有方程：无法从假说推导出可测量的定量预测。
- 没有与经典模型的对齐：不清楚 PHD 在 Gompertz、可靠性理论、disposable soma 等已有数学框架中处于什么位置。
- 没有可检验的参数条件：不知道 ρ 和 η 的哪些数值关系对应标准衰老、可忽略衰老和临界转变。
本报告的目标是构建一个最简数学模型，填上这三个缺口。
不做的事：
- 不试图建立涵盖所有衰老机制的全面模型。
- 不声称这是唯一正确的衰老数学模型。
- 不把理论推导等同于实验证据。
二、背景
2.1 经典衰老数学模型
Gompertz–Makeham 定律
Gompertz（1825）发现人类死亡率近似指数增长（doi:10.1098/rstl.1825.0026）；Makeham（1860）加入年龄无关项（doi:10.1017/S204616580000126X）：
$$ \mu(x) = \alpha e^{\beta x} + \gamma $$
- α：基线死亡率（初始脆弱性）
- β：衰老速率参数
- γ：Makeham 常数（外因死亡率）
- 死亡率倍增时间 MRDT = ln(2)/β
标准参数：
| 物种 | β（/年） | MRDT | 来源 |
|---|---|---|---|
| 人类（成人） | ~0.085 | ~8 年 | 人口统计标准拟合 |
| 小鼠（C57BL/6） | ~1.0–3.5 | ~2.5–8 月 | 实验室队列 |
| 裸鼹鼠 | ≈ 0（不显著异于零） | → ∞ | Ruby 2018 |
Strehler & Mildvan（1960）发现 ln(α) 与 β 跨物种呈负线性关系，暗示降低初始死亡率的干预可能被衰老加速”补偿”（doi:10.1126/science.132.3418.14）。但该关联在近代工业化国家已被观察到破裂。
可靠性理论
Gavrilov & Gavrilova（2001）把有机体建模为含冗余组件的串-并联系统（doi:10.1006/jtbi.2001.2430）：
- n 个并联组件（冗余），每个组件故障率恒定 λ
- 初始缺陷数服从 Poisson 分布
关键推导：
- 无初始缺陷 → Weibull 定律：μ(x) ∝ x^{n−1}
- 有 Poisson 初始缺陷 → Gompertz 定律：μ(x) = R·e^{αx}
- 极高龄冗余耗尽 → 死亡率平台：μ(x) → λ
这意味着 Gompertz 指数增长是初始缺陷 + 冗余耗竭的自然结果，而晚年死亡率平台是冗余完全耗尽后的数学必然。
Kirkwood–Kowald 网络衰老理论
Kowald & Kirkwood（1996）建立了非线性耦合 ODE 系统，追踪缺陷线粒体 M_d、异常蛋白 P_d、自由基 ROS 和清除酶的交互（doi:10.1016/s0921-8734(96)90005-390005-3)）：
dM_d/dt = k_mut · M_n · [ROS] − k_deg · M_d
d[ROS]/dt = f(M_d, M_n) − k_scav · [ROS] · [SOD]
dP_err/dt = k_err · P_total − k_prot · P_err关键特征是正反馈环路：缺陷线粒体 → 更多 ROS → 更多损伤 → 更多缺陷线粒体。这意味着一旦修复/清除能力跟不上，系统可进入不可逆加速退化。
Drenos–Kirkwood 一次性体细胞定量模型
Drenos & Kirkwood（2005）用 Euler-Lotka 方程证明：进化最优的修复投资始终低于阻止衰老所需的水平（doi:10.1016/j.mad.2004.09.026）。这给出了修复能力的进化上限。
死亡率平台与 Frailty 模型
Vaupel 等（1979）提出 Gamma-Gompertz frailty 模型（doi:10.2307/2061224）：种群中个体脆弱性 z 服从 Gamma 分布，脆弱者先死，留下更强壮的存活者，产生种群层面的死亡率减速：
$$ \bar{\mu}(x) = \frac{\alpha e^{\beta x}}{1 + \frac{\alpha \sigma^2}{\beta}(e^{\beta x} – 1)} $$
当 x → ∞ 时，$\bar{\mu}(x) \to \beta/\sigma^2$（常数平台）。Carey 等（1992，doi:10.1126/science.1411540）和 Curtsinger 等（1992，doi:10.1126/science.1411541）在果蝇和实蝇中实验证实了死亡率平台。
2.2 裸鼹鼠 Gompertz 失效的定量证据
Ruby 2018/2024
Ruby 等（2018）分析 3,299 只 NMR 的死亡率数据，发现死亡率不随年龄指数增长——恒定风险模型优于 Gompertz（doi:10.7554/eLife.31157）：
| 指标 | 数值 |
|---|---|
| 总样本量 | 3,299 只（2018）；6,949 只（2024 更新） |
| 非繁殖者每日死亡风险 | ~1 × 10⁻⁴/天 |
| 繁殖者每日死亡风险 | 约为非繁殖者的 20%（若非繁殖者为 ~1 × 10⁻⁴/天，则量级应为 ~2 × 10⁻⁵/天） |
| β（Gompertz 斜率） | ≈ 0（不显著异于零） |
| 年龄跨度 | 覆盖至 ~6,529 天（约 17.9 年） |
2024 年 5 年后续（n=6,949）结论不变且增强，正式发表在 GeroScience（doi:10.1007/s11357-024-01201-4）。原稿曾把该后续误写为 2023 eLife 12:e84752；该 DOI 实际对应 CD31/中性粒细胞迁移论文，不是 NMR 死亡率更新，已更正。
争议
