Дашборд 2.0

усе поле простими словами

🧠 Велика картина

Одна ідея, з якої все випливає.

Старіння — це не одна поломка, а поступове накопичення пошкоджень у 12 напрямках (ДНК, мітохондрії, запалення, мікробіом…). Кожен «метод» нижче — це спроба полагодити один-два з цих напрямків.

Методи діляться на три сім'ї — і чесність про докази тут головна:

🟢 Спосіб життяДоведено на людях, працює вже зараз. Найсильніше — рух, м'язи, сон, їжа.
💊 Ліки й добавкиРання клініка або біомаркери. Перспективно, але «ще не доведено».
🧬 БіотехРедагування, репрограмування, терапії. Здебільшого миші й перші випробування.

А 🤖 AI — не окрема сім'я, а прискорювач: він допомагає швидше знайти мішені, спроєктувати молекули й прочитати геном. Це і є твій кар'єрний домен.

доведено на людях рання клініка / біомаркери тварини / спекуляція AI інструмент

🗺️ Наш план — що ми робимо

Увесь шлях за 5 кроків. Тисни на крок, щоб перейти до нього. Зелене — вже зроблено, синє — робимо зараз.

🔗 Як усе повʼязано: ланцюг технологій

Від ідеї до виміряного ефекту — і чому кожен крок залежить від попереднього.

🤖
AIЗнаходить мішень і проєктує молекулу/послідовністьB1 · B2 · B3
✂️
РедагуванняЗмінює потрібну «літеру» ДНК або перемикач генаB4 · B5 · B14
🚚
ДоставкаЗавозить терапію у клітини потрібного органаB6
🧬
Терапія дієВпливає на одну-дві ознаки старінняC1 · B7 · B8 …
📏
ВимірГодинник показує, чи впав біологічний вікD1

💡 Слабка ланка вирішує все: навіть ідеальне редагування марне, якщо доставка не довезе його в потрібний орган. Тому багато грошей поля йде саме в «кур'єрів».

🗺️ 12 ознак старіння → які методи в них «б'ють»

Тисни на ознаку — і отримаєш докладне пояснення простими словами (а звідти — кнопка «показати методи, що це лагодять»).

1. Поломки ДНКМутації й розриви в «кресленні» клітини накопичуються.
2. Короткі теломери«Ковпачки» на кінцях хромосом коротшають — ліміт поділів.
3. Збиті перемикачі генівКлітина забуває, які гени вмикати (епігенетика).
4. Погані білкиЗбій у згортанні білків — накопичується «сміття».
5. Слабке прибиранняАутофагія слабшає — старі частини не оновлюються.
6. Збита реакція на їжуШляхи mTOR/інсулін/AMPK реагують неправильно.
7. Слабкі мітохондрії«Енергостанції» клітин працюють гірше.
8. «Зомбі»-клітиниСтарі клітини не вмирають і труять сусідів запаленням.
9. Мало стовбуровихТканини гірше оновлюються й гояться.
10. Погана комунікаціяКлітини «недочувають» одна одну.
11. Хронічне запаленняТліюче фонове запалення (inflammaging).
12. Поганий мікробіомЗсув бактерій кишківника у нездоровий бік.

🤖 AI простими словами

Три сім'ї моделей. Для кожної: що подаємо на вхід, що отримуємо, і навіщо це.

🧬 Геномні мовні моделі

Evo 2, AlphaGenome, Nucleotide Transformer
Вхідпослідовність ДНК (літери A, C, G, T)
Вихідщо робить ця ділянка / наскільки шкідлива мутація / згенерована нова ДНК

🔎 Аналогія: ChatGPT, який замість англійської вивчив «мову» геному

🧬 Навіщо старінню: передбачити, як варіант гена довголіття (FOXO3, APOE) впливає, і куди безпечно редагувати

💼 Навіщо тобі: Evo 2 і Nucleotide Transformer — відкриті: можна запускати й файнтюнити → проєкти в портфоліо

🔗 Foundation-моделі білків

ESM-2/3, AlphaFold 3, Boltz-2
Вхідамінокислотна послідовність білка
Вихід3D-форма білка / його функція / новий спроєктований білок

🔎 Аналогія: якщо ДНК — це рецепт, білок — готова страва; модель по рецепту вгадує, як страва виглядатиме

