追问daily | 超越神经科学家的GPT；优化研究设计可提高全脑关联研究的可靠性；Claude可自由设定语气与对话风格

全脑关联研究（BWAS）是一种探索大脑结构、功能与行为及健康关系的重要工具，但其重复性问题受到质疑。范德比尔特大学医学中心的研究团队通过分析大规模MRI数据，探讨了研究设计优化的可能性，并提出了实用指导。

研究分析了来自Lifespan Brain Chart Consortium的63项研究数据，总计77,695次扫描，并结合英国生物银行（UK Biobank）、阿尔茨海默病神经影像学计划（ADNI）和青少年大脑认知发展研究数据库（Adolescent Brain and Cognitive Development）的样本，评估了优化设计对BWAS效应量和重复性的影响。研究发现，扩大协变量变异性或选择纵向设计可显著提高效应量；然而，常用的纵向模型假设可能导致混淆参与者间变化与个体内变化，降低效应量和重复性。明确区分这些效应后，可分别优化研究设计，提升可靠性。研究结果表明，精心设计采样方案能够帮助研究者以较小样本实现高质量结果，为未来BWAS研究提供了宝贵指导。研究发表在 Nature 上。

阿尔茨海默病是全球范围内最主要的神经退行性疾病之一。针对其关键病理标志——大脑淀粉样蛋白积累，AMYPAD工作组提出了一种基于Centiloid（CL）量表的全新标准化方法。该研究团队由来自阿姆斯特丹大学医学中心的Lyduine Collij、隆德大学的Frederik Barkhof教授等多位专家组成，涵盖了欧洲多家研究机构与工业合作伙伴。

研究纳入1032名参与者，利用三种不同的淀粉样蛋白PET示踪剂进行数据收集和分析。通过纵向跟踪，研究确定了年积累率超过3.0 CL作为可靠的淀粉样蛋白积累标志，并建议将12–20 CL范围用于早期预防研究。研究发现，CL值的积累率不受所用示踪剂影响，且APOE ε4非携带者和高学历者的积累率较低。此外，研究团队开发了基于CL单位的简化操作指南，为临床医生和研究人员提供便利。该研究发表在 Alzheimer's & Dementia 上。

大脑机械信号破坏或为阿尔茨海默病关键诱因

阿尔茨海默病是一种以记忆丧失和认知能力下降为特征的神经退行性疾病，其发病机制尚未完全揭示。利物浦大学的 Ben Goult 教授领导的研究团队发现，大脑中机械信号通路的破坏可能是该疾病发展的关键因素。

研究团队解析了淀粉样前体蛋白和突触支架蛋白 talin 的晶体结构，证实二者在原代神经元中的位置密切相关。当 talin 被敲除时，APP 的加工过程显著改变，导致机械信号通路受损。研究提出，APP 加工是一种机械信号通路，错误加工会破坏突触的机械完整性，生成过多毒性斑块 Aβ42。这一机制可能是阿尔茨海默病记忆丧失的根本原因。此外，研究还指出，现有的抗癌药物可能通过稳定机械信号通路，为治疗阿尔茨海默病提供新方向。论文发表在Open Biology上。

阿尔茨海默病（AD）因其复杂的病理和有限的动物模型，长期以来使药物开发进展缓慢。麻省布里格姆总医院和贝斯以色列女执事医疗中心的联合研究团队，开发了一种整合路径活性分析（IPAA）平台，结合十年前的“皿中阿尔茨海默病”模型，为药物开发带来了新的希望。

研究团队通过IPAA平台分析了人类AD患者脑样本和3D细胞模型，发现两者共有83条失调路径，其中p38丝裂原活化蛋白激酶（p38 MAPK）路径在病理发展中起关键作用。实验结果表明，p38 MAPK路径的过度活化会导致阿尔茨海默病标志性病理，包括Aβ42蛋白沉积和tau蛋白病变。通过使用选择性抑制剂靶向p38 MAPK-MK2轴，研究团队成功显著减少了病理损伤。这一成果表明，结合IPAA平台和3D模型的策略可显著提高药物开发的准确性和效率。研究结果发表在 Neuron 上。

