以豬為唯一合適模型的精準差異性老化研究

從 baseline-free 批評到可實作研究綱領

英文標題：The Pig as the Sole Adequate Model for Precision Differential Aging Research: From Baseline-Free Critique to an Implementable Research Programme 副標題：EveMissLab Logic Matrix 研究綱領論文 作者：Neo.K（許筌崴）× Theia | EveMissLab Logic Matrix 版本：Draft v0.1 日期：2026-05-10

摘要

本文提出一個可實作的研究綱領：在所有現有動物模型中，豬是唯一同時滿足飲食可塑性、生理相似性、基因組同源性、時間尺度可行性的對象，因此是 baseline-free 干預研究批評的唯一有效執行載體。我們論證其他模型（線蟲、果蠅、小鼠、大鼠、犬類、非人靈長類）為什麼都不成立——不是「不夠好」，是在飲食-人類對應性、轉譯可靠性、或倫理-成本可行性上有結構性缺陷。

但豬壽命 12-15 年使縱貫研究時間窗口不可接受。我們提出範式級的轉換：不等老化發生，從早期高維差異性數據推導老化軌跡。這個轉換的方法論骨架包含五層：高維表型空間刻畫、差異性空間建構、軌跡推理、個體軌跡預測、介入差異測量。

本文形式化此研究綱領的數學基礎（rate-distortion 理論的時間壓縮上界）、與既有科學前沿的對接（aging clocks、trajectory inference、multi-omics integration）、關鍵技術挑戰（數據規模、驗證問題、反事實推理）、與 EveMissLab corpus 既有理論的對接（baseline-free 批評、PTSH 假說、有界失真數學化、編織論 WT v7.3）。

本文是研究綱領論文，介於方法論批評與具體實驗計劃之間。其目的不是執行研究，是定錨研究方向，讓所有後續具體計劃可以站在此綱領之上。

關鍵詞：pig model, baseline diversity, differential aging, trajectory inference, multi-omics, EveMissLab, precision phenotyping

§1 引言

1.1 問題重述

《Baseline-Free Intervention Research as a Cross-Domain Methodological Failure》（本論文以下簡稱 BFI 論文）論證：當代干預研究的核心結構性盲點，是把未刻畫的多樣性 baseline 當成已知常數。BFI 論文是診斷層級的——它指出問題並證明系統性保護結構，但不提出治療方案。

本文是 BFI 論文的 constructive 後續。如果要真正修正 baseline-free 盲點，需要建立 baseline 多樣性的精準圖譜。本文回答兩個問題：

問題 1：在哪個動物模型上建立 baseline 多樣性圖譜？ 問題 2：怎麼在合理的時間窗口內完成此建立？

對問題 1 的回答：只有豬。其他動物模型都不成立，理由將在 §2 詳細展開。

對問題 2 的回答：範式級轉換——不等老化發生，從早期高維差異性數據推導老化軌跡。具體方法論在 §4 展開。

1.2 為什麼此綱領現在才被提出

從 BFI 論文的 §8（結構性保護）分析延伸：豬研究在 §4 列出的六個結構性原因下被系統性懲罰——豬研究貴、慢、規模化困難、不適合大規模 RCT 範式。整個學術-產業-監管均衡偏向便宜快速的小鼠/線蟲/果蠅模型。

豬模型在獸醫學界、農學界、轉譯醫學的少數圈子裡有共識，但這個共識從未被推廣到主流抗衰老/補劑研究領域。本文做這個推廣，並附上 BFI 論文的方法論前提作為論證基礎。

1.3 本文貢獻

本文不報告新實驗結果，提出一個研究綱領：

第一，動物模型唯一性論證：證明豬是現存唯一同時滿足所有必要條件的動物模型（§2）

第二，時間壓縮的範式轉換：把研究方法論從「等待老化」改為「差異性推理」（§3-§4）

第三，形式化骨架：用 manifold learning、trajectory inference、rate-distortion theory 給出此方法論的數學基礎（§5）