🧬 Навіщо старінню: проєктувати ліки-білки й розуміти, що зламає мутація

💼 Навіщо тобі: ESM-2 — твій baseline у Проєкті #1: беремо ембединги, класифікуємо

💊 AI-пошук ліків

Insilico Medicine (рентосертиб), Recursion
Вхіддані про хвороби, мішені та мільйони молекул
Вихідсписок кандидатів-молекул + передбачена дія й безпека

🔎 Аналогія: рекомендаційна система, але замість фільмів радить молекули проти старіння

🧬 Навіщо старінню: скоротити роки лабораторної рутини до місяців

💼 Навіщо тобі: рентосертиб — приклад «AI → препарат уже у фазі III»: доказ, що напрямок працює

А що таке MAMMAL (твій Проєкт #1)?

Це мультимодальна модель IBM: одна мережа, що розуміє одразу ДНК, білки й хімію разом (а не щось одне). Уяви перекладача, який знає всі три «мови біології» — тому може відповідати на різні задачі однією моделлю.

🗺️ А які ще AI-моделі є в полі?

MAMMAL і ESM — не самі: є цілі сімейства моделей для ДНК (Evo 2, AlphaGenome), структури білків (AlphaFold 3, Boltz-2, Chai-1), дизайну білків (RFdiffusion), молекул/ліків (DiffDock, Chemistry42) й клітин (scGPT). Повна мапа з доступом (відкрита/закрита) і що чіпати для портфоліо — у каталозі.

💊 Як ці моделі лікують і продовжують молодість

Найважливіше простими словами: AI сам не лікує — він різко прискорює шлях «зрозуміти хворобу → знайти ліки → перевірити». Ось як це стає реальною користю.

🧬 Читають ДНКEvo 2 · AlphaGenome

Розуміють «текст» геному й ефект мутацій.

🩺 Лікує: показують, яка «поламана літера» спричиняє хворобу і куди безпечно її виправити генним редактором (напр. знизити спадковий високий холестерин одним уколом).

Молодість: читають гени довголіття (FOXO3, klotho) і скеровують омолоджувальні генні терапії.

🔗 Бачать форму білківAlphaFold 3 · Boltz-2 · ESM

Передбачають 3D-форму мішені й чи «прилипне» до неї молекула.

🩺 Лікує: швидко підбирають молекулу, що вимикає шкідливий білок — основа дизайну ліків замість років у лабораторії.

Молодість: шукають ліки проти «зомбі-клітин» (сенолітики) і запалення — головних механізмів старіння.

💊 Знаходять лікиInsilico · генеративна хімія

Перебирають мільйони молекул і пропонують найкращих кандидатів.

🩺 Лікує: рентосертиб проти фіброзу легень знайдено AI — і він уже у фазі III (перший великий доказ, що це працює).

Молодість: та сама технологія шукає геропротектори — молекули, що сповільнюють старіння.

🧠 Все разомMAMMAL (мультимодальні)

Одна модель розуміє ДНК + білки + хімію одночасно.

🩺⏳ Разом: прискорює весь конвеєр — від мішені до молекули — тож більше шансів і на нові ліки, і на втручання проти старіння.

Хвороба / старіння🤖 AI розуміє причину🤖 AI проєктує ліки🧪 клініка перевіряє на людях✅ лікування + довше здорове життя
⚠️ Чесно: AI прискорює лише ранні кроки (зрозуміти, знайти, спроєктувати). Реально вилікувати чи «омолодити» можна тільки після випробувань на людях — жоден повністю AI-препарат ще не схвалено. Але конвеєр стає швидшим і дешевшим, тому й шансів більше.

⚠️ Зворотний бік: ризики й перешкоди

Щоб картина була чесною — ось чому це поки не «таблетка безсмертя» і де головні стіни.

🧪 Клініка — головна стіна

Реальний тест — випробування на людях. Там падає ~90% ліків, і жоден повністю AI-препарат ще не схвалено. AI прискорює початок, а не фініш.

🎯 Прогноз ≠ істина

Моделі блищать на бенчмарках, але часто гірші на нових даних. Передбачити форму чи «прилипання» ще не означає, що ліки спрацюють у живому тілі.

