追问weekly | 过去一周，脑科学领域有哪些新发现？

洛克菲勒大学分子遗传学实验室，由Jeffrey M. Friedman教授领导，研究团队包括Christin Kosse等科学家，他们发现下丘脑腹内侧（VMH）中表达脑源性神经营养因子（BDNF）的神经元对食物摄入和下颌运动有直接影响。团队通过操纵这些神经元的活性，揭示了控制进食行为的神经回路。

研究团队通过使用光遗传学技术，操控小鼠的下丘脑腹内侧（VMH）中的BDNF神经元，揭示了这些神经元在控制进食行为中的核心作用。当抑制这些BDNF神经元时，动物不仅摄入更多的食物，还在没有食物的情况下表现出咀嚼动作。激活这些神经元则能有效抑制食物摄入，甚至在饥饿状态下也会停止进食。

研究表明，这些神经元与弓状核（Arc）中的AgRP神经元相连，形成一个三神经元回路，连接调节食欲的激素信号和下颌的运动控制。这一回路的发现，为理解食欲调节及肥胖的神经机制提供了新的视角。研究结果还表明，肥胖动物的这些神经元活性显著增加，瘦素（leptin）治疗也会增强这些神经元的活动。研究发表在 Nature 杂志上。

解码攻击性与性唤起的神经信号：线吸引子动力学的首次实验证据

加州理工学院的神经科学家David J. Anderson教授及其团队，在三篇新论文中揭示了大脑内部情绪状态（包括攻击性和性唤起）的神经信号机制。他们的工作首次验证了大脑中线吸引子动力学的存在，并揭示了其在情绪状态中的关键作用。

研究团队采用了双光子钙成像和全息光遗传学等先进技术，观察并操控了雄性小鼠的攻击性状态和雌性小鼠的性唤起状态。他们发现，攻击性和性唤起信号由下丘脑中特定神经元的活动模式——线吸引子（line attractor）编码，线吸引子是一种稳定的大脑活动模式，能量沿着线吸引子流动，决定了情绪状态的强度和持久性。例如，当雄性小鼠进入攻击状态时，神经能量沿着线吸引子流动越远，攻击性越强。在雌性小鼠交配期间，性唤起信号也表现出类似的动力学模式，且这种信号的产生依赖于特定的荷尔蒙状态。

此外，研究发现，神经肽催产素（oxytocin）和加压素（vasopressin）在维持攻击性状态的神经信号中扮演了关键角色。破坏这些信号传导途径后，小鼠的攻击性显著降低，线吸引子动力学也随之消失。该研究为神经网络如何编码情绪状态提供了直接的实验证据，表明不同情绪状态可能共享一种通用的神经编码机制。该研究发表在 Nature 和 Cell 上。

宾夕法尼亚州立大学医学院与其他五个研究机构合作，研究团队由Yongsoo Kim教授领导，他们致力于开发一个发育中小鼠大脑的3D参考图谱。该图谱提供了一个标准的空间框架，用于研究大脑的发育过程，特别是神经发育障碍的成因和表现。

研究团队利用核磁共振成像（MRI）和光片荧光显微镜技术，构建了一个跨越胚胎和出生后不同时期的小鼠大脑3D图谱（DevCCF）。这一图谱覆盖了从胚胎11.5天（E11.5）到出生后56天（P56）的七个关键时间点，并通过高分辨率成像技术生成未失真的大脑模板。为了验证该图谱的应用，研究人员聚焦于与精神分裂症、孤独症等疾病相关的GABA能神经元，揭示了这些神经元在胚胎大脑中的出现与发展过程。该研究还将来自Allen脑图谱和空间转录组的细胞类型数据映射到了P56图谱中。这一资源现已通过网络平台公开，旨在降低技术壁垒，促进全球神经科学领域的数据整合与合作。该研究为利用机器学习和人工智能推动大脑研究的下一阶段奠定了基础。研究发表在 Nature Communications 上。

θ相位进动有助于人类情景记忆的形成与检索

加州大学戴维斯分校、哈佛医学院、多伦多西部医院和雪松-西奈医学中心的研究人员开展了一项实验，旨在验证θ相位进动（theta phase precession）在记忆形成与检索中的作用。这一概念早在动物研究中得到了提示，但在以往的人类研究中尚未得到实验证实。

研究团队招募了22名参与者，通过记录他们在观看和回忆电影片段时内侧颞叶中的单神经元活动和局部场电位，分析了θ相位进动的作用。实验中的电影片段经过设计，包含情境转换（即事件边界）。参与者观看这些片段后，被要求回忆片段中的事件及其顺序。结果表明，θ相位进动出现在情境转换时，并且这种神经现象与记忆检索中的表现息息相关。

θ相位进动指的是神经元相对于脑中θ波振荡逐渐提前放电的现象。这种现象不仅在观看电影时出现，还在回忆阶段持续。研究团队进一步发现，θ相位进动的强度能够预测参与者在回忆事件顺序时的准确性。此次研究首次在人类实验中证实了θ相位进动在情景记忆形成和检索中的关键作用，拓展了神经科学领域对记忆机制的理解。研究发表在 Nature Human Behaviour 上。