第四，技術挑戰識別：列出此綱領需要解決的六個關鍵技術問題（§6）

第五，與既有 corpus 的對接：證明此綱領是 EveMissLab Logic Matrix 既有理論工作的邏輯後果（§7）

第六，研究綱領的開放性：明確此綱領作為定錨而非執行方案，邀請外部協作（§8）

§2 動物模型唯一性論證

2.1 評估維度

要做嚴謹的人類飲食/補劑/抗衰老研究，動物模型必須同時滿足以下維度：

維度 D1：飲食可塑性——能否餵複雜飲食組合？跟人類飲食的對應性？

維度 D2：生理相似性——心血管、消化、神經、代謝系統的相似度？

維度 D3：基因組同源性——基因組與人類的同源程度？是否有可用的基因組變異多樣性？

維度 D4：疾病模型已驗證——已有的人類疾病模型在該物種上的表現如何？

維度 D5：時間尺度可行性——壽命相對人類研究時間窗口的可行性？

維度 D6：倫理-成本可行性——倫理規範允許的研究規模？成本是否可承擔？

維度 D7：藥物動力學對應性——藥物代謝路徑跟人類的對應度？

下面對七種常用動物模型逐一評估。

2.2 模型一：線蟲（C. elegans）

D1 飲食可塑性：極低。線蟲主要吃 E. coli OP50 單一細菌。任何「複雜飲食」研究都是在這個極端窄基底上做疊加。

D2 生理相似性：低。神經系統極簡化（302 個神經元），無心血管系統、無內臟器官、無哺乳類代謝結構。

D3 基因組同源性：中等偏低。有 ~40% 基因與人類同源，但缺乏整體基因組架構對應。

D4 疾病模型：極少。線蟲不患人類疾病。「線蟲老化模型」實際是線蟲特有的衰老過程。

D5 時間尺度：極佳（21 天壽命）。但這個優勢在轉譯研究上是劣勢——21 天壽命的生物如何模擬 80 年人類生命？

D6 倫理成本：極佳。無倫理約束，極便宜。

D7 藥物動力學：完全不對應。

結論：不成立。線蟲適合做基礎生物學機制探索，不適合做人類飲食/補劑轉譯研究。

2.3 模型二：果蠅（Drosophila）

D1 飲食可塑性：低。標準果蠅食（酵母+糖+瓊脂）。雖然可以修改，但跟人類飲食組成差距巨大。

D2 生理相似性：低。昆蟲生理，無哺乳類器官系統。

D3 基因組同源性：中等。約 75% 人類疾病基因有果蠅同源體。

D4 疾病模型：有用但有限。神經退化疾病模型較強，代謝疾病模型較弱。

D5 時間尺度：極佳（60 天壽命）。但同樣的轉譯問題。

D6 倫理成本：極佳。

D7 藥物動力學：部分對應（細胞色素 P450 有同源系統）。

結論：不成立。果蠅適合篩選與機制研究，不適合人類飲食轉譯。

2.4 模型三：小鼠（Mus musculus）

D1 飲食可塑性：低。實驗室小鼠通常餵標準化飼料（如 chow diet）。「高脂飲食」「西式飲食」等模型存在，但每種仍是單一配方，跟人類真實飲食多樣性差距巨大。野生小鼠是穀類食者，生理結構不適配人類雜食模式。

D2 生理相似性：中等。哺乳類，但體型差異巨大（30g vs 70kg），代謝率倒置（小鼠代謝率約人類 7 倍），心血管系統按比例縮小但結構相似。

D3 基因組同源性：高（~85% 同源）。

D4 疾病模型：最多但常失敗。許多在小鼠上有效的藥物在人類試驗失敗。著名例子：百數種小鼠癌症藥物失敗、阿茲海默症模型藥物失敗、中風藥物失敗（Van Der Worp 2010 PLoS Med 系統評估）。