📊 Модель не розумніша за дані

Вона вчиться на тому, що є. Мало даних по рідкісних хворобах і різних групах людей → упередження й помилки: «сміття на вході — сміття на виході».

🚚 Доставка в орган

Навіть ідеальну генну терапію треба довезти в потрібне місце. Надійно поки вміємо переважно печінку; решта тіла — досі невирішена задача.

🧩 Старіння — не одна поломка

Це 12 переплетених механізмів. Полагодив один — не омолодив увесь організм. А деякі підходи несуть ризики (рак від репрограмування чи теломерази).

⚖️ Безпека, етика, гроші

Генерація ДНК/білків = ризик подвійного застосування (біобезпека). Редагування має етичні межі, регуляція відстає, найсильніші моделі часто закриті, а компют дорогий.

🧭 Чому це поки не «таблетка безсмертя»: AI реально прискорює ранні кроки, але біологічна складність і головний іспит — людина — нікуди не зникли. Чесна ставка сьогодні — не безсмертя, а швидші ліки й більше здорових років. Саме тому фундамент (спосіб життя) досі б'є будь-яку експериментальну терапію.

🎓 План навчання на 3 місяці

Від нуля до 2–3 проєктів у портфоліо. Розрахунок ~10–15 год/тиждень (part-time). Тисни кружечок, коли закрив тиждень.

0 / 12 тижнів

Місяць 1 — Фундамент — Python, дані, трохи математики й біології

Тиждень 1. Python старт

📚 Вчиш: синтаксис, змінні, функції, середовище (Colab)

👉 Що робити: Відкрий Google Colab у браузері (нічого не встановлюєш). Проходь курс по 30–45 хв на день. Після кожного уроку одразу пиши свій маленький скрипт — калькулятор, гра «вгадай число», список справ. Мета — не вивчити все, а звикнути писати код щодня.

🎯 Результат: звичка писати код + 10 маленьких скриптів

Тиждень 2. Дані в Python

📚 Вчиш: numpy, pandas, matplotlib

👉 Що робити: Візьми будь-який CSV (напр. з Kaggle). Навчись: відкрити його в pandas, порахувати середні, відфільтрувати рядки, побудувати простий графік у matplotlib. Повтори на 2–3 різних таблицях, поки не стане звично.

🎯 Результат: вмієш завантажити дані → порахувати → показати графіком

Тиждень 3. Математика — тільки інтуїція

📚 Вчиш: лінійна алгебра (вектори/матриці) + база ймовірності

👉 Що робити: Дивись відео 3Blue1Brown — саме для інтуїції, не для формул. Паралельно на StatQuest розберись, що таке середнє, розподіл, ймовірність. Записуй головне своїми словами. Не намагайся стати математиком — тобі треба лише розуміти, про що мова.

🎯 Результат: розумієш вектори/матриці й базову статистику «на пальцях»

Тиждень 4. Перший ML + біологія-мінімум

📚 Вчиш: scikit-learn, AUROC; ДНК→РНК→білок, ген, варіант

👉 Що робити: Пройди міні-курс Kaggle Intro to ML: завантаж дані → розділи на train/test → навчи простий класифікатор → виміряй якість (AUROC). Паралельно за 2–3 години розберись у біології: як ДНК кодує білок, що таке ген і мутація (варіант).

🎯 Результат: перша навчена модель + базова біологія в голові

Місяць 2 — ML/DL + перший біо-проєкт — PyTorch, трансформери й Проєкт #1

Тиждень 5. PyTorch основи

📚 Вчиш: тензори, проста нейромережа, цикл навчання

👉 Що робити: Повтори за туторіалом PyTorch: створи тензори, збери просту нейромережу з кількох шарів, напиши цикл навчання (forward → loss → backward → step). Навчи її на тих самих табличних даних, що й у тижні 4, і порівняй результат.

🎯 Результат: своя нейромережа на PyTorch, що навчається

Тиждень 6. Трансформери + HuggingFace

📚 Вчиш: інтуїція уваги; завантажив pretrained-модель, дістав ембединги

👉 Що робити: Розберись «на пальцях», як працює трансформер (стаття Illustrated Transformer). Потім на HuggingFace завантаж будь-яку готову модель, подай їй текст і подивись на «ембединги» — числові вектори. Головне — зрозуміти: модель перетворює вхід на вектор, з яким далі працюєш.