Dammann 等（2019）指出 87% 的动物观测 ≤8 年，<1% 超 18 年，统计效力不足以排除极慢 Gompertz（doi:10.7554/eLife.45415）。Ruby 等在同期回应中做了 left-censorship 重分析，结论不变。
对本模型的约束：模型必须能在一组参数下产生”与零无显著差异的 β”（NMR），在另一组参数下产生 β ≈ 0.085（人类）和 β ≈ 1–3（小鼠）。
跨物种对比
| 物种 | β | MRDT | 数据来源 |
|---|---|---|---|
| 人类 | ~0.085/年 | ~8 年 | 人口统计 |
| 小鼠 | ~1–3.5/年 | ~2.5–8 月 | 实验室队列 |
| NMR | ≈ 0 | → ∞ | Ruby 2018/2024 |
| 水螅 | ≈ 0 | → ∞ | Schaible 2015, doi:10.1073/pnas.1521002112 |
| 龟类（~75% 物种） | ≈ 0 或极低 | 极长 | da Silva 2022, doi:10.1126/science.abl7811 |
2.3 神经 vs 化学时间尺度：定量证据
PHD 假说的物理基础不是”修复完成比损伤传播快”，而是神经检测和调度启动通常比炎症/化学级联的完全展开快 10²–10⁶ 倍。以下是联网核实的硬数据：
| 过程层级 | 典型时间尺度 | 与神经传导的比 | 来源 |
|---|---|---|---|
| 迷走 A 纤维传导 | ~50 ms/m | 基线 | Erlanger-Gasser 分类 |
| 压力反射→心率变化 | 300–1200 ms | ~10× | PMC 压力反射研究 |
| NF-κB 核转位 | 10–30 min | ~10²× | Hoffmann 2002, doi:10.1126/science.1071914 |
| CAP 抑制 TNF-α | 90–120 min | ~10³× | Borovikova 2000, doi:10.1038/35013070 |
| TNF-α 蛋白分泌峰值 | 1–4 h | ~10³× | 巨噬细胞 LPS 刺激 |
| HPA→皮质醇峰值 | 20–30 min | ~10²–10³× | 急性应激研究 |
| IL-6 分泌峰值 | 8–12 h | ~10⁴× | 炎症级联 |
| HMGB1 系统性峰值 | 8–32 h | ~10⁴–10⁵× | Wang 1999, Science |
| DSB 完全修复 | 6–24 h | ~10⁴–10⁵× | NHEJ + HR |
| 局部→系统性炎症 | ≤24 h | ~10⁵× | 临床综述 |
| 蛋白质更新（脑） | ~9 天 | ~10⁶× | 同位素标记研究 |
关键校准：虽然神经传导是 ms 级，但从 VNS 到可测量的 TNF 抑制需 90–120 min（Borovikova 2000）——因为必须等免疫细胞的转录/翻译过程。速度优势在于检测和启动，而非完全效应交付。
三、模型构建
3.1 数学骨架的选择
从子任务 E 收集的 12 个候选框架中，Karin-Alon（2019）饱和去除（SR）模型是 PHD 最直接的数学前体（doi:10.1038/s41467-019-13192-4）：
Karin-Alon 原始模型：
$$ \frac{dX}{dt} = \eta(t) – \frac{\beta X}{K + X} + \text{noise} $$
- X = 损伤负荷（衰老细胞数）
- η(t) = 损伤生产速率（随龄线性增长）
- β·X/(K+X) = Michaelis-Menten 饱和去除
- 死亡 = X 首次穿过阈值 X_c（首达时问题）
该模型已证明能精确再现 Gompertz 定律和晚年死亡率减速。
PHD 扩展的关键动机：在 Karin-Alon 中，去除速率 β 是固定常数。PHD 的核心主张是：β 不是常数，而是受神经-内稳态调度器控制的动态变量——调度器本身会退化。
3.2 状态变量与假设
状态变量：
| 变量 | 含义 | 范围 | 可测映射 |
|---|---|---|---|
| D(t) | 归一化损伤负荷 | [0, D_c] | 炎症标记物、衰老细胞数、Frailty Index |
| ρ(t) | 调度效率 | [0, 1] | HRV、BRS、多尺度熵、DFA Hurst |
假设：
- 损伤生产速率 η(t) 随龄缓慢增长（突变积累、表观遗传漂移等）。
- 修复/去除过程服从 Michaelis-Menten 饱和动力学（修复资源有限）。
- 修复的有效速率受调度器效率 ρ(t) 调制：实际修复速率 = ρ(t) × β_max。
- 调度器本身受内在磨损和损伤反馈双重驱动退化。
- 死亡 = 损伤 D 首次穿过阈值 D_c。
- 调度器的退化可被外源性输入（运动、VNS、睡眠等）部分减缓。
3.3 核心方程
方程 (1)：损伤动力学
$$ \frac{dD}{dt} = \underbrace{\eta_0 + \alpha_\eta \cdot t}_{\text{损伤生产（随龄增长）}} – \underbrace{\rho(t) \cdot \beta_{\max} \cdot \frac{D}{K + D}}_{\text{调度器调制的饱和修复}} $$
方程 (2)：调度器退化动力学
$$ \frac{d\rho}{dt} = -\underbrace{\delta \cdot \rho}_{\text{内在磨损}} \cdot \underbrace{\left(1 + \gamma \cdot \frac{D}{D_c}\right)}_{\text{损伤反馈加速}} + \underbrace{\varepsilon(t)}_{\text{外源维持输入}} $$
死亡条件
