追问daily | 诺奖得主首次模拟自然细胞间通信机制；通过皮肤触摸实现虚拟现实控制；经颅磁刺激可减少幻听

巴塞尔大学的研究团队通过构建具有人工细胞器的合成细胞，首次成功模拟了基于光受体的自然细胞通信机制。该研究由巴塞尔大学Cornelia Palivan教授和格罗宁根大学、2016年诺贝尔化学奖得主Ben Feringa教授领导。

这项研究利用微流控技术设计了聚合物基的发送细胞和接收细胞系统，其中发送细胞内部的纳米容器含有光敏分子，光脉冲激活后释放信号分子“物质A”，通过孔道传递到接收细胞。

在接收细胞中，“物质A”被吸收并在人工细胞器中通过酶转化为荧光信号，证明了信号传递的成功。研究团队还模仿视网膜光受体中的钙离子调控机制，设计了接收细胞对钙离子的反应，能够调节荧光信号的强度，实现信号的抑制和调节。这一创新使得合成细胞通信系统在时间和空间上具备了可控性，进一步接近自然细胞的复杂通信网络。研究发表在 Advanced Materials 上。

微创神经接口技术为神经疾病治疗提供新途径

神经系统疾病的诊断和治疗往往依赖于开颅手术，然而这类手术伴随较高的风险。为了解决这一问题，莱斯大学和德克萨斯大学医学分部的研究团队开发了一种微创的神经接口技术。

这项研究开发了一种名为内泡神经接口（ECI，Endocisternal Interfaces）的新型技术，该技术通过脑脊液（CSF）通道连接大脑和脊髓，实现了无创电记录和电刺激。研究人员通过简单的腰椎穿刺，将柔性导管插入脊髓蛛网膜下腔，并通过脑脊液引导电极到达大脑和脊髓的目标区域。该方法不仅大大降低了手术风险，还避免了传统方法需要抗血栓药物的限制。在绵羊模型中，研究小组成功地进行了电刺激、信号记录及电极重新定位，且植入后30天内未出现明显损伤。该技术为中风康复、癫痫监测等神经治疗领域提供了新的治疗可能。研究发表在 Nature Biomedical Engineering 上。

该研究由约翰·霍普金斯大学领导，结合老年痴呆症风险控制生物标志物（BIOCARD）队列的数据，开展了一项长期的脑部健康研究。研究团队分析了 185 名认知正常的中老年人，研究其大脑变化与认知衰退之间的关系。

该研究追踪了 185 名参与者平均 20 年，使用磁共振成像（MRI）扫描和脑脊液（CSF）测试来测量大脑结构变化和与阿尔茨海默病相关的蛋白质水平。研究发现，高白质萎缩率和脑室扩大是 MCI 进展的显著预测因素。特别是，白质萎缩增加了 86% 进展为 MCI 的风险，而脑室扩大增加了 71%。此外，糖尿病和脑脊液中 Aβ42 β40 比例较低的个体，进展为 MCI 的风险分别提高了 41% 和 48%。当糖尿病和低比例的 Aβ42β40 同时存在时，MCI 进展的风险增加了 55%。这些发现突显了早期识别加速脑萎缩和不良生物标志物的重要性，以便为高风险个体制定更有效的预防策略。研究发表在 JAMA Network Open 上。

低剂量氯胺酮迅速缓解抑郁症状

氯胺酮是一种自20世纪60年代起用于麻醉的药物，近年来被发现具有治疗重度抑郁症的迅速效果。布法罗大学的Gabriela K. Popescu带领的研究小组，探讨了低剂量氯胺酮的抗抑郁机制，并揭示了其如何在短时间内显著缓解抑郁症状。

研究团队使用电生理学、结构突变和分子模拟等方法，研究了不同浓度下氯胺酮对NMDA受体的作用。研究发现，在低剂量（纳摩尔浓度）下，氯胺酮并不阻止受体孔道的电流，而是通过与受体的疏水性侧面结合位点结合，稳定受体在未完全开放的状态，从而选择性地减缓背景活跃受体的开关速度。研究还表明，这种变构性抑制作用避免了突触样受体的激活，并优先作用于那些由环境水平的神经递质持续激活的受体。这种机制解释了氯胺酮如何在不引发麻醉效果的情况下，缓解抑郁症状，并维持长期的效果。