🎯 Результат: вмієш завантажити модель з HuggingFace і дістати ембединги

Тиждень 7. 🎯 Проєкт #1 (ч.1) — ембединги білків

📚 Вчиш: ESM-2 / MAMMAL: завантажити модель, дістати вектори

👉 Що робити: Старт першого проєкту. Завантаж ESM-2 (бери маленьку версію) або MAMMAL з HuggingFace за інструкцією. Подай кілька білкових послідовностей і отримай їхні ембединги. Збережи їх — це «паливо» для наступного тижня.

🎯 Результат: ноутбук, що перетворює білки на ембединги

Тиждень 8. 🎯 Проєкт #1 (ч.2) — класифікатор + репо

📚 Вчиш: класифікатор на ембедингах, оцінка, GitHub

👉 Що робити: Візьми набір білків з міткою (розчинний / ні), перетвори кожен на ембединг (тиждень 7) і навчи простий класифікатор (scikit-learn). Виміряй AUROC. Оформи все в акуратний GitHub-репозиторій з README: що робив, які числа, графік. Це твій перший проєкт!

🎯 Результат: перший проєкт на GitHub з README, AUROC і графіком

Місяць 3 — Геномні/структурні FM + вихід — Evo 2, Boltz-2 і перші кроки до роботи

Тиждень 9. Геномні моделі — теорія + запуск

📚 Вчиш: Evo 2 / Nucleotide Transformer; офіційний BRCA1-ноутбук

👉 Що робити: Прочитай розбір Evo 2 у цьому дашборді. Потім відкрий офіційний ноутбук по BRCA1 і просто повтори його крок за кроком на Colab або BioNeMo. Мета — побачити на власні очі, як модель оцінює «шкідливість» мутації.

🎯 Результат: повторений робочий приклад передбачення варіанта

Тиждень 10. 🎯 Проєкт #2 — Evo 2 передбачення варіантів

📚 Вчиш: zero-shot скоринг, AUROC vs ClinVar, ген довголіття

👉 Що робити: Другий проєкт. Візьми варіанти гена (почни з BRCA1, потім свій ген довголіття — FOXO3) з ClinVar, де відомо «патогенний/доброякісний». Порахуй скор Evo 2 для кожного, побудуй ROC і AUROC. Оформи другий репозиторій.

🎯 Результат: другий проєкт: VEP на FOXO3/BRCA1 з AUROC

Тиждень 11. 🎯 Проєкт #3 (стретч) — Boltz-2 скринінг

📚 Вчиш: структура + афінність, ранжування молекул

👉 Що робити: Стретч-проєкт (роби, якщо є час; якщо ні — поглиб №2). Встанови Boltz-2, візьми білок-мішень і кілька молекул, передбач структуру + афінність і покажи, що активні відрізняються від неактивних. Або зроби №2 сильнішим.

🎯 Результат: третій репо (або помітно сильніший №2)

Тиждень 12. Упаковка й вихід на вакансії

📚 Вчиш: GitHub, write-ups, CV/LinkedIn, перші подачі

👉 Що робити: Час показати себе. Причеши всі репозиторії (README, графіки, короткий опис). Онови LinkedIn і резюме під ML/bio-AI. Склади список 10–15 компаній (Insilico, Recursion, Isomorphic…), почни читати їхні вакансії й писати першим людям. Подавайся, навіть якщо здається «ще рано».

🎯 Результат: готовий профіль, резюме й перші подачі/контакти

🏁 Ціль на кінець 3 місяців: 2–3 проєкти на GitHub (ESM-2/MAMMAL → Evo 2 → Boltz-2), базове резюме й LinkedIn, список цільових компаній — і ти вже можеш подаватись на junior/associate позиції та стажування. Головне правило: вчись роблячи (проєкт > відео), веди публічний GitHub, не застрягай у математиці — бери її «на вимогу».

🚀 Наші проєкти (портфоліо)

Три проєкти = твоє портфоліо. Робимо по черзі, кожен — окремий репозиторій на GitHub. Ось що будемо робити, простими словами.

🧭 Логіка: від простого до складного й від різних кутів bio-AI — білки (Проєкт #1) → геном (#2) → ліки (#3). Разом вони показують роботодавцю, що ти вмієш працювати з усіма головними типами моделей.
✅ старт готовий
Проєкт #1 · білки

🔗 ESM-2 → розчинність білка

Що це: беремо готову білкову модель ESM-2 і вчимо простий класифікатор передбачати, розчинний білок чи ні.