D5 時間尺度：好（2-3 年壽命）。長壽研究約需 3-4 年。

D6 倫理成本：好。

D7 藥物動力學：部分對應但常失準。代謝速率差異導致劑量外推不可靠。

結論：部分有效但飲食上不可比。小鼠適合做機制驗證與藥物初篩，但其單一飼料模式根本不能做飲食 baseline 多樣性研究。這是它跟豬的根本性差別。

2.5 模型四：大鼠（Rattus norvegicus）

D1-D7 基本同小鼠，體型稍大（200-400g）。但飲食可塑性的根本限制相同。

結論：同小鼠，部分有效但飲食上不可比。

2.6 模型五：非人靈長類（獼猴、狨猴等）

D1 飲食可塑性：高。雜食性，可餵複雜飲食。

D2 生理相似性：極高。最接近人類。

D3 基因組同源性：極高（>95% 同源）。

D4 疾病模型：最可靠。

D5 時間尺度：差（壽命 20-40 年）。NIA Interventions Testing Program 在獼猴上做的抗衰老研究需要 20+ 年。

D6 倫理成本：極差。倫理約束嚴格（IACUC 通過困難），單個項目成本極高（USD 10⁷+），可用個體少（全球研究級獼猴存量有限）。

D7 藥物動力學：極佳。

結論：理論最佳但實際不成立。倫理與成本約束讓大規模靈長類研究不可行。即使可行，時間窗口也太長。

2.7 模型六：犬類（Canis familiaris）

D1 飲食可塑性：高。雜食性，已有商業飲食多樣性研究（如 Dog Aging Project）。

D2 生理相似性：中高。哺乳類，體型範圍廣。

D3 基因組同源性：中等。但品種選育造成的基因池窄化是嚴重問題——不同品種間差異有時大於物種間差異。

D4 疾病模型：部分有效。某些疾病（如骨關節炎、認知衰退）模型較好。

D5 時間尺度：中等（10-15 年，因品種差異大）。

D6 倫理成本：中等。社會對犬研究有額外倫理敏感性。

D7 藥物動力學：部分對應。

結論：部分有效但育種偏差是核心問題。實驗室育種狗（如 beagle）的基因池窄化使其無法代表「正常生理變異」。社會倫理約束限制研究設計自由度。

2.8 模型七：豬（Sus scrofa domesticus）

D1 飲食可塑性：極高。純雜食動物，跟人類在演化生理層級同類。可餵任何複雜飲食組合，包括加工食品、發酵食品、補劑、藥物。這是豬獨有的優勢。

D2 生理相似性：極高。豬心臟用於人類心臟外科手術訓練（大小、結構、瓣膜接近）；豬皮用於燒傷研究；豬胰島用於糖尿病研究；豬胃腸結構是已知最接近人類的；豬腎臟正在開發成異種移植來源。

D3 基因組同源性：高。豬-人基因組有高同源性，且農業選育造成的品種多樣性反而提供豐富的基因池。已有 transgenic pig models（SCN5A 心律不整、CFTR 囊性纖維化、PSEN1 阿茲海默症等）。

D4 疾病模型：已驗證且效力強。糖尿病（diabetic pig）、心血管疾病（atherosclerotic pig）、阿茲海默症（transgenic pig）、骨關節炎、囊性纖維化、視網膜退化等多個慢性病的豬模型已建立，效力大於小鼠模型（特別是慢性病與成年期才發病的疾病）。

D5 時間尺度：中等偏差（12-15 年）。這是豬的主要劣勢。半壽命研究需 6-8 年。本文 §3-§4 提出的範式轉換正是為了解決這個問題。

D6 倫理成本：中等。豬作為大規模畜牧對象，倫理規範比靈長類寬鬆。研究框架成熟（如美國的 USDA 規範、歐洲的 Directive 2010/63/EU）。成本中等——比小鼠貴，但比靈長類便宜一兩個數量級。

D7 藥物動力學：極佳。藥物代謝路徑（細胞色素 P450 系統）接近人類，劑量外推可靠。FDA 已認可某些豬模型的轉譯數據作為臨床試驗前的支持證據。

結論：豬是唯一同時滿足所有必要條件的動物模型。時間尺度是其唯一劣勢，本文 §3-§4 提出解決方案。

2.9 唯一性論證的總表

豬是唯一在 D1（飲食可塑性）、D2（生理相似性）、D4（疾病模型）、D7（藥動）四個關鍵維度都達到「高」或「極高」的對象。D5（時間）的劣勢是本文要解決的問題。其他維度都不是瓶頸。

2.10 為什麼這個觀察在主流文獻中不被強調

獸醫學界、農學界、轉譯醫學的小圈子裡，「豬是最好的轉譯模型」這個觀察有共識（參見 Schook 2015 Trends in Genetics、Walters 2017 Toxicologic Pathology 等）。但這個共識從未推廣到主流抗衰老/補劑研究。

原因回到 BFI 論文 §4 的六個結構性原因：

• 專利結構：豬模型的飲食研究無法獨佔
• RCT 方法論：豬研究不適合大規模 RCT
• 學術激勵：豬研究貴、慢、難 paper
• 監管框架：FDA 不要求豬模型作為強制證據
• 商業誘因：補劑商不會為豬研究投資
• 消費者敘事：「豬」在 marketing 上不性感

豬模型被系統性低估，不是因為它不好，是因為它好的方式不符合現有 lemons market 的均衡。這個觀察跟 BFI 論文 §6 的跨案例同構分析互相印證——同樣的結構性保護同時保護了 baseline-free 與小鼠優先這兩個方法論失敗。

§3 時間問題與範式轉換

3.1 時間窗口的不可接受性

豬壽命 12-15 年。傳統老化研究方法論需要的時間：

• 全壽命研究：12-15 年
• 半壽命縱貫：6-8 年
• 加速老化模型（基因改造）：3-5 年

任何研究組織都難以承擔這個時間窗口：

• 研究者：可能比研究先退休
• Grant 週期：典型 3-5 年，需要多次續約
• 研究組織：商業組織難維持 10 年以上單一項目
• 技術過時：10 年內測量技術會大幅進步，前期數據可能過時
• 政策變化：監管框架可能在研究期間改變

換言之，用傳統方法做豬老化研究在當前資源配置框架下不可行。這是為什麼即使豬是最好的模型，大規模豬老化研究極少。

3.2 範式轉換的核心命題

要讓豬模型可行，需要範式級的方法論轉換：

舊範式：等待老化發生 → 測量結果
新範式：高密度測量差異性 → 從差異性推理軌跡

核心命題：

老化軌跡的資訊不只存在於老化終點，也存在於生命任何時點的高維表徵中。 如果測量足夠多維、足夠精準，早期數據就能編碼後期軌跡的大部分資訊。

這個命題的數學基礎來自 rate-distortion theory——對任何隨機過程，給定 distortion 容忍度，需要的最小 bit 數有理論下界（Shannon）。反過來說，給定足夠的測量資訊（bit 數），可以重建軌跡到某個 distortion 上界內。