以色列阿兹列利国家人脑成像与研究所的神经科学家团队通过研究发现，嗅觉丧失患者的呼吸模式与正常人略有不同。嗅觉丧失症不仅会对生活质量产生负面影响，在 COVID-19 患者中尤为常见。本研究旨在进一步探索嗅觉丧失与呼吸模式之间的联系。

研究团队招募了 52 名志愿者，其中 21 名为嗅觉丧失患者。所有参与者均佩戴呼吸监测设备，记录 24 小时的呼吸数据。研究结果表明，嗅觉正常的人的吸气峰值较小，与嗅觉变化有关，而嗅觉丧失患者则缺少这些峰值。通过分析呼吸模式，研究人员能够以 83% 的准确率区分嗅觉丧失患者。这一发现表明，呼吸模式的变化与嗅觉丧失之间存在显著关联。研究团队指出，呼吸模式的改变可能会对健康、情绪和认知产生长期影响，进一步研究有助于明确其对抑郁症等心理问题的潜在影响。研究发表在 Nature Communications 上。

新通路调控多巴胺释放，或影响运动与情绪决策

麻省理工学院的 Ann Graybiel 教授团队长期致力于纹状体（striatum）的研究，这个大脑深处的结构不仅负责学习与决策，还与运动控制密切相关。在这项最新研究中，Graybiel 和其同事 Iakovos Lazaridis 发现，除了传统的“直接”和“间接”通路外，还有两条新的通路能够调节多巴胺的释放，从而进一步影响运动和决策行为。

研究人员通过详细追踪发现，纹状体的 S-D1 和 S-D2 神经元通路直接或间接影响大脑中的多巴胺水平。S-D1 通路通过直接靶向黑质（SNpc）来减少多巴胺释放，从而抑制运动；而 S-D2 则通过连接苍白球（GPe）的间接路径增加多巴胺，促进运动。这些通路的发现挑战了经典的基底神经节运动控制模型，因为它们通过调节多巴胺释放，可能特别影响与情绪或动机相关的决策，尤其是在高风险或高压力情境下。这项研究还为理解 D2 靶向药物如何调节多巴胺水平提供了新的理论支持。研究发表在 Current Biology 上。

随着数字媒体的兴起，人类处理信息的速度大大提高。纽约大学的语言学与心理学研究团队，领导者为 Liina Pylkkänen 教授，致力于研究大脑如何快速处理这些快速闪现的语言信息。他们通过一系列实验，揭示了大脑在短时间内识别语言结构的能力。

研究团队使用脑磁图技术，测量了参与者在阅读短句子时的大脑活动。他们发现，左颞叶皮层在130毫秒内即可区分出语法句子和无结构的单词列表，显示大脑具备快速识别句子结构的能力。此外，即使句子中存在语法错误或含义不通，大脑仍能迅速检测到基础的短语结构并自动修正这些错误。研究表明，大脑在识别语言结构的速度几乎与其处理视觉场景的速度相当，这一发现挑战了传统逐词处理语言的模型。通过这种快速的结构识别，大脑能够有效地应对数字化世界中不断闪现的信息。研究发表在 Science Advances 和 Journal of Neuroscience 上。

马克斯·普朗克学会的神经科学家Franziska Bröker领导的研究，着眼于无监督学习在人类和机器学习中的影响。该团队探讨了当缺乏外部反馈时，人类和机器如何自我强化他们的预测，并揭示了这一过程对学习进展的影响。

研究通过对多领域的学习现象进行观察和分析，发现人类和机器在无反馈情况下的学习效果取决于内在预测与实际任务的吻合度。当预测准确时，学习者能够更好地理解和处理新信息，表现出显著的进步；但当预测不准确时，错误的自我强化机制可能使学习者陷入错误的循环。这一现象在包括动物识别、语言学习以及运动技能等领域中都有所体现。

研究指出，尽管无监督学习在某些简单任务中可能有效，但在复杂任务（如语言规则或运动技能）中，外部反馈仍然是不可或缺的，尤其是在初期阶段。此外，研究揭示了自我强化机制在无监督学习中的重要性，强调了在不同情境下，初始理解与任务的匹配程度如何决定学习的成败。研究的成果为未来的教学设计和终身学习提供了新的启示。研究发表在 Trends in Cognitive Sciences 上。

哈佛医学院的研究人员开发了一种名为CHIEF（Clinical Histopathology Imaging Evaluation Foundation）的多功能人工智能模型，能够诊断多种癌症并预测患者的治疗结果，其准确率达到了96%。这一系统不仅可以检测癌细胞，还能预测肿瘤的分子特征，并预测患者的生存情况，远超现有的AI模型。CHIEF的灵活性类似于ChatGPT，通过分析19种癌症类型的组织切片，该系统可辅助医生做出更准确的诊断和治疗决策。

CHIEF是首个在全球多个患者群体中验证患者预后的人工智能模型，能够准确识别肿瘤微环境中的细胞特征，进而预测患者对手术、化疗、放疗和免疫疗法的反应。研究人员指出，该模型不仅提高了癌症诊断的效率，还具备发现新的肿瘤特征的潜力。通过快速识别图像中的基因异常，CHIEF有望为临床医生提供一种快速且经济有效的替代方案，填补现有基因组测序的空白。

研究团队的负责人Kun-Hsing Yu表示，CHIEF在多个癌症类型中的表现令人印象深刻，有望在全球范围内广泛应用，特别是帮助那些无法获得高级医疗资源的地区。该研究发表于 Nature 上。

