麻省理工學院的科學家提出了一種在活體組織中辨識衰老細胞而不必將其破壞的方法。此方法結合了拉曼顯微鏡技術——透過反射光的譜線讀取細胞的化學組成——與基因表現數據及機器學習。結果得到一組獨特的「條碼」：一組光譜特徵，可據此將「殭屍細胞」與普通細胞區分開來。
隨著年齡增長，體內會累積一些停止分裂卻未死亡的細胞。它們釋放發炎訊號，並促成癌症、纖維化及其他與年齡相關的失調。諸如p16與p21蛋白等經典標記需要固定並破壞樣本，因此無法用於活體診斷。新方法解決了這個問題：拉曼光譜能在不干預細胞的情況下記錄脂質及其他分子的變化。
研究人員比較了年輕與年老小鼠的皮膚及肺部組織。在年老的樣本中，脂質的合成與累積明顯增加，而皮膚中與肌肉收縮及細胞外基質重塑相關的路徑則增強了。肺部中，免疫反應與發炎的基因被活化。這些生化變化成為演算法訓練樣本的基礎。
機器學習從數千個光譜峰中篩選出幾個關鍵峰，它們與細胞衰老狀態的相關性最為精確。如今，按照作者的構想，只需在幾個特徵波段內記錄光譜，便能以高機率判定細胞是否已進入衰老狀態。該方法目前僅在小鼠及實驗室條件下進行過測試。
此方法的優勢顯而易見：它不需要活檢，並且在未來有望即時追蹤殭屍細胞累積的動態。然而，數據僅限於動物模型，而要轉移到人類身上則需在人類組織上進行驗證及臨床試驗。此外，拉曼顯微鏡目前尚未成為臨床上的常規工具——設備昂貴且需要特殊訓練。
如果該方法能證實其可靠性，它可能會改變人們對如何測量組織生物年齡的看法。屆時將不再依賴血液的中間接標記或破壞性取樣，而是能夠直接且非侵入性地「讀取」細胞狀態。這將使針對衰老細胞的清除或回春療法能夠依據其在體內分佈的精確、個人化數據，那一天的到來更為接近。