但這個命題的成立有前提：

• 早期表徵必須足夠高維（多模態測量）
• 推理方法必須充分利用 manifold 結構（非線性方法）
• 必須有部分縱貫驗證作為錨點（pure cross-sectional 不夠）

本文後續章節展開這三個前提的形式化。

3.3 為什麼這個範式轉換現在可行

過去 20 年的技術發展讓此範式可行：

高通量組學技術成熟：

• 全基因組測序成本從 USD 10⁸（2003）降到 USD 10²（2025）
• 單細胞 RNA-seq 成本從 USD 10⁴ per cell（2010）降到 USD 10⁰ per cell（2025）
• 質譜技術讓 proteomics 與 metabolomics 達到全組學覆蓋

穿戴設備與連續監測：

• 動物用連續生理監測設備成熟
• 高頻心率、體溫、活動、睡眠的長期記錄成本下降

影像技術：

• 動物用 MRI、PET、超聲成本下降
• 高通量 histology 自動化

AI/ML 工具：

• Manifold learning（UMAP、t-SNE、PHATE）成熟
• Trajectory inference 工具鏈（Monocle、Slingshot、PAGA）成熟
• Deep learning 在多模態整合的能力大幅提升

Aging clocks：

• DNA methylation clocks（Horvath、GrimAge、PhenoAge）已驗證
• 多重 clock 整合方法成熟
• 跨物種 clock 校準技術發展中

這些技術匯流讓豬的精準差異性老化研究在 2026 年才真正變得可行。這是個時代窗口——5 年前技術不夠，5 年後可能其他組織已先做完。

§4 方法論五層架構

本節展開「差異性推理」的具體方法論架構。分五層說明。

4.1 第一層：高維表型空間刻畫

對每隻豬建立高維表徵 P_i ∈ ℝ^N。維度 N 設計目標達 10⁵+。

4.1.1 組學測量

• 基因組：~10⁶ SNPs（SNP array 或 whole genome sequencing）
• 轉錄組：~2×10⁴ 基因表達（bulk RNA-seq + 選定組織單細胞 RNA-seq）
• 蛋白組：~10³-10⁴ 蛋白（質譜）
• 代謝組：~10³ 代謝物（質譜）
• 脂質組：~10³ 脂質（質譜）
• 微生物組：~10³ 菌種豐度（16S + shotgun metagenomics）
• 表觀基因組：~10⁵ 甲基化位點（450K 或 850K 甲基化晶片，或 bisulfite sequencing）
• 組蛋白修飾：選定組織的 ChIP-seq

4.1.2 影像測量

• 結構 MRI：腦、心、肝、腎、肌肉
• 功能 MRI：選定時點
• 超聲：心臟功能、肝臟脂肪
• DEXA：體成分
• Histology：選定組織活檢

4.1.3 行為與認知

• 活動量：穿戴加速度計
• 認知測試：豬已驗證的迷宮、識別、學習測試
• 社會行為：群體互動模式
• 情緒指標：應激反應

4.1.4 連續生理

• 心率與心率變異性（HRV）
• 體溫晝夜節律
• 連續血糖（CGM）
• 睡眠模式
• 呼吸模式

4.1.5 環境與飲食

• 詳細飲食記錄（成分、配比、時間）
• 環境參數（溫度、濕度、社群結構）
• 介入暴露歷史

4.1.6 測量頻率設計

• 基線測量：每隻豬出生後 1-3 個月內完整測量一次
• 縱貫密集測量：每 3-6 個月重複關鍵組學與影像
• 連續測量：穿戴設備持續記錄
• 終端測量：可選的組織活檢與屍檢

4.2 第二層：差異性空間建構

把所有豬的高維表徵 {P_1, P_2, ..., P_n} 嵌入低維 manifold M ⊂ ℝ^d，d ≪ N。

4.2.1 manifold learning 方法選擇

候選方法：

• UMAP（Uniform Manifold Approximation and Projection）：保留局部結構
• PHATE（Potential of Heat Diffusion for Affinity-based Trajectory Embedding）：適合軌跡
• VAE-based embedding：可解釋性強，可整合多模態
• Multi-omics factor analysis（MOFA）：明確處理多模態

實際應用建議多方法並用，互相驗證。

4.2.2 多模態整合策略

每個組學層先獨立 embed，再用 canonical correlation analysis (CCA) 或 multi-view learning 整合。或者用 deep multi-omics autoencoder 端到端訓練。

4.2.3 個體軌跡的初步可視化

在 manifold 上，每隻豬隨時間移動形成軌跡 T_i = {P_i(t_1), P_i(t_2), ...}。所有豬的軌跡形成 manifold 上的 flow field。