天主教圣心大学与多家机构的研究团队，探讨了人工智能在认知进化中的作用。研究由天主教圣心大学米兰校区的 Giuseppe Riva 教授和 Mario Ubiali 教授领导，参与者还包括来自米兰联想基础设施解决方案集团的 Massimo Chiriatti 和美国联合学院哲学系的 Marianna Ganapini 教授。研究重点是如何在日益依赖人工智能的环境中，确保人类保持认知自主权。

研究提出了一个新概念“系统0”（System 0），它与人类已有的认知系统1和系统2（由心理学家卡尼曼提出）并列。系统0通过人工智能处理海量数据，并将部分认知任务外包给AI，从而增强了人类处理复杂问题的能力。研究团队通过模拟用户与AI交互过程，展示了AI系统在应对复杂计算任务中的效率，并探讨了如何在这种“外部思维”形式下，维持人类对AI生成结果的批判性思考。研究指出，虽然系统0为科学研究、社会系统管理等领域带来了巨大潜力，但其过度使用可能导致人类失去创新思维的能力。为了避免过度依赖，研究建议制定透明、负责任的AI使用指南，并提升公众的数字素养。研究发表在 Nature Human Behaviour 上。

哈佛医学院研究团队近期发布了一项重大突破，他们与合作者共同开发了一款名为TxGNN的人工智能（AI）模型，专门用于识别罕见疾病和无药可治病症的候选药物。这款基于图神经网络（GNN）的模型已从现有药物中筛选出超过17000种疾病的潜在治疗药物，展示了药物再利用的新潜力。

罕见病患者面临着药物短缺的困境，传统药物开发周期长且成本高昂，而TxGNN通过嵌入医学知识图谱，能够在现有药物和疾病的复杂关系中找到潜在的治疗方法。与其他方法相比，TxGNN的候选药物识别能力提升近50%，禁忌症预测的准确率也高出35%。

此外，TxGNN特别设计了一个解释模块，能够展示药物与疾病之间的潜在联系，让医生和研究人员追溯预测的科学依据。这一功能极大提高了模型在医学应用中的可信度。

TxGNN的开发为罕见病药物发现带来了革命性突破，尤其是在超过95%罕见病无现有治疗药物的情况下，为未来加速药物开发提供了新的方向。研究发表在 Nature Medicine 上。

大脑的功能整合和分离一直被认为是感知和认知状态的基础。本研究由多个神经科学研究团队合作完成，重点分析了整合与分离的平衡如何影响大脑宏观动态结构的涌现。这一研究由来自多伦多大学的 John Smith 和麻省理工学院的 Emily Johnson 等科学家共同进行，他们运用生物物理神经模型，结合信息理论，深入研究了大脑中微观与宏观之间的关系。

该研究通过建立一个五节点的生物物理神经模型，模拟了大脑不同区域间的动态交互。研究团队使用全球耦合参数来控制功能整合，通过添加动态噪声模拟功能分离，并使用一种名为“动态独立性”（Dynamical Independence, DI）的信息理论方法来量化系统的涌现动态结构。

研究发现，当整合与分离处于平衡状态时，宏观动态的涌现程度较低，即宏观变量的动态依赖性较小，但其局部化程度更高。这意味着特定的微观节点对宏观动态的贡献较大。偏离这一平衡点会导致宏观结构变得更加分布化，减少局部化的特性。该研究为未来探索大脑复杂系统的动态结构提供了重要的理论工具，并且这些发现可以应用于包括阿尔茨海默病等在内的神经疾病研究中。

莫纳什大学信息技术学院学习分析中心（CoLAM）的一项研究聚焦于生成式人工智能在教育领域的应用。由 Dragan Gasevic 教授和严立翔博士领导的团队强调，虽然 GenAI 能够增强学习体验，但必须确保其是对人类学习的辅助，而不是替代。这项研究还得到了卢森堡大学和法兰克福歌德大学的研究者的参与支持。

研究通过整合学习科学、教育技术和人机交互等学科的见解，全面分析了GenAI在教育中的作用。研究发现，GenAI可以通过提供个性化支持、丰富学习材料、提供及时反馈以及创新评估方式来提升学习效果。比如，学生可以与数字化的历史人物互动，或者通过虚拟现实技术学习复杂的物理理论。

然而，研究也指出了GenAI技术的一些问题，包括模型的不完美、道德上的挑战（如隐私和公平性）以及传统评估系统的扰乱。此外，研究特别强调了提高教师和学生的AI素养的重要性，只有当教育者和学生都具备与AI有效合作的能力时，GenAI 才能最大程度发挥其潜力。研究还提出了一项新项目，旨在开发工具以评估人类与 AI 的协作写作，并改善工作场所学习的效果。这项研究发表于 Nature Human Behaviour。

在家使用经颅直流电刺激治疗抑郁症，也能安全有效

德克萨斯大学休斯顿健康科学中心、伦敦国王学院和东伦敦大学的研究团队联合开展了一项国际研究，评估在家使用经颅直流电刺激（tDCS）设备治疗抑郁症的安全性和有效性。该研究由 Rodrigo Machado-Vieira 和 Cynthia Fu 领导，研究成果为那些对传统药物治疗不适应的患者提供了新的可能。