$$ T_{\text{death}} = \inf\{t : D(t) \geq D_c\} $$
修复优势比与损伤传播数（核心控制参数）
$$ \sigma_{\text{repair}}(t) = \frac{\rho(t) \cdot \beta_{\max}}{\eta(t)} $$
为了与分支过程/渗流里的”传播数”方向对齐，本文同时定义：
$$ R_D(t) = \frac{\eta(t)}{\rho(t) \cdot \beta_{\max}} = \frac{1}{\sigma_{\text{repair}}(t)} $$
- $\sigma_{\text{repair}} > 1$ / $R_D < 1$：修复优势，损伤传播亚临界。
- $\sigma_{\text{repair}} \to 1$ / $R_D \to 1$：临界边缘，恢复变慢、涨落增大。
- $\sigma_{\text{repair}} < 1$ / $R_D > 1$：损伤优势，损伤传播超临界。
校准：原稿把 $\sigma$ 直接对接分支比，容易造成方向混淆。因为这里的 $\sigma$ 是”修复/损伤”比，而分支过程中的传播比通常是”新增损伤/被控制损伤”比；后文讨论距临界距离时优先使用 $R_D$。
3.4 参数含义与可测映射
| 参数 | 含义 | 可测映射 | 跨物种预期差异 |
|---|---|---|---|
| η₀ | 基线损伤生产速率 | 基线 ROS 产率、突变率 | NMR ≈ 人类（NMR 氧化损伤偏高） |
| α_η | 损伤加速系数 | 表观遗传漂移速率 | 物种间可能相似 |
| β_max | 最大修复速率上限 | DNA 修复效率、蛋白稳态容量 | NMR ≥ 人类 > 小鼠 |
| K | 修复半饱和常数 | 修复系统的底物亲和力 | 未知 |
| δ | 调度器内在退化速率 | HRV/BRS 年下降率 | 模型预测 NMR 较低；待测 |
| γ | 损伤-调度器反馈系数 | 炎症→HPA/ANS 紊乱 | 模型预测 NMR 较低；待测 |
| D_c | 死亡阈值 | 多器官功能衰竭指标 | 物种间可能相似（归一化后） |
| ε(t) | 外源调度器维持 | 运动量、睡眠质量、VNS | 可干预 |
关键跨物种预测：若 PHD 正确，NMR 应显示较低的调度器内在退化 δ 和/或较弱的损伤→调度器反馈 γ，即调度器不易随龄退化，也不易被损伤负荷拖入正反馈崩塌。这与 NMR 的神经幼态延续（GluN2D/DCX 保留 → 调度回路持续重校准能力）方向一致，但目前不是已被直接测量的事实。NMR 的 Gompertz 失效也可能来自 β_max 更高、K 更有利、D_c 更高、噪声更低、空间网络更抗渗流，或损伤-功能解耦更强；δ/γ 是 PHD 的可检验解释，不应写成唯一原因。
四、模型行为分析
4.1 稳态分析
在 ρ 和 η 缓慢变化的准静态近似下，损伤 D 的瞬时稳态由 dD/dt = 0 给出：
$$ D^* = \frac{K \cdot \eta}{\rho \cdot \beta_{\max} – \eta} \quad (\text{当 } \sigma_{\text{repair}} > 1,\ R_D < 1) $$
| 条件 | D* | 含义 |
|---|---|---|
| $\sigma_{\text{repair}} \gg 1$ / $R_D \ll 1$ | ≈ Kη/(ρβ_max) ≪ D_c | 损伤被有效控制，系统安全 |
| $\sigma_{\text{repair}} \to 1^+$ / $R_D \to 1^-$ | → ∞ | 损伤稳态趋向无穷（不再有稳态） |
| $\sigma_{\text{repair}} < 1$ / $R_D > 1$ | 不存在正稳态 | 损伤单调增长直至 D_c |
$\sigma_{\text{repair}}=1$ / $R_D=1$ 是系统的临界点：修复能力恰好等于损伤生产速率。
4.2 标准衰老（Gompertz-like hazard）
在人类/小鼠场景下：
- ρ(t) 因 δ > 0 和 γ > 0 缓慢下降
- η(t) 因 α_η > 0 缓慢上升
- $\sigma_{\text{repair}}(t)$ 单调下降，$R_D(t)$ 单调上升
D* 随 $\sigma_{\text{repair}}$ 下降、$R_D$ 上升而上升。死亡率（D 首次穿过 D_c 的概率）的变化可通过以下推导与 Gompertz 对齐：
在 $R_D \ll 1$ 时，D* 远低于 D_c，死亡主要由随机涨落（噪声项）驱动 D 越过 D_c。Kramers 逃逸速率理论给出：
$$ \mu(t) \propto \exp\left(-\frac{(D_c – D^*(t))^2}{2\sigma_{\text{noise}}^2}\right) $$
当 D*(t) 因 $\sigma_{\text{repair}}$ 下降而向 D_c 接近时，逃逸速率可出现指数式增长——这是 Gompertz-like hazard 的候选机制来源。
这与 Karin-Alon（2019）的解析结果一致：他们证明 η(t) 的线性增长加上饱和去除精确产生 Gompertz。
校准：Karin-Alon 原始模型有解析结果；PHD 扩展把固定 β 改成动态 $\rho(t)\beta_{\max}$ 后，不自动继承精确 Gompertz。更稳妥表述是：该结构在合适参数、噪声和首达时设定下应能产生 Gompertz-like hazard；是否能拟合人类、小鼠和 NMR，需要数值模拟和参数估计。
4.3 可忽略衰老（Gompertz 失效复现）
在 NMR 场景下：
- δ 和/或 γ 很低 → ρ(t) 保持相对稳定
- 即使 η(t) 缓慢上升，只要 ρ₀·β_max 仍显著高于 η(t)