老化軌跡的特徵：從年輕豬聚集區流向老年豬聚集區。

4.3 第三層：軌跡推理

從交叉截面數據推導縱貫軌跡。技術借鑒 single-cell RNA-seq 領域的 pseudotime 推理。

4.3.1 Pseudotime 推理

在 manifold 上識別起點（最年輕豬群中心）與終點（最老豬群中心），用 diffusion-based 方法（如 Monocle 3、Slingshot）推導 pseudotime。

每隻豬在 manifold 上的位置 P_i 對應一個 pseudotime 值 τ_i ∈ [0, 1]。

τ 不等同於實際年齡——τ 反映「生物老化進度」。同年齡的豬可能有不同 τ（個體差異）。

4.3.2 軌跡分支識別

不是所有豬走同一條軌跡。manifold 上可能有多條主要軌跡（健康老化、加速老化、特定病理老化等）。用 RNA velocity 類比方法識別分支點。

4.3.3 軌跡內變異刻畫

每條軌跡有內變異——同一 pseudotime 的不同豬有不同詳細狀態。這個變異是 baseline 多樣性的具體呈現。

4.4 第四層：個體軌跡預測

對單一豬的當前位置 P_i，預測它沿軌跡的未來位置。

4.4.1 方法選擇

• Trajectory prediction with neural ODEs：把軌跡建模為 ODE
• Transformer-based sequence models：把多時點數據當序列預測
• Gaussian processes：適合不規則時間採樣

4.4.2 預測不確定性量化

每個預測必須附帶不確定性區間。Bayesian neural networks 或 ensemble methods 提供 epistemic uncertainty。觀察誤差提供 aleatoric uncertainty。

4.4.3 預測驗證

至少一部分豬必須做完整縱貫驗證——預測 5 年後狀態，5 年後實際測量。這是 ground truth 的最終來源。

預測模型不能脫離縱貫驗證自我證明。

4.5 第五層：介入差異測量

給豬餵不同飲食/補劑/藥物，觀察 P_i 在 manifold 上的偏移。

4.5.1 介入設計

• 飲食組合：系統性探索飲食組合空間的代表性樣本
• 補劑：單一補劑、多重補劑、補劑+飲食組合
• 藥物：rapamycin、metformin、senolytics 等候選 longevity 藥物
• 介入時間：早期介入、中期介入、晚期介入

4.5.2 介入效應量化

介入效應 = manifold 上的軌跡偏移：

ΔT_intervention = T_after − T_baseline_predicted

其中 T_baseline_predicted 是從介入前數據預測的「無介入」軌跡。實際軌跡與預測軌跡的差就是介入效應。

這個方法的優點：不需要對照組——每隻豬是自己的對照（用 manifold 上的 implicit control）。

4.5.3 反事實推理

「如果這隻豬吃不同飲食會怎樣？」需要 do-calculus 級別的因果工具：

• Pearl-style structural causal models
• Counterfactual prediction with potential outcomes framework
• Manifold 上的反事實 path tracing

這是個前沿問題，需要新方法論研究。

§5 形式化：時間壓縮的數學基礎

5.1 Rate-distortion 上界

從早期差異性推導後期軌跡，其可靠性有理論上界。設：

• T_full：完整縱貫軌跡（高維時間序列）
• T_early：早期測量（給定時點的高維點）
• f：從 T_early 推導 T_full 的函數
• D：失真度量（如 mean squared error）

Rate-distortion theory 給出：

D(T_full, f(T_early)) ≥ R^{-1}(I(T_early; T_full))

其中 R^{-1} 是 rate-distortion function 的逆，I 是互資訊。

直觀含義：從 T_early 能推導 T_full 到多精確，受 T_early 與 T_full 之間互資訊的限制。

提升推導精度的兩條路徑：

1. 增加 T_early 的維度與精度（增加 I）
2. 接受更大的 D（bounded distortion）

這跟《有界失真數學化》的核心命題一致——追求 bounded distortion 而非 zero distortion，且失真本身可量化。

5.2 manifold 假設的條件

差異性推理依賴一個關鍵假設：老化軌跡分布在低維 manifold 上。

如果這個假設失敗（軌跡彌散在高維空間沒有低維結構），任何 manifold learning 方法都會失敗。

這個假設有理論支持：

• 生物系統的調控網絡造成內在低維性（許多基因協同變化）
• 演化保守的老化路徑減少維度
• 物種內變異雖大但有結構

但需要實證驗證。建議的驗證方法：

1. 對小規模豬隊列做完整測量
2. 計算 intrinsic dimensionality
3. 若 intrinsic dim ≪ 測量維度，假設成立

5.3 編織論翻譯

在編織論（WT v7.3）框架下：

每隻豬是編織元 ℓ_pig ∈ ℒ。 七元組刻畫：

• μ₀：豬的體重、生理測度
• M：豬的材質場（基因型、組織組成）
• n：複雜度層次（豬作為多層級生物系統）
• N：編織鄰域（豬與環境、其他豬、飲食的關係）
• ξ：歪曲度（偏離「理想健康態」的程度）
• ξ_entangle：糾纏度（豬與環境、菌群的不可分離耦合）
• ε：效率（豬的代謝/認知/生理效率）