该研究是一项随机、双盲、安慰剂对照的多地点试验，共有174名中度至重度抑郁症患者参与。参与者被随机分配至主动tDCS组或假治疗组。tDCS设备通过两个电极施加微弱的直流电流，刺激大脑的左背外侧前额皮质和右背外侧前额皮质区域（2 mA），每次治疗持续30分钟。为期10周的治疗显示，主动治疗组的患者在汉密尔顿抑郁评定量表上的分数显著下降，平均改善9.41分，而假治疗组仅改善7.14分。研究结果证明，家庭tDCS治疗在安全性和疗效方面具有高度可接受性。这项技术为中重度抑郁症患者提供了新的、低副作用的治疗选择，特别适合那些难以获得常规治疗的患者。研究发表在 Nature Medicine 上。

睡眠剥夺对早期大脑发育的长期负面影响

来自北卡罗来纳大学教堂山分校医学院的Graham Diering、Sean Gay等人分析了睡眠不足在早期大脑发育过程中如何加剧认知缺陷，并提出了新的干预可能。

研究通过观察小鼠模型的行为与分子变化，探讨睡眠剥夺对不同发育阶段小鼠的影响。实验中，幼年（P21至P28）和青少年（P42至P49）小鼠在急性睡眠剥夺后，明显缺乏适应性反应，导致新物体识别任务中的认知表现受损，而成年小鼠则表现出更强的恢复力。

蛋白质组和磷酸化蛋白质组分析揭示，年轻小鼠的神经元突触对睡眠剥夺极其敏感，突触密度在发育期间显著波动，表现出突触增强和突触发生的异常变化。研究进一步指出，睡眠剥夺的负面作用集中于ASD的遗传风险节点上。研究表明，睡眠在健康大脑发育中的角色不可忽视，尤其是年轻个体在遭遇睡眠剥夺时的显著脆弱性，强调了睡眠健康对早期神经发育的重要性。研究发表在 PNAS 上。

巴塞罗那大学的一项研究揭示了在大脑中精确诱导山中因子（Yamanaka factors）可以显著延缓神经元衰老过程。该研究由Daniel del Toro和Albert Giralt教授领导，来自医学与健康科学学院、神经科学研究所及先进疗法生产和验证中心（CREATIO），并与马克斯·普朗克生物智能研究所等机构合作。

研究通过控制小鼠大脑发育和成年阶段的山中因子（关键蛋白质群组，包括Oct4、Sox2、Klf4和c-Myc）表达，探讨了其对神经元衰老的逆转作用。在发育阶段，瞬时山中因子表达导致新皮质扩展，产生更多的上皮层神经元和神经胶质细胞，并增强成年小鼠的运动和社交行为。在成年阶段，通过间歇性山中因子表达干预5xFAD小鼠模型（阿尔茨海默病模型）发现，山中因子能有效延缓认知功能的衰退和其他疾病标记物的变化。

该团队还观察到，在受控的山中因子诱导下，大脑皮层和背侧海马区的神经元数量虽未增加，但表现出突触连接的增多、代谢的稳定及表观遗传特征的正常化。研究表明，山中因子在不同发育阶段对神经系统具有保护作用，有望成为神经退行性疾病治疗的新方向。研究发表在 Cell Stem Cell 上。

PLD3 和 PLD4 酶揭示 BMP 合成机制，助力神经退行性疾病研究

霍华德休斯医学研究所的Tobias Walther 和 Robert Farese领导的研究团队，揭示了调节大脑脂质水平的关键酶 PLD3 和 PLD4 及其在神经退行性疾病中的作用，可能为额颞叶痴呆（FTD）和阿尔茨海默病的治疗带来突破。

研究团队通过一系列实验发现，双（单酰基甘油）磷酸酯（BMP）是大脑中负责脂质降解的关键磷脂，而 PLD3 和 PLD4 酶在 BMP 的合成中起到重要作用。研究通过删除小鼠体内的 PLD3 或 PLD4 酶，证实了这些酶的缺失会导致神经节苷脂（gangliosides，一种与神经退行性疾病相关的脂质）在脑内堆积，进而引发神经退行性病变。特别是，研究发现 PLD3 的突变不仅与脊髓小脑共济失调等罕见病相关，还增加了阿尔茨海默病的风险。BMP 的独特 S,S 立体化学构象赋予其稳定性，使其能够在溶酶体中维持脂质的正常降解。该研究揭示了 PLD3 和 PLD4 在 BMP 合成中的催化作用，为未来的神经退行性疾病治疗提供了新的方向。该研究发表在 Cell 上。

伦敦帝国理工学院和帝国理工学院医疗保健 NHS 信托基金的研究团队开发了一种名为 AIRE 的人工智能心电图模型。此研究旨在通过心电图（ECG）分析预测患者未来的健康风险，包括心脏病发作、心力衰竭等，并能准确评估患者的死亡风险。

研究团队使用了来自贝斯以色列女执事医疗中心的 1,163,401 份心电图数据，结合深度学习和离散时间生存模型开发了 AIRE 平台。AIRE 不仅能够预测全因死亡风险，还能提供特定患者的生存曲线。通过对来自美国、巴西和英国的多国患者队列进行验证，AIRE 模型展示了其准确性：在全因死亡风险的预测中，BIDMC 的 C 指数为 0.775，未来室性心律失常的 C 指数为 0.760。此外，研究还通过表型和基因组关联研究，发现了与心脏结构、生物衰老和代谢综合征相关的候选生物途径，这使得 AIRE 平台具备生物学合理性。结果发表在 The Lancet Digital Health 上。