- $\sigma_{\text{repair}}(t)$ 保持 > 1，$R_D(t)$ 保持 < 1
- D* 保持 ≪ D_c
- 死亡率保持近似恒定 → Gompertz 失效
NMR 的 β ≈ 0 在本模型中等价于 $R_D$ 不随龄显著上升到 1 附近。
4.4 临界比与距临界距离的对接
本模型中的 $R_D(t)$ 直接对应我们距临界距离（DCC）笔记中的分支比/传播数概念：
| PHD 损伤传播数 | 修复优势比 | 分支过程方向 | 含义 |
|---|---|---|---|
| $R_D \ll 1$ | $\sigma_{\text{repair}} \gg 1$ | 亚临界 | 修复稳定主导，损伤被控制 |
| $R_D \approx 1$ | $\sigma_{\text{repair}} \approx 1$ | 临界 | 最大涨落和敏感性，”边缘” |
| $R_D > 1$ | $\sigma_{\text{repair}} < 1$ | 超临界 | 损伤传播主导，不可逆退化 |
Beggs & Plenz（2003）发现皮层活动处于亚临界 reverberating regime（分支比约 0.9–0.995，doi:10.1523/JNEUROSCI.23-35-11167.2003）。类比到 PHD 模型：年轻健康有机体应运行在 $R_D < 1$ 但接近 1 的区间，保留敏感性和安全边际；NMR 若长期远离 1，则代表更强安全裕度，但也可能牺牲部分炎症/痛觉放大灵敏性。
4.5 死亡率平台（mortality plateau）
本模型通过种群异质性自然产生死亡率平台：
- 个体间 ρ₀、δ、γ 存在差异
- 高 δ/γ 个体先死（$R_D$ 先升到 1 以上，或 $\sigma_{\text{repair}}$ 先跌到 1 以下）
- 存活到极高龄的个体有更好的 δ/γ 参数
- 种群观测死亡率呈现选择效应驱动的减速
这与 Vaupel（1979）的 Gamma-Gompertz frailty 模型机制一致（doi:10.2307/2061224），但给出了更具体的异质性来源：不是抽象的”脆弱性 z”，而是调度器退化参数 δ 和 γ 的个体差异。
4.6 正反馈灾难（调度失败级联）
方程 (2) 中的损伤反馈项 γ·D/D_c 创造了一个正反馈环路：
- ρ 下降 → 修复效率降低 → D 上升
- D 上升 → 加速 ρ 下降（γ 项）
- 回到步骤 1
这是 Picard BEC 模型描述的”失败模式”的数学对应物：当损伤积累到一定程度，调度器本身开始加速退化，系统进入不可逆衰退。Kowald-Kirkwood（1996）网络中的正反馈环路（ROS → 缺陷线粒体 → 更多 ROS）是这同一现象在分子层的体现。
五、与已有模型的比较
5.1 vs Karin-Alon SR 模型
| 维度 | Karin-Alon | PHD 双速率 |
|---|---|---|
| 修复速率 β | 固定常数 | 动态变量 ρ(t)·β_max |
| 修复控制机制 | 无（化学过程自发进行） | 神经-内稳态调度器控制 |
| 调度器退化 | 不存在 | 核心动力学方程 (2) |
| 损伤反馈 | 无 | γ·D/D_c 项 |
| 外源维持干预 | 不存在 | ε(t) 项 |
| Gompertz | ✅ 精确解析 | Gompertz-like；需模拟/拟合验证 |
| Gompertz 失效 | 理论上可（β 不饱和时） | 可由低 δ/γ、较高 β_max、较高 D_c 或更强解耦等多路径产生 |
| 可检验预测 | 衰老细胞去除速率 | 调度器指标（HRV/BRS）预测死亡率轨迹 |
PHD 的增量贡献：把 β 从常数升级为受控动态变量，引入调度器自身退化的方程，使模型可以提出 Gompertz-like hazard 和 Gompertz 失效背后的机制差异（不仅是参数差异）。但这一步目前是理论扩展，不是 Karin-Alon 解析结果的直接定理。
5.2 vs 可靠性理论（Gavrilov & Gavrilova）
| 维度 | 可靠性理论 | PHD 双速率 |
|---|---|---|
| 衰老机制 | 冗余耗竭 | 调度器退化 |
| 组件可修复？ | 否 | 是（修复速率 ρβ_max） |
| 初始缺陷 | Poisson 分布，核心假设 | 不需要 |
| Gompertz 来源 | 初始缺陷 + 并联冗余 | 损伤-修复动态平衡漂移 |
| 死亡率平台 | 冗余完全耗尽 | 种群异质性（δ/γ 分布） |
| 控制/干预 | 无 | ε(t) 外源维持 |
可靠性理论和 PHD 是互补而非矛盾的：可靠性理论解释的是”已损坏不可修复的组件如何导致系统失效率上升”，PHD 解释的是”修复调度如何控制组件损坏的速率”。两者可以嵌套：PHD 的 ρ(t) 控制可靠性理论中组件从”健康”转为”故障”的转换率。
5.3 vs Picard BEC（镜像对照表）
Picard 等（2024）的 BEC 模型（doi:10.1038/s43587-024-00716-x）描述了一个看似相反的方向：大脑在衰老时将能量从修复中转移走（能量保守反应）。
| 维度 | Picard BEC | PHD 双速率 |
|---|---|---|
| 描述的方向 | 失败模式（能量从修复转走） | 成功模式（能量被调度向修复） |
| 大脑角色 | 中介/经纪人，保守能量 | 预测性调度器，分配修复 |
| 信号方向 | 外周损伤 → GDF15 → 大脑 → 保守 | 大脑预测 → 预先调度 → 防止损伤 |
| 反应性/预测性 | 以外周损伤/GDF15 触发的脑-体能量再分配为主；可兼容 allostatic/predictive 语言 | 偏 predictive（预测并预先调度） |