Що зробиш: запустиш готовий Colab-ноутбук → отримаєш AUROC і графік → зробиш перший GitHub-репозиторій.

Навчишся: завантажувати foundation-модель, робити ембединги, правильно оцінювати (AUROC).

⏱️ 1 вихіднийскладність ★☆☆📓 ноутбук уже в чаті
⬜ попереду
Проєкт #2 · геном

🧬 Evo 2 → передбачення варіантів гена

Що це: геномною моделлю Evo 2 оцінюємо, чи шкідлива мутація в ДНК — без навчання (zero-shot).

Що зробиш: візьмеш варіанти гена (BRCA1 → ген довголіття FOXO3) з ClinVar, порахуєш скор, побудуєш AUROC.

Навчишся: zero-shot інференс, робота з геномними даними й ClinVar.

⏱️ 1–2 вихіднихскладність ★★☆
⬜ стретч
Проєкт #3 · ліки

💊 Boltz-2 → віртуальний скринінг

Що це: моделлю Boltz-2 передбачаємо, як молекула звʼязується з білком-мішенню, і ранжуємо кандидатів.

Що зробиш: візьмеш мішень + кілька молекул, передбачиш структуру та афінність, покажеш що активні кращі за неактивні.

Навчишся: структура + афінність, віртуальний скринінг, прямий зв'язок із розробкою ліків.

⏱️ 1–2 вихіднихскладність ★★★
🎯 Після трьох проєктів: у тебе 3 репозиторії на GitHub + готове резюме й LinkedIn — і можна подаватись на junior/associate позиції. Далі — по кроках у секції «Кар'єра».

💼 Кар'єра — покроковий план влаштування

Усе, що треба зробити, щоб отримати роботу в bio-AI — за фазами. Тисни кружечок, коли крок закрито. Ресурси й готові драфти — нижче.

0 / 25

Фаза 1 · Основа готовності — зробити зараз, без навичок

Обрати цільові ролі: ML/Research Engineer, Bioinformatician, Research Associate, Data Scientist (не «Scientist» — той хоче PhD).
Скласти список 15 цільових компаній (Insilico, Recursion, Isomorphic, Xaira, Altos, Retro, BioAge, InstaDeep, NVIDIA, IBM…).
Створити / причесати GitHub-акаунт (аватар, bio, закріпити майбутні репо).
Завести LinkedIn і вставити готовий драфт (заголовок + About). Драфт — кнопкою нижче.

Фаза 2 · Портфоліо — паралельно з планом навчання, тижні 1–12

Проєкт #1: ESM-2 / MAMMAL — класифікатор властивості білка → GitHub-репо з README.
Проєкт #2: Evo 2 — zero-shot передбачення варіантів (ClinVar → FOXO3) → репо.
Проєкт #3: Boltz-2 — міні віртуальний скринінг → репо.
Кожен репо: чистий README, 1 графік, 3–5 речень висновку й метрика (AUROC).

Фаза 3 · Вітрина — щоб тебе знаходили

Резюме на 1 сторінку (готовий драфт — кнопкою нижче).
LinkedIn повністю: About, Skills, Featured — 3 закріплені проєкти.
4–8 постів «learn in public» (тижневий прогрес + розбір проєктів).
Підписатись і коментувати авторів моделей та компанії (швидкий нетворк).

Фаза 4 · Подачі — система, не хаос

Налаштувати джоб-алерти (LinkedIn + CompBioJobs).
Зібрати 20–30 відкритих вакансій у трекер.
Адаптувати резюме під кожну (ключові слова з опису вакансії).
Подаватись 5–10 на тиждень; вести трекер (компанія · дата · статус).

Фаза 5 · Нетворкінг — реферали вирішують

5 персональних повідомлень на тиждень людям із поля (шаблон — у гайді).
Попросити реферали в знайомих / колишніх колег з IT.
Долучитись до 2–3 спільнот (Discord/Slack ML та longevity).