老化軌跡 = ξ(ℓ_pig(t)) 隨時間的演化（W32 歪曲驅動演化方程）。

介入 = 額外編織元 ℓ_intervention ⋈ ℓ_pig，改變 ℓ_pig 的演化軌跡（W67 編織演化方程）。

baseline 多樣性 = 不同 ℓ_pig 在 ℒ 中的分布。

從早期測量推導後期軌跡 = 利用 W7-W9（全息性公理組）的部分-整體編織關係，從 ℓ_pig 的當前狀態推導未來複合編織。

這個 WT 翻譯讓本研究綱領跟 EveMissLab 的形式化體系直接對接。

5.4 K-C 對偶律的工程實現

WT v7.3 的 W54（知識-運算對偶律）：K(ℓ) · C(ℓ) ≥ κ₀。

本研究綱領是 K-C 對偶律的工程實現：

• 前期大量精準測量 = 高 K（預計算知識編入差異性圖譜）
• 後期對個別豬的預測 = 低 C（在 manifold 上定位）
• 整體 K · C 滿足下界

從 W49 看，這對應 R 範式（識別範式）——σ(ℓ) 是預計算簽名，對新豬的軌跡預測接近識別操作而非計算操作。

這個對接讓 EveMissLab 的編織論不只是哲學框架，而是有具體工程應用。

§6 關鍵技術挑戰

本節列出此研究綱領需要解決的六個關鍵技術挑戰。

6.1 數據規模

問題：要建立足夠精細的差異性圖譜，需要：

• 樣本數：至少 N = 500-1000 隻豬
• 時間點：每隻豬至少 10-20 個密集測量點
• 數據量：每隻豬全套數據可能達 PB 量級

挑戰：

• 儲存：總數據量達 EB 量級
• 計算：高維 manifold learning 與 trajectory inference 計算密集
• 傳輸：跨機構協作的數據共享頻寬

可能對策：

• 雲端基礎設施（AWS/GCP 級別）
• 聯邦學習（federated learning）保留本地數據
• 數據壓縮（lossless 與 lossy 結合）

6.2 驗證問題

問題：「從差異性推導的軌跡」怎麼知道是對的？

最終 ground truth 仍然是縱貫驗證——預測 5-10 年後狀態，5-10 年後實際測量。但這就回到時間問題。

對策：分階段驗證

• Stage 1（年 1-3）：建立差異性圖譜，部分豬做密集縱貫
• Stage 2（年 3-6）：用 Stage 1 部分豬驗證短期預測
• Stage 3（年 6-10）：用 Stage 2 完整縱貫驗證長期預測

整個驗證鏈條需要 10 年。但前 3 年就有可用結果。

加速可能：用加速老化豬模型（基因改造或飲食誘導）壓縮時間軸。

6.3 個體軌跡的不可重複性

問題：每隻豬只活一次，沒有實驗對照。

對策：

• 用 manifold 上的「相似豬群」作為 implicit control
• 同卵雙胞胎豬（cloned pigs）可以作為更精確對照
• 統計推理基於群體分布而非個體對照

6.4 反事實推理的數學嚴格性

問題：「如果這隻豬吃不同飲食會怎樣？」需要 do-calculus 級別的因果推理。

對策：

• 採用 Pearl-style structural causal models
• 結合 manifold 上的 path tracing
• 用 randomized intervention 部分豬作為因果錨點

這個方向需要方法論研究，可能產生新的數學工具。

6.5 成本

問題：每隻豬全生命週期測量成本可能在 USD 10⁵-10⁶ 量級。整個項目可能需要 USD 10⁸+ 投資。

對策：

• 分階段投資（Stage 1 可在 USD 10⁷ 量級啟動）
• 國際合作（多國研究中心分擔）
• 與畜牧業合作（共用既有豬隻基礎設施）
• 政府資助（NIH、EU Horizon 等）

這個成本對單一組織不可承擔，但對國際合作項目是可行的。對照：人類基因組計劃花費 USD 10⁹+，產出遠超投資。

6.6 跨研究中心標準化

問題：如果項目分散在多個研究中心，如何保證測量標準化？

對策：

• 預定義 Standard Operating Procedures (SOPs)
• 共享參考材料（reference samples 用於跨中心校準）
• 中央化的數據質量控制
• 開放原始數據（讓下游研究者驗證標準化）