| 数学化 | 概念框架（无 ODE） | ODE 系统（本文） |
| 对衰老的解释 | 大脑主动关闭修复（”保守”） | 大脑被动失去调度能力（”退化”） |
| 可忽略衰老解释 | 未讨论 | 低 $R_D$ 终身维持；低 δ/γ 是候选路径之一 |
镜像关系（校准版）：BEC 和 PHD 描述的是同一正反馈环路的两个入口，不应简单写成”一个反应式、一个预测式”的二分。更稳妥的区分是解释目标不同：BEC 解释损伤/能量压力后大脑进入节能、保守、减少修复的失败模式；PHD 解释调度器及时或预测性把资源导向修复、从而维持损伤-功能解耦的成功模式。
- PHD 入口：ρ↓ → 修复↓ → D↑ → ρ↓（调度器退化驱动损伤积累）
- BEC 入口：D↑ → GDF15↑ → 大脑保守↑ → 修复↓ → D↑（损伤积累驱动大脑保守）
两者的差异在于因果优先级和解释对象：PHD 认为调度器退化可以是起点（尤其在对比 NMR 时——NMR 若能维持调度器稳定，就更容易维持解耦）；BEC 认为损伤积累/能量压力可驱动大脑进入保守响应。
可检验区分：如果 PHD 正确，在衰老早期应先看到 HRV/BRS 下降（调度器退化），然后才看到炎症标记物上升（损伤积累）。如果 BEC 正确，应先看到 GDF15 上升，然后才看到系统性功能下降。
5.4 vs Active Inference / Allostasis 框架
从子任务 F 的收集，Active Inference（Friston 体系）为 PHD 调度器端提供了最成熟的数学基础。
在 Active Inference 框架中（Pezzulo, Rigoli & Friston 2015, doi:10.1016/j.pneurobio.2015.09.001）：
- 内稳态设定点 = 先验偏好 p(o)
- 反应式调节 = 最小化当前内感受预测误差 F
- 预测式调节 = 最小化预期自由能 G(π) = 考虑未来的预测误差 + 信息增益
用控制论等价语言：
$$ u(t) = \underbrace{-K_{fb} \cdot e(t)}_{\text{反馈（反应式）}} – \underbrace{\rho \cdot K_{ff} \cdot \hat{d}(t+\tau)}_{\text{前馈（预测式）}} $$
其中 $\hat{d}(t+\tau)$ 是对未来扰动的预测。
PHD 的 ρ 可以理解为前馈增益占总调节增益的比例：
- ρ = 1：完美预测性调度（年轻/NMR）
- ρ → 0：退化为纯反馈/反应式（极度衰老）
- 退化机制：内部模型精度下降 → 前馈贡献退化 → 系统更慢、更易振荡
Stephan 等（2016）的 Allostatic Self-Efficacy（ASE）概念直接对应 ρ 的退化机制：当内稳态调节持续失败（chronic interoceptive surprise）→ ASE 下降 → 疲劳 → 抑郁（doi:10.3389/fnhum.2016.00550）。
Olufsen 等（2006）的压力感受器反射 ODE 模型（doi:10.1152/ajpregu.00205.2006）提供了 ρ 退化的具体参数化先例：通过降低 baroreceptor gain 参数模拟衰老。
5.5 vs Taneja-Rutenberg 动态网络模型
Taneja 等（2016）的动态网络模型（doi:10.1103/PhysRevE.93.022309）是 PHD 的网络化版本的最佳起点：
- 个体 = 节点网络，每个节点 ∈ {健康, 损伤}
- 损伤/修复速率取决于邻居状态
- 死亡条件 = hub 节点损伤
- 成功再现 Gompertz + Frailty Index 增长
PHD 在 Taneja 模型上的扩展方向是：引入一个全局调度器节点，其状态调制所有节点的修复速率。这对应于中枢神经系统对全身修复的协调控制。
六、渗流阈值与损伤-功能解耦
Gorshkov 等（2016）建立了组织衰老的格点渗流模型（doi:10.1016/j.physa.2016.05.067）：
- 当损伤细胞密度 p < p_c（渗流阈值），健康细胞网络保持连通 → 功能正常
- 当 p > p_c，连通性断裂 → 功能崩溃
这精确解释了”损伤-功能解耦”：在 PHD 框架下，调度器的作用就是维持 p < p_c。NMR 的高氧化损伤但正常功能（Perez 2009, Edrey 2013）可理解为：虽然单个细胞的损伤负荷高，但调度器有效地防止了损伤密度越过 p_c。
在本模型中：D/D_c 的角色类似于 p/p_c。$R_D<1$（或 $\sigma_{\text{repair}}>1$）使 D* 更可能维持在 D_c 以下，等价于 p < p_c。
七、可检验预测
7.1 核心预测
| # | 预测 | 检验方法 | 可区分于 |
|---|---|---|---|
| P1 | 在衰老纵向数据中，HRV/BRS 下降（ρ↓）应先于炎症标记物上升（D↑） | 纵向队列，同时测 HRV + CRP/IL-6 + GDF15 | BEC（预测 D↑ 先于 ρ↓） |
| P2 | NMR 的 HRV/BRS 应终身稳定，不显示年龄相关下降 | NMR 纵向 HRV/BRS 数据（目前空白） | 一般衰老理论 |
| P3 | 提升 ρ 的干预（VNS、运动、慢呼吸）应同时改善 HRV 和 降低炎症标记物，且 HRV 变化先于炎症变化 | RCT 配同步时序测量 | 纯抗炎干预（直接降 D） |
| P4 | 在临界转变附近（$R_D \approx 1$），应出现临界减慢标志——损伤恢复时间延长、涨落增大、自相关增强 | 老年人应激恢复时间、CRP/HRV 涨落特性 | 线性退化模型 |
| P5 | 跨物种中，MRDT 应与调度器退化速率 δ 正相关 | 跨物种 HRV 衰老斜率 vs MRDT | 纯分子修复差异 |