该研究为低剂量氯胺酮的临床应用提供了新的理论基础，同时也为开发新型抗抑郁药物提供了潜在的靶点，尤其是针对NMDA受体侧面结合位点的药物。研究发表在 Molecular Psychiatry 期刊。

该研究由安徽医科大学领导，研究团队通过随机临床试验探索影像导航的重复经颅磁刺激（rTMS）治疗精神分裂症患者听觉言语幻觉（AVH）的效果。AVH是精神分裂症常见且严重的症状，传统治疗效果有限，亟需新的治疗方案。

研究通过一项为期六周的双盲、假对照、随机临床试验，纳入62名精神分裂症患者。参与者被随机分配到接受活性rTMS或假治疗两周，治疗目标是左侧颞顶交界处，这一脑区与AVH的产生密切相关。主要结果通过幻听评定量表（AHRS）评估，发现活性rTMS组在第二周的AHRS评分显著降低，且效果在第六周得以持续。更强的TMS诱导电场与AVH症状改善相关。研究表明，MRI导航rTMS能够安全且有效地缓解精神分裂症患者的幻听症状，为AVH治疗提供了新的治疗思路。研究发表在 JAMA Network Open 上。

早期细胞膜的形成机制

生命的起源一直是科学界关注的焦点，尤其是第一个细胞膜是如何形成的。加州大学圣地亚哥分校化学与生物化学教授Neal Devaraj及其研究团队，致力于探索生命起源的化学机制，提出了一个通过简单分子反应生成细胞膜的假设。

研究人员采用了氨基酸半胱氨酸和短链胆碱硫酯两种简单分子，并在二氧化硅催化下，通过水中低浓度的反应形成了二酰基脂质。这些脂质能够生成原始细胞样的膜囊泡，稳定性足以维持生化反应的进行。该研究不仅揭示了简单分子如何自发生成细胞膜，还表明不同的短链分子可能在早期生命进化过程中提供了构建细胞膜的关键材料。这一发现为理解生命从无机物到有机物的转变提供了新的视角。研究发表在 Nature Chemistry 上。

传统心电图技术在临床应用中已存在数十年，尽管如此，技术并未发生显著变化。辛辛那提大学医学院Richard Becker教授团队，开展了这项研究，目的是评估一种新型无线心电图贴片设备的有效性。

研究团队招募了200名患有稳定心血管疾病的患者，进行传统12导联心电图（S-ECG）与新型无线心电图贴片（P-ECG）的比较。所有心电图均由经验丰富的专家解读。研究结果显示，P-ECG在提供心电图数据的速度上明显优于S-ECG，仅需1.4分钟（S-ECG为2.4分钟）。更重要的是，P-ECG在减少影响解读的基线伪影方面表现出色，伪影出现率为6.5%，显著低于S-ECG的15%。此外，47%的参与者更偏好P-ECG，52%的参与者对两者没有偏好。

无线心电图贴片在提高心电图数据准确性、减少伪影、提高操作效率等方面具有优势，特别适用于稳定心血管疾病患者的门诊检查，具有较高的临床应用潜力。研究发表在 Clinical Research in Cardiology 上。

近日，博睿康医疗科技有限公司与清华大学生物医学工程学院洪波教授团队合作研发的脑机接口产品NEO，在华山医院顺利完成上海首例临床试验植入手术。这一手术标志着该产品在创新医疗器械特别审查程序后的首次人体植入，推动了脑机接口技术向临床应用迈出了重要一步。NEO产品采用了自主研发的“在线时域空域脑功能定位系统”，能够精准定位脑区，无需术中唤醒患者，为患者提供了高效的康复支持。此次手术的患者为38岁男性，因车祸导致颈椎脊髓损伤，术后恢复良好，第三天已能下床坐轮椅。

该产品目前处于临床试验阶段，预计通过多中心临床试验后取得三类医疗器械注册证。博睿康的创始人胥红来表示，上海市政府积极推动企业与顶级医院合作，为技术验证和优化提供了强大支持，并为脑机接口技术的产业化铺平了道路。博睿康目前正计划与上海顶尖的半导体设计企业合作，进一步提升系统性能，推动国产化进程。