Фаза 6 · Співбесіди — готуватись заздалегідь

60-секундна «розповідь про себе»: IT → bio-AI, сила в аналітиці.
Пояснити кожен проєкт за 2 хв: проблема → що зробив → результат.
Повторити базу ML і біологію-мінімум (є в дашборді).
Пройти 1–2 мок-інтервʼю; опрацювати питання про зарплату/очікування.

Фаза 7 · Офер — фініш

Оцінити офер, спокійні перемовини по умовах.
Прийняти й підготуватись до онбордингу. 🎉

🔗 Приклад заголовка LinkedIn

Aspiring ML / Bio-AI Engineer | From IT & data analytics → foundation models for genomics & drug discovery | ESM · Evo 2 · Boltz-2

🔬 Усі методи простими словами

32 напрямки. Фільтруй за блоком або ознакою старіння; шукай угорі.

AI-моделювання геномуAI-інструмент
🤖 AI AI

Модель «читає» ДНК як текст із літер A, C, G, T і вгадує, що ділянка робить або чим зашкодить мутація, а ще вміє «дописати» нову ДНК. Уяви ChatGPT, який замість англійської вивчив мову геному.

AI-пошук геропротекторівAI-інструмент
🤖 AI AI

Штучний інтелект перебирає мільйони молекул і генів і підказує, які можуть сповільнити старіння — швидше за людей у лабораторії. Перший такий препарат (рентосертиб) уже в пізніх випробуваннях.

Foundation-моделі білківAI-інструмент
🤖 AI AI

Вчиться на мільйонах білків і вгадує їхню тривимірну форму й функцію або проєктує нові. Форма білка = його робота, тож передбачити форму — майже як прочитати інструкцію. Це твій baseline у Проєкті #1 (ESM-2).

Base / prime editingСтежити
✂️ Редагування

Точна «заміна літери» в ДНК без розрізання ланцюга — як виправити одрук гумкою, а не рвати сторінку. Уже працює на людях: один укол знизив «поганий» холестерин на ~60%.

Репрограмування (OSK)Стежити
✂️ Редагування

Клітині дають сигнал «згадати молодість» і частково скидають її біологічний вік, не змінюючи тип клітини. Мишам повертали зір; головний ризик — рак, у людей лише перші випробування.

Системи доставкиСтежити
✂️ Редагування

Це «кур'єр», що завозить генну терапію всередину клітин — вірус (AAV) чи жирова кулька (LNP). Проблема часто не «що редагувати», а «як довезти» у потрібний орган. Найвужче місце всього поля.

Епігеномне / мітохондріальне ред.Стежити
✂️ Редагування

Вмикає або вимикає ген без розрізу ДНК (перемикач, а не ножиці) або лагодить окрему ДНК мітохондрій. Поки лабораторія, не клініка.

СенолітикиСтежити
🧬 Терапії

«Зомбі-клітини» перестають ділитись, але не вмирають і труять сусідів запаленням. Сенолітики їх вибірково прибирають; безпечно, але користь для людини поки скромна.

Теломераза / AAV-TERTУникати
🧬 Терапії

Подовжує «ковпачки» на кінцях хромосом, щоб клітини ділились довше. Мишам додавало життя, але людям пропонують лише сірі офшорні клініки й ризик раку. Уникати.

Klotho / FGF21Стежити
🧬 Терапії

Гени-«фактори молодості»: підняти їхній рівень — і в тварин покращувались мозок та обмін. У приматів навіть когніція (рідкість!); у людей ще рано.

Плазмаферез / парабіозСтежити
🧬 Терапії

Ідея «молодої крові» виявилась радше «розведенням старої»: фільтрують плазму, щоб прибрати накопичені шкідливі сигнали. Біовік трохи падає, але дані суперечливі.

Тимус / inflammagingСтежити
🧬 Терапії

Тимус — залоза, що «навчає» імунітет; з віком всихає, звідси тліюче запалення. Спроба його «відростити» дала −2,5 року біовіку в крихітному досліді (n=9).

VO₂maxДіяти зараз
🟢 Спосіб життя

Наскільки потужно серце й легені качають кисень. Це найсильніший фізичний предиктор довгого життя — різниця у смертності до 5 разів. Качається кардіо (Zone 2 + інтервали).

Силові / м'язиДіяти зараз
🟢 Спосіб життя

М'язи й сила хвату — «броня» проти смертності, незалежно від кардіо. Слабкий хват → помітно вищий ризик. Рецепт: 2–3 силові на тиждень + білок 1,2–1,6 г/кг.