| P6 | NMR 繁殖者 vs 非繁殖者的死亡率差异（~5×）应对应调度器参数差异 | NMR 繁殖者/非繁殖者 HRV 对比 | 纯代谢/激素差异 |
7.2 最关键的实验缺口
- NMR 纵向 HRV/BRS 数据：完全空白。这是检验 P2（调度器终身稳定）的必要条件。
- 人类纵向同步 HRV + 炎症标记物：需要高频采样（至少季度），跨 10+ 年，检验 P1（因果时序）。
- VNS/运动的时序效应：现有 RCT 很少同时跟踪 HRV 和炎症的时序，通常只报告终点值。
八、局限与开放问题
8.1 模型局限
- 过度简化：两个状态变量不可能捕获衰老的全部复杂性。本模型是”最简可行”版本，不是”正确”版本。
- 参数估计困难：δ、γ 等参数无法直接测量，只能从纵向数据间接估计。
- 确定性近似：核心方程是 ODE，省略了随机涨落。Gompertz-like hazard 依赖首达时分析（需加噪声项），这里只做了准静态分析。
- 忽略空间结构：渗流阈值 p_c 需要空间网络模型（如 Taneja 2016），本模型是均场近似。
- 调度器退化的具体机制：方程 (2) 用唯象参数 δ/γ 描述退化，未深入到分子机制。NMR 的低 δ/γ 若存在，可能源于神经幼态延续，但这一连接仍是理论整合。
8.2 开放问题
- δ 和 γ 的物种间差异由什么决定？ 是基因组编码（进化选择）还是发育程序（表观遗传）？NMR 是否真的具有更低 δ/γ，能否通过干预在小鼠中部分复现？
- ε(t) 的饱和效应：运动/VNS 对 ρ 的提升是否存在上限？每天运动 2 小时和 4 小时是否等效？
- $R_D$ 的最优工作区：有机体是否应该维持 $R_D \approx 1$ 以下（最大敏感性）还是 $R_D \ll 1$（最大安全裕度）？NMR 若长期 $R_D \ll 1$，暗示安全裕度优先——但这是否以灵敏性为代价？
- 与 Stroustrup 时间标度的对接：Stroustrup 等（2016, doi:10.1038/nature16550）发现 C. elegans 衰老干预只拉伸/压缩时间轴而不改变曲线形状。如果这在 PHD 中成立，意味着干预只改变 δ（时间标度因子），不改变动力学结构。
九、与已有笔记的交叉
| 已有笔记 | 本模型的对接点 |
|---|---|
| PHD 定位笔记（2026-05-29） | PHD 假说的命名和文献定位；本文提供数学形式 |
| NMR 中枢内稳态假说（2026-05-27） | 幼态延续 → 低 δ/γ 的候选机制基础；调度器层三层因果图 |
| 跨物种可忽略衰老（2026-05-25） | 三个收敛架构条件在模型中的对应：低外因死亡率 → D_c 有意义、代谢灵活性 → β_max 高、损伤-功能解耦 → $R_D \ll 1$ 或长期 $R_D<1$ 维持 p < p_c |
| 距临界距离（2026-05-23） | $R_D(t)$ = 距临界距离的核心操作化；14 个候选指标作为 ρ 和 D 的经验代理 |
| 痛觉-免疫增益校准（2026-05-30） | NMR 的低神经源性炎症噪声 → η₀ 更低或 K 更大（修复系统不被假阳性干扰） |
| 植物动物寿命差异（2026-05-08） | 植物 = 无中枢调度器 + 模块化替换；动物 = 有调度器但调度器会退化 |
十、关键来源（37 篇，全部附 DOI）
经典衰老数学
- Gompertz B (1825). Phil Trans R Soc Lond, 115:513-583. doi:10.1098/rstl.1825.0026
- Makeham WM (1860). Assurance Mag, 8(6):301-310. doi:10.1017/S204616580000126X
- Strehler BL & Mildvan AS (1960). Science, 132:14-21. doi:10.1126/science.132.3418.14
- Gavrilov LA & Gavrilova NS (2001). J Theor Biol, 213:527-545. doi:10.1006/jtbi.2001.2430
- Kirkwood TBL (1977). Nature, 270:301-304. doi:10.1038/270301a0
- Kowald A & Kirkwood TBL (1996). Mutat Res, 316:209-236. doi:10.1016/s0921-8734(96)90005-390005-3)
- Drenos F & Kirkwood TBL (2005). Mech Ageing Dev, 126:99-103. doi:10.1016/j.mad.2004.09.026
死亡率平台与 frailty
- Vaupel JW et al. (1979). Demography, 16:439-454. doi:10.2307/2061224
- Carey JR et al. (1992). Science, 258:457-461. doi:10.1126/science.1411540
- Curtsinger JW et al. (1992). Science, 258:461-463. doi:10.1126/science.1411541
- Vaupel JW et al. (1998). Science, 280:855-860. doi:10.1126/science.280.5365.855
NMR 数据
- Ruby JG et al. (2018). eLife, 7:e31157. doi:10.7554/eLife.31157
- Ruby JG et al. (2024). GeroScience. doi:10.1007/s11357-024-01201-4