神经胶质瘤（Glioma）是一种常见的脑肿瘤，术后残留肿瘤是影响患者生存率和生活质量的重要因素。为了更好地识别手术中的残留肿瘤，密歇根大学和加州大学旧金山分校的研究团队开发了FastGlioma，这是一种基于人工智能的诊断工具，能够快速且高效地检测残留肿瘤，为外科手术提供实时指导。团队的研究由密歇根大学健康中心神经外科Todd Hollon和加州大学旧金山分校神经外科Shawn Hervey-Jumper主导。

研究团队开发的FastGlioma技术结合了光学显微镜成像与人工智能，能够在10秒内检测到神经胶质瘤手术中的肿瘤残留部分。研究通过使用约400万张图像进行训练，使得该模型能在没有人工标签的情况下，准确预测肿瘤浸润的程度。该技术在220名弥漫性神经胶质瘤患者的手术标本测试中表现出92%的准确率，明显优于传统图像引导和荧光引导方法。在一项前瞻性对比研究中，FastGlioma的漏检率仅为3.8%，而传统方法的漏检率高达25%。此外，FastGlioma的高效性在不同患者群体和不同类型的神经胶质瘤中均表现良好，且具有跨癌种应用的潜力，可以推广到其他成人和儿童脑肿瘤的诊断中。研究发表在 Nature 期刊上。

新生儿重症监护病房（NICU）中神经系统的变化可能影响婴儿的健康，然而现有的检测方法往往不够连续和精确。西奈山医院的研究团队，包含了临床医生、科学家和工程师，提出了一种新的方法，通过人工智能（AI）分析视频数据来预测这些神经系统变化。

研究人员收集了来自115名婴儿的视频脑电图数据（视频时长超过282,301分钟），并训练了一个深度学习姿态识别算法来分析婴儿的运动。通过算法，研究人员可以精准追踪婴儿的运动轨迹，并利用这些数据预测婴儿是否出现脑功能障碍或是否接受了镇静。研究结果显示，AI算法在预测镇静和脑功能障碍方面表现出很高的准确性，分别达到ROC曲线下的面积0.90和0.91。此外，婴儿的运动量随着年龄的增长而增加，镇静和脑功能障碍的发生显著减少婴儿的运动量。这项研究的成功表明，Pose AI（姿态人工智能）可以作为一种有效的工具，在NICU中提供实时的神经遥测，有助于医生及时发现问题并进行干预。该技术提供了一种非侵入性、可扩展的连续监测方法，具有广泛的应用前景。研究发表在 eClinicalMedicine 期刊。

卡内基梅隆大学人机交互研究所的研究团队开发了一种名为EgoTouch的人工智能工具，旨在利用普通的RGB摄像头识别皮肤触摸，通过这一创新实现虚拟现实（VR）和增强现实（AR）界面的控制。该团队的目标是创建一种无需特殊硬件就能实现触觉反馈的系统，突破传统设备的限制。

EgoTouch采用了一种定制的触摸传感器，沿着手指和手掌下侧收集数据，能够检测不同触摸类型和力度。通过机器学习模型，系统成功地训练摄像头识别皮肤上的触摸行为，且无需人工注释。在15名不同肤色和发量的用户数据支持下，EgoTouch的触摸识别准确率达到了96%以上，且误报率仅为5%。此外，EgoTouch能够有效区分不同的触摸动作，如按下、抬起、拖动，并能够辨别轻触和重触。研究表明，该系统在不同的肤色和手部区域中表现稳定，但在骨骼凸起部位如指关节上表现较差。

Mollyn博士进一步指出，EgoTouch不需要额外的硬件校准，且能够即插即用，是虚拟和增强现实界面交互中的一次重大突破。该团队也在探索夜视技术，使其能够在黑暗环境下工作，并将触摸检测技术扩展到皮肤以外的其他表面。研究发表在 Proceedings of the 37th Annual ACM Symposium on User Interface Software and Technology 上。

研究团队来自宾夕法尼亚大学工程与应用科学学院，致力于开发一种新型机器人感知系统，以应对传统视觉传感器在恶劣天气条件下的局限性。

PanoRadar是一种创新的无线电波成像系统，能够将射频（RF）成像分辨率提升至接近激光雷达（LiDAR）水平，并且能够在烟雾、雾霾等恶劣环境下正常工作。其工作原理基于旋转的毫米波雷达阵列，通过发射无线电波并接收反射信号生成高分辨率的3D图像。该系统结合了新型的信号处理技术和人工智能（AI）算法，能够准确地估计机器人运动，确保成像的一致性。