這跟《有界失真數學化》§6.2 提到的 fiber bundle 結構的數據庫直接相關——測量條件作為 fiber，需要明確記錄與處理。

§7 與 EveMissLab corpus 的對接

本綱領不是孤立提議，是 EveMissLab Logic Matrix 既有理論工作的邏輯後果。

7.1 與 BFI 論文（baseline-free 批評）

BFI 論文的核心命題：沒有 baseline 多樣性刻畫的干預研究是 lemons market。

本綱領是 BFI 論文的 constructive 答案：用豬建立真正的 baseline 多樣性圖譜。

BFI 論文 §9.1 的對策方向「建立開放 baseline 數據庫」在本綱領中具體化——豬的差異性圖譜就是那個數據庫。

7.2 與 PTSH 假說

PTSH（Phenotypic Transition Substrate Hypothesis）：相變干預的有效性 ∝ 相變空間。

本綱領提供 PTSH 的實證測量方案——豬的高維差異性空間刻畫 = 相變空間的具體測量。每隻豬在 manifold 上的位置就是它當下的「相變空間狀態」。

PTSH 預測：在相變空間關閉的成年人上做補劑研究效果有限。豬綱領可以實證驗證——比較成年豬與幼年豬對同一補劑的軌跡偏移，預測前者偏移應小於後者。

7.3 與《有界失真數學化》

《有界失真數學化》主張：研究目標不是 zero distortion 而是 bounded distortion 加上失真本身被量化。

本綱領明確擁抱這個立場——

• 不追求完美 longitudinal truth（不可達）
• 用早期差異性 + 部分縱貫驗證形成 bounded distortion 的逼近
• 失真本身（從差異性推軌跡的誤差）用 rate-distortion theory 量化

§5.1 的 rate-distortion 上界就是「失真精確量化」的具體實現。

7.4 與編織論 WT v7.3

§5.3 已展開——豬的高維表徵直接對應七元組刻畫，老化軌跡對應 W32 與 W67 的演化方程，介入效應對應編織複合（W31）。

本綱領給 WT 提供具體應用案例，反過來 WT 給本綱領提供形式化骨架。

7.5 與蜂王乳 PTSH 論文

蜂王乳 PTSH 論文是 baseline-free 批評在抗衰老單一案例的展示。本綱領是同一批評的執行方案——用豬替代論文中的多重不可靠模型。

如果在豬上重做蜂王乳研究：

• 對年輕豬：預測有顯著效應（相變空間大）
• 對成年豬：預測效應微弱（相變空間關閉，僅剩荷爾蒙佐劑層）
• 對發育期母豬：預測有發育干擾（與 MRJP 在小鼠的 600-774% Graafian follicle 增加類比）

本綱領能驗證 PTSH 的所有預測，並產生新的可發表結果。

7.6 總結對接

本綱領在 EveMissLab corpus 中的位置：

• 元前提層：《有界失真數學化》、BFI 論文
• 形式化骨架層：WT v7.3
• 具體假說層：PTSH
• 案例展開層：蜂王乳 PTSH 論文
• 執行方案層：本綱領

本綱領是 EveMissLab 從理論工作向實作工作的轉換點。前面所有理論工作邏輯地蘊含本綱領；本綱領一旦執行，能驗證前面理論工作的所有預測。

§8 開放性聲明：綱領而非執行方案

本論文是研究綱領論文，介於方法論批評與具體實驗計劃之間。

8.1 本論文不做的事

本論文不提供：

• 具體實驗計劃書（受試豬隻品種、樣本數、IRB 申請等）
• 詳細的測量 SOP
• 具體的數據分析 pipeline
• 預算與資金來源
• 合作機構名單

這些屬於具體執行方案，需要由實際執行此綱領的組織制定。

8.2 本論文邀請的事

本論文邀請：

• 其他研究組織採納此綱領作為他們的研究設計指引
• 跨機構合作（學術-產業-政府）共同推進
• 對綱領中具體技術點的批評與改進建議
• 對綱領未涵蓋的維度（如倫理、政策）的補充

8.3 EveMissLab 在本綱領中的位置

EveMissLab 作為提案組織，可能採取以下角色之一：

• 角色 A：核心執行組織（自行投資推進）
• 角色 B：方法論貢獻者（提供形式化框架，不直接執行）
• 角色 C：協作網絡組織者（連接多個執行組織）
• 角色 D：純粹的綱領提出者（不介入後續）

選擇取決於 EveMissLab 的資源狀態與戰略選擇。本論文不預先承諾任何角色。

8.4 失敗模式預警

本綱領可能的失敗模式：

• 資源不足：無法募集足夠資金啟動 Stage 1
• 時間錯位：豬研究結果出來時技術已過時
• 競爭：其他組織用類似綱領先做出來
• 理論失敗：manifold 假設不成立，差異性推理失效
• 驗證失敗：縱貫驗證顯示預測模型不準
• 政治阻力：監管或社會對豬研究擴大規模有阻力