- Buffenstein R (2008). J Comp Physiol B, 178:439-445. doi:10.1007/s00360-007-0237-5
- Dammann P et al. (2019). eLife, 8:e45415. doi:10.7554/eLife.45415
跨物种衰老
- Schaible R et al. (2015). PNAS, 112:15701-15706. doi:10.1073/pnas.1521002112
- da Silva R et al. (2022). Science, 376:1466-1470. doi:10.1126/science.abl7811
- Jones OR et al. (2014). Nature, 505:169-173. doi:10.1038/nature12789
- Stroustrup N et al. (2016). Nature, 530:103-107. doi:10.1038/nature16550
Karin-Alon 与竞争过程
- Karin O et al. (2019). Nat Commun, 10:5495. doi:10.1038/s41467-019-13192-4
- Penna TJP (1995). J Stat Phys, 78:1629-1633. doi:10.1007/BF02180147
渗流与网络
- Gorshkov VN et al. (2016). Physica A, 462:207-216. doi:10.1016/j.physa.2016.05.067
- Taneja S et al. (2016). Phys Rev E, 93:022309. doi:10.1103/PhysRevE.93.022309
- Rutenberg AD et al. (2018). Exp Gerontol, 107:126-129. doi:10.1016/j.exger.2017.08.027
临界性
- Beggs JM & Plenz D (2003). J Neurosci, 23:11167-11172. doi:10.1523/JNEUROSCI.23-35-11167.2003
- Mora T & Bialek W (2011). J Stat Phys, 144:268-302. doi:10.1007/s10955-011-0229-4
- Lipsitz LA & Goldberger AL (1992). JAMA, 267:1806-1809. doi:10.1001/jama.1992.03480130122036
脑-体模型
- Picard M et al. (2024). Nat Aging, 4:1354-1371. doi:10.1038/s43587-024-00716-x
- Zhang G et al. (2013). Nature, 497:211-216. doi:10.1038/nature12143
- Zhang Y et al. (2017). Nature, 548:52-57. doi:10.1038/nature23282
- Zullo JM et al. (2019). Nature, 574:359-364. doi:10.1038/s41586-019-1647-8
Allostasis / Active Inference / 控制论
- Sterling P (2012). Physiol Behav, 106:5-15. doi:10.1016/j.physbeh.2011.06.004
- Pezzulo G et al. (2015). Prog Neurobiol, 134:17-35. doi:10.1016/j.pneurobio.2015.09.001
- Stephan KE et al. (2016). Front Hum Neurosci, 10:550. doi:10.3389/fnhum.2016.00550
- Olufsen MS et al. (2006). Am J Physiol, 291:R1355-R1368. doi:10.1152/ajpregu.00205.2006
炎症时间尺度
- Borovikova LV et al. (2000). Nature, 405:458-462. doi:10.1038/35013070
- Hoffmann A et al. (2002). Science, 298:1241-1245. doi:10.1126/science.1071914
十一、诚实校准
| 层级 | 内容 | 信心 |
|---|---|---|
| 文献较稳 | Gompertz 定律、可靠性理论方程、NMR β ≈ 0 数据、CAP 时间尺度、Karin-Alon SR 解析结果 | 高 |
| 理论整合 | PHD 双速率模型本身——每个组件（Michaelis-Menten 修复、调度器退化、临界比）都有先例，组装是我们的 | 中 |
| 模型推断 | Gompertz-like hazard 从首达时分析产生（本文只做了准静态论证）、NMR 低 δ/γ 映射到幼态延续、可检验预测 P1-P6 | 中 |
| 仍不确定 | δ 和 γ 的实际数值、是否能从纵向数据估计、$R_D$ 的最优工作区、Stroustrup 时间标度是否在 PHD 中成立 | 低 |
总判断：本模型是一个有文献支撑的数学框架——它的每个零件（饱和修复、动态退化、临界比、渗流阈值、前馈/反馈区分）都有独立发表的先例，但把它们组装成”PHD 双速率模型”是我们的工作。模型能否产生与数据一致的定量预测，需要参数拟合和数值模拟，这超出了本报告的范围。
十二、2026-05-31 Codex 审查补充：正式校准