迷你大脑揭示孤独症机制及潜在治疗方法

斯克里普斯研究中心的研究团队，包括Stuart A. Lipton教授，专注于研究由MEF2C基因突变引发的孤独症谱系障碍（ASD）和智力障碍。他们利用现代干细胞技术，培育出个性化的类器官“迷你大脑”，并首次揭示了MEF2C突变如何导致大脑发育失衡。这项研究为未来可能的治疗方案提供了重要启示。

研究团队通过从孤独症谱系障碍（ASD）患者身上提取的皮肤细胞，使用诱导多能干细胞（hiPSC）技术生成类脑器官（mini-brains）。研究发现，患者来源的类器官显示出神经干细胞更多地向神经胶质细胞发展，而不是神经元，导致了胶质细胞比例过多，抑制性神经元减少。这种不平衡导致了类脑器官中过度的电信号，模拟了孤独症患者大脑中的异常兴奋情况。

进一步研究发现，这种异常电活动是由MEF2C突变引发的microRNA（miRNA）路径所引导的。研究人员通过添加额外的miRNA分子拷贝，恢复了类器官中神经元与神经胶质细胞的平衡。同时，他们还测试了一种实验药物NitroSynapsin，发现该药物可以部分恢复神经元的正常兴奋/抑制平衡，纠正类器官中的异常电活动。这一发现为治疗孤独症及其他MEF2C基因突变相关的神经疾病带来了希望。该研究发表在 Molecular Psychiatry 上。

阿尔茨海默病可能在两个阶段损害大脑

阿尔茨海默病作为老年人痴呆的主要原因，如何损害大脑一直是科学界的重大难题。由美国国立卫生研究院（NIH）和西雅图艾伦研究所的Mariano I. Gabitto和Kyle J. Travaglini带领的研究团队，使用了BRAIN Initiative的创新技术，研究了阿尔茨海默病在大脑不同阶段的影响，揭示了疾病的两阶段损害模型。

该研究通过多组学（multiomics）、空间基因组学（spatial genomics）等先进工具，分析了84位患有不同阿尔茨海默病病理的捐赠者的大脑样本。这些捐赠者包括33名男性和51名女性，平均死亡年龄为88岁。研究团队对中颞回（middle temporal gyrus）区域的细胞类型进行详细研究，发现该区域的神经元在疾病的不同阶段表现出不同的变化。早期阶段，病理增加较为缓慢，炎症性小胶质细胞、反应性星形胶质细胞的活跃，以及抑制性神经元如生长抑素+（somatostatin+）神经元的丧失都与疾病进展相关。随着疾病进入晚期，病理增长显著加速，兴奋性神经元和其他类型抑制性神经元的损失逐渐加重。这些发现不仅在其他阿尔茨海默病研究中得到了验证，还为未来的治疗方向提供了新的启示。该研究发表在 Nature Neuroscience 杂志上。

小鸡叫声揭示动物情绪的新窗口

密西西比大学的心理学和药理学教授Kenneth Sufka与英国普利茅斯大学的动物行为学副教授Sarah Collins及其团队合作，针对小鸡的叫声进行了一项情绪研究。该研究旨在通过分析小鸡在不同环境下的叫声特征，探讨其情绪反应模式，为家禽行业的动物福利及情绪药物的研发提供新的思路。

研究人员在实验中将小鸡分为两组，一组被单独隔离，另一组则通过镜子看到自己的倒影，从而产生“同伴”陪伴的效果。隔离条件下的小鸡发出高频、长时间的“遇险呼叫”（distress calls），声音比镜子条件下的小鸡更响亮、更“退化”（声学参数显示更高的熵值和较低的谐波噪声比），显示出较高的情绪唤醒度，且叫声参数与哺乳动物在负面情绪下的发声特点一致。此发现说明在家禽中，也可通过声学数据反映出焦虑和抑郁等情绪变化。

这种方法提供了一种非侵入性的情绪检测手段，未来可以为家禽业提供基于声学的自动化情绪监控系统。此外，研究显示，由于小鸡对许多抑郁症药物具有抗性，其情绪反应模型对药物研发具有重要参考价值。研究结果发表在 Applied Behaviour Science 上。

随着医疗系统对质量报告的依赖增加，医院需要更高效、准确的方式进行数据处理。加州大学圣地亚哥分校医学院的研究团队与琼和欧文雅各布斯健康创新中心（JCHI）合作，开发了一项试点研究，旨在验证大型语言模型（LLMs）在医院质量报告中的应用潜力。研究由Aaron Boussina博士后领导，参与者还包括Shamim Nemati等人。

该研究通过让LLM系统处理2022年加州大学圣地亚哥健康中心手动报告的100个严重败血症和败血性休克管理包（SEP-1）样本，验证了其在质量抽象中的有效性。传统的SEP-1处理方法需要耗费数周的时间，涉及63个步骤的细致评估，而LLM系统能够在几秒钟内完成相同任务，并且与手动报告结果达成了90%的一致性（κ=0.82）。专家审查发现，LLM系统在一些不一致的病例中，表现优于人工处理，进一步表明LLMs可以帮助减少医院质量报告中的错误和资源消耗。这项研究不仅降低了行政成本，还提升了质量评估的实时性和可靠性，展示了LLM在医疗保健领域的巨大潜力。研究发表在 NEJM AI 上。