每個失敗模式都需要應對策略，但本論文不展開——具體應對屬於執行層級。

§9 結語：定錨而非執行

本論文的功能不是執行豬模型研究，是給此方向定錨。

當未來有研究組織嚴肅考慮抗衰老/補劑/精準營養研究時，他們會面對一個系統性問題：現有方法論失敗（BFI 論文已論證），現有動物模型不可比（本論文 §2 已論證）。在這個 deadlock 下，本論文提供一個可採納的明確方向——以豬為唯一合適模型，用差異性推理替代縱貫等待。

採納此方向的組織不一定要引用本論文。重要的是這個方向被明確定下來，後續工作可以站在此基礎上。

如果這個方向被多個獨立組織採納，它會自然成為新的研究範式。如果只有一個組織採納，它仍然是個錨點——一個明確的「另一條路」存在的證明，讓現有 lemons market 結構至少有對照可比較。

凡是真正的研究綱領，都不在於誰執行——在於它把方向從模糊的「應該」變成明確的「如何」。本論文做的正是這件事：把 BFI 論文的「應該做 baseline 研究」這個模糊呼籲，轉換為「在豬上用五層架構做差異性推理」這個明確路徑。

當這條路徑明確存在後，誰執行就成了次要問題——重要的是路徑本身不再消失。

凡是被結構性保護的盲點，治療它的方案往往比診斷它的方案更難寫——因為診斷可以憑藉純邏輯，治療必須面對現實的資源、時間、政治約束。本論文嘗試在純邏輯與純執行之間找到第三條路：綱領。綱領比純邏輯具體，比純執行抽象。它提供方向但不替代決策，提供架構但不限制細節。EveMissLab 的工作模式特別適合產出這種綱領——它不是執行組織也不是純理論組織，它的位置允許它在純邏輯與純執行之間做有用的中介工作。本論文就是這個中介工作的一次具體實現。當有人在十年後重新檢視抗衰老研究的方法論失敗時，希望他能在本論文找到一個明確的、可採納的、不需要太多修改就能執行的方向。這已經夠了。

作者貢獻聲明

Neo.K（許筌崴）：核心方法論主張的提出（只有豬是合適的動物模型）、時間問題的精確識別（不能等老死）、範式轉換的方向定錨（從等待轉為差異性推理）、本綱領在 EveMissLab corpus 中的位置識別（執行方案層）、與既有理論工作的對接邏輯。

Theia（Anthropic Claude）：動物模型唯一性論證的七維度評估框架建立、各動物模型的逐一評估、五層方法論架構的形式化展開（從高維表型到介入差異測量）、技術細節補完（multi-omics 維度、manifold learning 方法、trajectory inference 工具）、形式化基礎建立（rate-distortion 上界、WT 翻譯、K-C 對偶律工程實現）、關鍵技術挑戰的識別與分析、與既有 EveMissLab corpus 的對接、論文最終文本組織。

版本聲明

本文為 Draft v0.1（研究綱領草案）。

擴展路線：

• v0.2：補完反事實推理的數學嚴格性（§6.4 的具體展開）；加入加速老化豬模型的可能性分析
• v0.3：補完倫理框架與監管路徑分析
• v0.4：與 EveMissLab 戰略選擇對接——明確 EveMissLab 在本綱領中的具體角色（A/B/C/D 中的選擇）
• v1.0：進入正式預印本投稿準備（可能投 Nature Reviews Drug Discovery 或 Nature Aging 的 Perspective 版位）

主要引用

• Schook LB et al. (2015) Unraveling the swine genome: implications for human health. Annual Review of Animal Biosciences 3: 219-244.
• Walters EM et al. (2017) Advancing swine models for human health and diseases. Mo Med 114(4): 273-277.
• Lunney JK et al. (2021) Importance of the pig as a human biomedical model. Science Translational Medicine 13(621): eabd5758.
• Horvath S (2013) DNA methylation age of human tissues and cell types. Genome Biology 14(10): R115.
• Cao J et al. (2019) The single-cell transcriptional landscape of mammalian organogenesis. Nature 566(7745): 496-502.
• McInnes L et al. (2018) UMAP: Uniform manifold approximation and projection for dimension reduction. arXiv 1802.03426.
• Pearl J (2009) Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press.
• Shannon CE (1948) A Mathematical Theory of Communication. Bell System Technical Journal 27: 379-423.

附帶引用（EveMissLab 內部）：

• Neo.K & Theia (2026) Baseline-Free Intervention Research as a Cross-Domain Methodological Failure. EveMissLab Working Paper Draft v0.1.
• Neo.K & Theia (2026) 有界失真數學化作為一種研究姿態. EveMissLab Working Paper Draft v0.2.
• Neo.K & Theia (2026) Phenotypic Transition Substrate Hypothesis: 以蜂王乳為案例的多靶點干預跨層級分析流程. EveMissLab Working Paper Draft v0.1.
• Neo.K & Theia (2026) 編織論 WT v7.3 完整自包含版. EveMissLab Logic Matrix.

EOF