本节是对原报告的补充调研和模型审查。总体判断：框架值得保留，但原稿有一处硬引用错误和数处表述过强之处，需要作为正式版本的边界条件写清楚。
12.1 已修正的硬错误：NMR 后续论文 DOI
原稿把 NMR 死亡率 5 年后续写成 2023 eLife 12:e84752。联网核对后确认该 DOI 不是 NMR 死亡率论文，而是 CD31/中性粒细胞迁移相关论文。NMR 死亡率后续的正式发表应为 Ruby 等 2024 GeroScience（doi:10.1007/s11357-024-01201-4）。报告正文和来源列表已更正。
12.2 ρ 是调度增益，不是神经时间尺度本身
模型中 $\rho(t)\in[0,1]$ 更准确地说是调度效率/前馈增益，不是”调度速率”。真正有速率量纲的是：
$$ \beta_{\text{eff}}(t)=\rho(t)\cdot\beta_{\max} $$
神经系统的 ms 级优势应另用检测/启动时间 $\tau_{\text{detect}}$ 或 $\tau_{\text{dispatch}}$ 表示，不能混入无量纲的 $\rho$。因此，PHD 的核心不是”ρ 比 η 快”，而是”神经能更早检测并启动调度，使 $\beta_{\text{eff}}$ 在损伤级联完全展开前被拉高”。
12.3 临界比方向：建议用 $R_D$ 对接分支过程
原稿定义 $\sigma=\rho\beta_{\max}/\eta$，这是”修复/损伤”比，所以 $\sigma>1$ 是好事。但分支过程、传播数和渗流语言里，通常是传播数 >1 代表扩散/失控。为避免符号方向相反造成误解，建议正式使用两套等价指标：
$$ \sigma_{\text{repair}}=\frac{\rho\beta_{\max}}{\eta},\qquad R_D=\frac{\eta}{\rho\beta_{\max}}=\frac{1}{\sigma_{\text{repair}}} $$
其中 $R_D<1$ 表示损伤传播亚临界、可控；$R_D\to1$ 表示临界减慢；$R_D>1$ 表示损伤主导。后续与 DCC、分支过程、渗流模型对接时，应优先使用 $R_D$。
12.4 Gompertz 结论需要降级为 Gompertz-like
Karin-Alon 2019 饱和去除模型可以解析地产生 Gompertz-like aging trajectories，这是文献较稳部分。但 PHD 把固定 $\beta$ 改成动态 $\rho(t)\beta_{\max}$ 后，不再自动继承原模型的精确解析结论。当前报告只给出准静态稳态 + 首达时直觉，尚未给出随机模拟、参数拟合和跨物种校验。
正式表述应为：PHD 双速率结构在合适参数、噪声和阈值设定下可能产生 Gompertz-like hazard；是否能同时拟合人类、小鼠和 NMR，需要下一步数值模拟验证。
12.5 NMR 的 δ/γ 是可检验预测，不是既定事实
报告原稿倾向于把 NMR Gompertz 失效归因于 $\delta\approx0$ 和/或 $\gamma\approx0$。这可以作为 PHD 的核心预测，但不能写成已证事实。替代路径至少包括：
- $\beta_{\max}$ 更高：修复/清除容量更强。
- $K$ 更有利：修复系统在较低损伤负荷下就有效启动。
- $D_c$ 更高：组织功能阈值更宽，损伤-功能解耦更强。
- 噪声更低：调度器误报少、慢性炎症放大少。
- 空间网络更抗渗流：局部损伤不容易贯通为系统功能崩溃。
- MD/纤维化/炎症等中间态更不容易转化为功能衰退。
因此，NMR 的正式写法应是：”PHD 预测 NMR 应显示较低调度器退化或较弱损伤-调度器正反馈；这需要 NMR 纵向 HRV/BRS/ANS 数据验证。”
12.6 BEC 对照应改成解释目标差异
Picard BEC 不能简单写成”反应式、无预测”，因为脑-体能量预算模型本身可与 allostasis/prediction 语言兼容。更稳的对照是：
- BEC：解释损伤/能量压力后，大脑进入节能、保守、减少修复的失败模式。
- PHD：解释调度器及时或预测性把资源导向修复，维持损伤-功能解耦的成功模式。
两者可以是同一脑-体闭环的不同入口：BEC 从损伤/能量压力入口解释”为何关掉修复”，PHD 从调度器能力入口解释”为何能及时打开修复”。
12.7 修订后的最小核心
最小模型可以收束为三句话：
- 损伤负荷由生产项 $\eta(t)$ 与有效修复项 $\beta_{\text{eff}}(t)=\rho(t)\beta_{\max}$ 竞争决定。
- 衰老风险的核心控制量是 $R_D(t)=\eta(t)/\beta_{\text{eff}}(t)$；$R_D$ 从 <1 漂向 1 是调度层失稳的数学表达。
- NMR/可忽略衰老的关键预测不是”没有损伤”，而是 $R_D$ 终身不显著逼近 1，且损伤负荷不跨过功能阈值 $D_c$。
12.8 下一步最小验证任务
- 写一个两变量随机 ODE/SDE 模拟，扫描 $\delta,\gamma,\beta_{\max},D_c,K,\sigma_{\text{noise}}$，看哪些区域产生 Gompertz-like、人类/小鼠斜率和 NMR β≈0。
- 把 $\rho$ 的经验代理限定为 HRV/BRS/MSE/DFA/压力反射增益，并明确它们只是代理变量，不等于调度器本体。
- 给 P1-P6 每条预测补一个最小数据集设计，尤其是 NMR 纵向 HRV/BRS 和人类 HRV+CRP/IL-6/GDF15 时序。
- 与 MD/部分重编程框架对接：MD 可作为 $D$ 或 $D_c$ 附近的细胞身份吸引子，中枢调度层可能通过影响 $\eta,\beta_{\text{eff}}$ 和炎症噪声来改变进入 MD 吸引子的概率。