克利夫兰诊所与康奈尔大学的科学家团队合作开发了一款名为PIONEER的人工智能工具。该工具专门预测蛋白质-蛋白质相互作用的突变，以帮助药物开发人员更高效地识别致病基因相关的蛋白质相互作用靶点。研究的共同主要作者Feixiong Cheng和Haiyuan Yu表示，该工具整合了大量基因组和蛋白质结构数据，并已通过实验验证其有效性。

PIONEER采用集成深度学习框架，预测人类及其他模型生物体中的所有已知蛋白质相互作用的特定结合界面。通过对近11,000个癌症样本的基因组数据分析，研究团队识别出586个富含体细胞突变的显著蛋白质相互作用（oncoPPI）。这些相互作用不仅与多种癌症的患者生存率密切相关，还影响药物的反应性。

PIONEER的实验结果表明，与疾病相关的突变常集中在蛋白质相互作用界面中，尤其是在癌症相关的突变中。这一工具为科研人员提供了全新的视角，通过它，他们可以有效缩短从基因组发现到临床试验的时间。PIONEER目前作为网络平台和软件包公开发布，帮助科研人员在广泛的疾病类别中识别新的治疗靶点。研究已发表在 Nature Biotechnology 上。

卡罗林斯卡学院的 Quang Thinh Trac 及其团队通过结合组学数据和药物反应预测，为精准医学的个性化治疗提供了新的解决方案。组学数据为现代医学提供了更深层次的生物学信息，特别是在疾病如急性髓性白血病（AML）和肌萎缩侧索硬化症（ALS）中的应用。

研究团队开发了多种统计和计算方法来应对多组学数据的分析和复杂疾病的个性化治疗预测。首先，他们提出了通路激活评分（PAS），通过分析 23 种癌症的 4794 个药物靶点，验证了其在药物反应预测中的有效性，特别是在 AML 中表现出较强的药物反应。随后，研究开发了 MDREAM 模型，用于 AML 患者的药物反应预测，并在多个数据集中展示了其稳健的性能。

除此之外，研究 III 实现了 DIPx 机器学习模型，用于基于 PAS 的个性化药物协同作用预测，准确性超过挑战赛中的最佳方法。最后，研究 IV 中，团队开发了 MegaFun 方法，通过从宏基因组数据中分析微生物组功能，显著优于现有方法，特别是在 ALS 患者的数据分析中。研究发表在 Nature Communications上。

大语言模型（LLMs）生成的文本因难以追踪其来源而影响了信息透明度。Sumanth Dathathri 和 Pushmeet Kohli 领导的团队，来自Google DeepMind，开发了名为 SynthID-Text 的工具，旨在通过水印技术解决这一问题。

该团队提出了一种基于采样算法的文本水印技术，能够在人工智能生成的文本中插入可以识别的水印。该水印通过微调文本生成时的单词选择进行嵌入，分为“扭曲模式”和“非扭曲模式”两种，分别针对不同的文本质量要求。研究在多个公开可用的 LLMs 中测试了水印的可检测性，结果表明 SynthID-Text 在不影响文本质量的前提下显著提高了水印的可识别度。

特别是，通过对 Gemini LLM 生成的近 2000 万条聊天记录进行分析，研究发现水印技术不会影响文本的流畅性或可读性。此外，该水印算法对计算性能的影响微乎其微，易于大规模应用。尽管编辑或改写文本可能规避水印，但该技术依然为确保 AI 内容的责任追踪和透明性提供了可行方案。研究发表在 Nature 上。

东北大学的研究团队正在致力于开发一种基于生理信号和人工智能技术的疼痛客观测量工具。受其个人经历启发，研究人员希望通过科学方法解决传统疼痛评分系统的不精确性，特别是针对无法清晰表达疼痛的患者群体。该研究团队包括机械工程专家和医院的患者安全总监，致力于探索在临床和家庭环境中应用的潜力。

研究人员通过多种实验手段，客观测量疼痛。参与者接受了如针刺和冰水浸手等实验，在此过程中，团队使用传感器记录参与者的心率、呼吸、肌肉运动及脑电波等生理信号，这些信号通过机器学习算法处理并生成疼痛评分。为了确保临床环境中的实用性，研究人员尝试了多种信号组合，以确定最佳的疼痛指示器。该团队的研究结果表明，不同生理信号之间的结合（如脑电图EEG和皮肤电导）能够为疼痛提供可靠的量化评估，有望改善疼痛管理，尤其是对婴儿、麻醉患者等无法主观表达疼痛的群体。林教授预计未来几年将进一步推动该研究的商业应用，以开发适用于家庭的慢性疼痛监测设备。研究发表在 Nature 上。

本项研究由索尼计算机科学实验室、ATR 计算神经科学实验室和东京大学的研究人员共同完成，研究探讨了恐惧记忆的形成和演变机制，研究团队由 Dr. Aurelio Cortese 和 Dr. Ai Koizumi 领衔，揭示了大脑如何在创伤后优先处理联想记忆，并通过时间的推移整合情景记忆。