PanoRadar的高分辨率成像能力使其能够完成包括表面法线估计、语义分割和物体检测在内的多种视觉识别任务，并在12栋不同建筑的现场测试中表现出色。尤其是在烟雾和玻璃墙等遮挡物存在的环境中，PanoRadar依然能够保持精确的导航和环境感知能力。研究团队计划将PanoRadar与摄像头、LiDAR等其他传感器结合，进一步提升机器人的感知能力，开辟更多应用场景，特别是在自动驾驶和紧急救援任务中具有重要意义。研究发表在 IEEE Transactions on Robotics 上。

这是首次通过观看手术视频训练机器人进行外科手术的研究，标志着机器人手术领域的重要突破。该研究由约翰·霍普金斯大学（Johns Hopkins University）和斯坦福大学（Stanford University）的研究人员共同完成，旨在通过模仿学习技术加速机器人手术训练，并推动机器人手术走向完全自主化。

研究团队通过模仿学习训练达芬奇手术机器人（da Vinci Surgical System）执行基本的外科操作。该系统的运动学存在一定的精度问题，通常会导致机器人执行不精确的动作。为了解决这一问题，研究人员采用了相对动作（relative action）模型，这使得即使使用不精确的运动学数据，机器人仍能成功完成手术任务。通过向模型输入大量手术视频，机器人能够学习并执行包括操控针头、组织处理和打结在内的三项基础手术任务。研究人员表示，这一方法使得机器人可以在短时间内学习各种复杂手术任务，为未来的完全自主手术奠定了基础。该研究不仅加快了机器人手术的学习过程，还可能减少医疗错误，并提升手术精度。

随着人工智能（AI）技术不断发展，学术界对其潜在风险的评估逐渐成为焦点。为此，Fariba Karimi教授领导的复杂性科学中心（Complexity Science Hub, CSH）团队，在英国皇家学会期刊中发表了相关研究。研究表明，现有的人工智能风险评估框架未能考虑技术与社会之间复杂的相互作用，亟需在评估方法上进行创新。

研究团队认为，传统的人工智能风险评估方法过于侧重短期和具体的危害，如技术偏见和安全问题，但忽视了这些技术带来的长期系统性风险。因此，他们提出，评估AI风险时应采用复杂系统的视角。这一方法不仅关注技术的短期影响，还考虑技术与社会背景之间的反馈机制。

为了更好地模拟这些复杂的互动，研究团队建议使用计算模型，如模拟AI对社会群体的影响，尤其是在社会网络中少数群体的表现。这些模型能够展示AI偏见如何在长期反馈中加剧社会不平等，并为政策制定者提供实际的见解。此外，研究还强调了公众参与的重要性。通过多元化的专家与公众协作，能够更全面地评估AI带来的潜在风险，确保评估过程反映出所有受影响群体的需求与声音。该研究发表在 Philosophical Transactions A 期刊上。

现有的因果推理方法在处理复杂动态系统，尤其是非线性和非平稳的变量相互作用时，面临很大挑战。为了解决这一问题，埃默里大学的Josuan Calderon和Gordon Berman副教授等团队成员，提出了一种名为因果推理时间自动编码器（TACI，Temporal Autoencoders for Causal Inference）的新方法。该方法能有效捕捉和量化复杂系统中的时变因果关系。

TACI结合了新的代理数据指标和双头机器学习架构，能够识别和量化随时间变化的因果交互作用。研究团队首先在合成数据上测试了该方法，结果表明，TACI能够成功检测到非线性、非平稳系统中的因果变化。然后，他们将这一方法应用于实际数据，包括德国耶拿的气象数据和猴子的脑成像数据。在气象数据中，TACI成功识别出温度对其他气象变量的影响，尤其是在温度下降时因果关系最为明显；在猴子的脑成像数据中，TACI能清晰地检测到麻醉前后大脑区域之间因果关系的变化。研究还表明，TACI与其他传统方法相比，具有更高的准确性和有效性，为理解时变因果关系的机制提供了新的视角。然而，TACI仍然需要较强的计算能力，研究团队计划优化模型以提高效率。研究发表在 eLife 上。