Калорійне обмеження / голодуванняДіяти зараз
🟢 Спосіб життя

Їсти трохи менше калорій — єдине втручання з людським РКД, що сповільнює темп старіння. Вмикає «прибирання» клітин (аутофагію). Тільки бережи м'язи.

Сон і стресДіяти зараз
🟢 Спосіб життя

Сон 7–8 год «промиває» мозок і лагодить тіло; хронічний стрес і самотність шкодять як куріння. Це найдешевший важіль довголіття.

Температура (сауна / холод)Діяти зараз
🟢 Спосіб життя

Часта сауна у фінських даних — менше смертності й деменції (тіло «тренується» на теплі). Холодні ванни розкручені, але доказів помітно менше.

Дієтичні патерниДіяти зараз
🟢 Спосіб життя

Не «чарівна їжа», а патерн: середземноморський стиль знижує серцеві хвороби на ~30%. Менше ультраобробленого, більше рослин, риби, оливкової.

РапаміцинСтежити
💊 Ліки/добавки

Пригнічує «педаль росту» клітини (mTOR) — і тварини живуть довше, ніж від будь-яких відомих ліків. У людей поки лише «безпечно», а не «доведено, що продовжує життя».

МетформінСтежити
💊 Ліки/добавки

Діабетичні ліки з репутацією «омолоджувача», але сам по собі мишам життя не подовжив і навіть притуплює користь від тренувань. Репутація більша за докази.

GLP-1 / SGLT2Стежити
💊 Ліки/добавки

Нове покоління метаболічних ліків (типу семаглутиду): −20% серцевих подій. Мінус — забирають і м'язи, тож потрібні білок і силові поруч.

NAD⁺ / сиртуїниУникати
💊 Ліки/добавки

Добавки (NMN, ресвератрол), що мали «завести» клітинну енергію. Рівень маркера піднімають, а користі для довголіття людини не показали. Біомаркер ≠ користь.

Мітохондрії / аутофагіяСтежити
💊 Ліки/добавки

«Енергостанції» клітин слабшають; уролітин A трохи допомагає їх оновлювати — найкраща РКД-база серед добавок, але ефект помірний. Вправи роблять те саме краще.

Гормони / ЗГТСтежити
💊 Ліки/добавки

Гормони (тестостерон, ЗГТ) допомагають лише при реальному дефіциті. Парадокс: менше гормону росту = довше життя, тож ганятись за HGH шкідливо.

ПептидиУникати
💊 Ліки/добавки

Модні «чудо-уколи» (BPC-157 та ін.) без жодних людських випробувань, заборонені FDA, продаються на сірому ринку. Уникати.

Мікробіом / FMTСтежити
🧫 Регенерація

Бактерії кишківника впливають на все тіло; пересадка «молодого» мікробіому вражала мишей, але людям поки лише при важкій інфекції. Практика — клітковина й ферментоване.

Стовбурові клітиниУникати
🧫 Регенерація

Клітини-«заготовки», що вміють стати будь-якими. Реально лікують окремі хвороби (око, Паркінсон), але «anti-age клініки» зі стовбуровими — це маркетинг.

AGE-breakers / крос-лінкиСтежити
🧫 Регенерація

З віком білки «злипаються» цукровими зшивками — тканини дубіють. Ідея: розрізати ці зшивки. Перший препарат провалився, новий (глюкозепан) ще в лабораторії.

Заміна органівСтежити
🧫 Регенерація

Не омолодження, а запаска: вирощені або свинячі органи на заміну зношених. Перші пересадки свинячих нирок людям стартували у 2025 — реальний фронт.

КріонікаУникати
🧫 Регенерація

Заморозити тіло чи мозок у надії, що майбутнє оживить. Це ставка, а не медицина: розморозити назад поки неможливо.

Епігенетичні годинникиВимірювати
📏 Вимірювання

«Спідометр» біологічного віку за хімічними мітками на ДНК. Один вимір нічого не значить — важливий тренд: чи сповільнюється твоє старіння. Це сурогат, не істина.

Дашборд 2.0 · проєкт «Біо». Простий шар для розуміння + повні тексти з джерелами по кнопці «Читати повністю».