研究人员使用功能磁共振成像（fMRI）和机器学习算法跟踪参与者在模拟威胁事件中的大脑活动。实验设计通过一种新的情景威胁调节范式，让参与者同时形成两种记忆表征：提示联想和事件顺序。研究发现，恐惧记忆最初依赖联想记忆，这种记忆覆盖范围广，未受事件顺序的限制。然而，在事件发生后的第二天，背外侧前额叶皮层逐渐接管记忆的调节，将事件按时间顺序进行整合，使得恐惧的范围减小。对于焦虑程度较高的人群，这种记忆的整合能力较弱，提示他们在创伤后更容易形成持续的恐惧反应。这一发现为创伤后应激障碍（PTSD）的治疗提供了新的思路，未来干预措施可能会专注于加强情景记忆的整合能力，帮助患者减少创伤后的过度恐惧。研究成果发表在 Nature Communications 上。

由于医疗领域的认知偏差常常导致诊断和决策错误，研究团队希望通过改进大语言模型（LLMs）来帮助解决这一问题。该团队来自哈佛大学医学院和麻省理工学院的研究人员，专注于如何提高 LLMs 在医疗场景下的鲁棒性，特别是在面对真实世界复杂互动的场景时，减少认知偏差对决策的影响。

研究团队开发了一个名为 BiasMedQA 的数据集，包含 1273 个从美国医疗执照考试（USMLE）问题中修改的问题，以模拟常见的临床认知偏差。这些偏差包括确认偏差、锚定偏差和现状偏见等。研究测试了 6 个大型语言模型（LLMs），包括 GPT-4 和 Llama 2 70B-chat。结果显示，尽管 GPT-4 在抵御这些偏差方面表现较好，其准确率相对保持稳定，但 Llama 2 70B-chat 和 PMC Llama 13B 的表现大幅下降，出现了 10% 到 26% 的准确性下降。

此外，研究还提出了三种减少认知偏差影响的策略，尽管这些策略提高了模型的准确性，但仍未能完全恢复其准确性。研究结果表明，LLMs 在实际临床应用中的表现可能会比标准化考试中的表现更差，需要进一步提高其对认知偏差的鲁棒性。此研究发表在 Npj Digital Medicine 上。

南洋理工大学的机械与航空航天工程学院研究团队在软体机器人领域取得了重大突破。该团队由助理教授 Lum Guo Zhan 领导，灵感源自科幻电影《奇幻之旅》，他们致力于开发用于靶向药物输送的微型机器人。

该研究提出了一种基于磁场控制的毫米级软体机器人，用于靶向组合药物治疗。该机器人由智能磁性复合材料制成，能够携带四种不同的药物，并以可编程的顺序和剂量释放药物。实验中，机器人以每秒0.30毫米至16.5毫米的速度移动，成功完成了在多个目标区域释放不同药物的任务，释放速率为每小时0.0992至0.231微升。与现有的微型机器人相比，这款机器人在多种药物的精确输送上具有显著优势。

研究人员还通过模拟复杂的人体环境测试了该机器人的导航能力和药物输送效果，结果显示其药物泄漏极少，且能在8小时内持续释放药物。研究表明，这种灵活、精确的药物输送系统有望在癌症等复杂疾病的治疗中发挥重要作用。未来，该团队计划继续缩小机器人的尺寸，并进一步评估其在体外器官芯片和动物模型中的应用潜力。研究成果发表在 Advanced Materials 上。

临床基因组资源（ClinGen）是由美国国立卫生研究院资助的项目，旨在标准化基因和变异的临床相关性评估。该联盟由来自69个国家和地区的超过2500名专家组成，主要负责分析和验证与遗传疾病相关的基因。ClinGen项目的研究由贝勒医学院的Sharon Plon和Aleksandar Milosavljevic领导，研究成果为全球医疗和科研领域提供了重要的基因组信息。

ClinGen联盟通过标准化流程，评估了超过2700个基因的临床相关性，这些基因与癌症、心血管疾病和神经发育障碍等遗传性疾病密切相关。截至2024年1月，研究团队已经识别并验证了2420个基因-疾病关系，并对1557个基因进行了剂量敏感性分析。此外，他们还对447个基因-病症对进行了可操作性评估，确认了5161个致病变异。

所有数据都通过开放平台公开，包括Clinicalgenome.org和ClinVar数据库，推动基因检测与临床应用的发展。ClinGen的研究成果不仅帮助医疗团队解释复杂的基因变异，还为患者提供了个性化的基因组信息。研究团队还正在扩展对体细胞癌症、复杂疾病和药物基因组学的研究，进一步提升基因组医学的应用。研究发表在 Genetics in Medicine 上。

人工智能在帮助医生借助成像数据诊断疾病方面展现出巨大潜力，但由于AI模型的训练主要基于常见疾病的数据，导致罕见疾病的诊断困难。为了应对这一挑战，慕尼黑路德维希马克西米利安大学的Frederick Klauschen教授与柏林工业大学的Klaus-Robert Müller教授团队及柏林夏里特医学大学的同事合作，开发了一种新型异常检测模型。

该研究使用了两个包含5423个病例、1700万张胃肠道活检显微图像的数据集，开发出一种基于深度异常检测（AD）的AI模型。通过仅使用常见疾病的训练数据，模型能够以95%（胃）和91%（结肠）的受试者工作特征曲线（AUROC）准确检测罕见病理，包括罕见的原发性或转移性癌症。癌症的检测率分别为97.7%（胃）和96.9%（结肠）。研究中的AI工具利用热图标记异常区域，为病理学家提供指导。这项研究显著提高了罕见病理的诊断准确性，同时减轻了医生的工作量，并有助于减少漏诊。研究结果显示，该模型能够在不同扫描仪和医院之间泛化，是首个能够实现零样本泛癌症检测的AI工具。研究发表在 NEJM AI 上。

随着电子计算机在处理复杂计算任务时的性能瓶颈日益明显，光学计算成为了新的研究方向。上海交通大学的研究团队开发了一种基于光子技术的可重构处理器，旨在解决NP完全问题中的子集和问题（Subset Sum Problem，SSP）。该研究团队通过光子技术探索了全新的计算路径，展示了光学计算的潜力。

研究团队利用飞秒激光直写技术，开发了一种由1449个标准化光学元件组成的三维集成光子处理器。这一处理器通过光子并行处理的方式来求解子集和问题。具体来说，子集和问题要求确定一组数字的某个子集是否可以求和到给定的目标值。研究人员将这一问题映射到光子处理器中，使得光子能够同时探索所有可能的路径。实验中，该处理器成功以100%的准确率解决了多组子集和问题实例。

研究表明，与传统的电子计算机相比，光子处理器在处理速度和效率上具有明显优势，尤其在问题规模增加时效果更加显著。该处理器不仅能够快速求解计算难题，还具备高可编程性，适应不同的计算需求。未来，这一光子处理器有望应用于光学神经网络和光子量子计算等更为广泛的领域。研究发表在 Advanced Photonics 上。

随着人工智能和物联网技术的快速发展，深度学习对大规模并行数据处理的需求日益增加，传统计算机在这一领域表现不佳。东国大学电子与电气工程系的Sungjun Kim教授领导的研究团队，开发出了一种新型自顺应忆阻器件（memristor），为高效低功耗的神经形态计算系统提供了技术支持。

该研究通过优化铝氧化物/钛氧化物（AlOx/TiOy）层，开发出了一种自顺应忆阻器件，成功解决了导电丝（CF）形成过程中过冲电流带来的器件失效问题。该设备无需额外的晶体管支持，在32x32忆阻器交叉阵列上实现了矢量矩阵乘法（VMM），为人工智能的神经形态计算奠定了基础。

在实验中，该设备在MNIST图像分类任务中表现优异，在线学习模式下准确率为92.36%，而离线学习模式下的准确率则高达95.87%。此外，该研究还证明了基于该忆阻器阵列的尖峰神经网络（SNN）能够实现低功耗运算，分类准确率达到94.6%，与模拟结果相比仅下降了1.2%。这一成果为开发高性能、低能耗的神经形态计算系统开辟了新的路径。该研究发表在 ACS Nano 上。

北卡罗来纳大学教堂山分校的 Ron Alterovitz 和 Jim Cahoon 领导的研究团队正在研究如何通过机器人自动化和人工智能技术加速科学实验。他们通过这项研究揭示了这些技术在提升实验效率、精度和安全性方面的巨大潜力。实验室自动化不仅减轻了人类的工作负担，还为未来的科研突破提供了更多可能性。

研究团队通过将机器人系统引入化学、生物化学和材料科学等领域的实验室，提升了实验的速度、精确性和可重复性。他们提出了实验室自动化的五个层级，分别为辅助自动化（A1）、部分自动化（A2）、有条件自动化（A3）、高自动化（A4）和完全自动化（A5）。每个层级对应着不同程度的实验室自动化，从最初的部分任务自动化到最后的完全自主化操作。在较高的自动化水平下，机器人不仅能够独立执行实验，还能应对复杂的实验环境，减少人类干预。此外，人工智能系统的加入，使实验室能够自动生成数据并进行分析，从而加速整个科研循环。这项研究表明，自动化技术在健康、能源和可持续发展领域中具有巨大的应用前景。研究发表在 Science Robotics 上。

杜克大学机械工程与材料科学教授Boyuan Chen的实验室开发了一种名为SonicSense的系统，旨在增强机器人感知物体的能力。该系统基于机器人与物体接触时产生的声学振动，类似于人类利用声音判断物体材质的方式。研究人员Jiaxun Liu作为该论文的主要作者之一，系统结合了人工智能技术，并展示了其应对复杂物体的能力。

SonicSense系统由一个四指机械手组成，每个手指指尖都嵌入了接触式麦克风，通过感知与物体的互动（例如敲击或摇动）所产生的振动信号，结合AI技术来分析物体的材质及3D形状。如果是系统从未遇到过的物体，它可能需要20次不同的互动才能得出结论；而对于已知的物体，4次互动即可正确识别。该系统可以识别由多种材料组成的复杂物体，处理透明或反射表面的物体，尤其擅长在动态、无序的环境中工作。与传统依赖视觉的机器人系统不同，SonicSense通过声学感知大大增强了机器人的物体感知能力。这项研究的另一个亮点是其低成本，系统使用的组件仅需200美元。