大脑神经调节的秘密：稳定功能的两大机制

比利时列日大学的神经工程实验室团队揭示了神经元如何在离子通道（ion channels）组成高度可变的情况下仍保持稳定功能。这项研究由 Arthur Fyon、Alessio Franci、Pierre Sacré 和 Guillaume Drion 主导，为理解神经调节和脑功能稳定性提供了新见解。

研究团队采用基于电导的模型模拟神经元功能，使用降维分析简化复杂数据。在分析中，他们发现两种主导神经元稳定性的机制：一种来自离子通道表达变化的内在适应能力，另一种则是与神经调节相关的系统反馈机制。这两个机制的协作使神经元信号调节能够适应变化，同时维持功能稳定性。

此外，团队开发了一种神经调节算法（neuromodulation algorithm），可以应用于仿神经形态系统如机器人和人工智能设备，为这些技术在动态环境中的自适应能力提供了可能性。在医疗领域，这一发现有助于为神经疾病设计个性化治疗方案，精准调节受影响的神经活动机制。研究成果表明，神经元的通道电导参数可以通过降维分析归纳到一个简化的空间，为神经科学建模提供了更高效的工具，并为预测药物效应提供了可靠依据。研究发布在 PNAS Nexus 上。

蒙特利尔大学研究团队与 CHARGE 联盟（基因组流行病学心脏与衰老研究联盟）合作，揭示白质高信号（WMH）与大脑皮质变薄及痴呆风险的遗传机制。研究由 Zdenka Pausova 教授和 Tomas Paus 教授领导，团队分析了 51,065 名欧洲血统参与者的数据，提供了 WMH 的遗传机制及其对痴呆风险影响的重要证据。

研究基于 MRI 扫描，发现 WMH 的体积越大，大脑皮质越薄，尤其是在整合情感和认知功能的岛叶（insula）。通过全基因组关联元研究（meta-GWAS），团队发现 20 个显著基因位点，其中 15 个位点与皮质内的基因表达相关，这些基因参与轴突运输和细胞骨架组织。研究表明，遗传信号集中于血管细胞和支持神经元健康的星形胶质细胞及少突胶质细胞。

此外，研究构建了多基因风险评分，在芬兰的独立数据集中验证了遗传风险对血管性痴呆和全因痴呆的预测作用。这一研究首次揭示了 WMH 的遗传基础与皮质萎缩及痴呆风险的直接关联，强调血管健康和遗传易感性在理解痴呆发病机制中的重要性。研究发表在Nature Communications 上。

随着人工智能技术逐步进入临床实践，确保其安全性与有效性成为首要任务。德克萨斯大学休斯顿健康科学中心的 McWilliams 生物医学信息学院教授 Dean Sittig 和贝勒医学院的 Hardeep Singh 博士提出了一套切实可行的解决方案，重点关注 AI 系统的治理和风险管理。这项研究发表在American Medical Association Journal 上。

研究团队基于专家意见、文献综述及健康 IT 的实践经验，提出了一系列具体建议以提升 AI 的安全性。针对机器学习和生成式 AI 可能出现的模型漂移（model drift）、过拟合（overfitting）以及“幻觉”等问题，研究建议医疗机构采取以下措施：1）建立专门委员会，监督 AI 部署并定期评估其表现；2）对临床医生进行 AI 使用和风险管理培训；3）建立详细的 AI 系统清单，定期排查潜在风险；4）在 AI 系统出现故障时，实施可靠的人工接管机制。这些建议意在确保 AI 在医疗服务中的安全使用，并最终提升患者的健康结局。

近日，2024年度NeurIPS大会颁布了两项时间检验奖（Test of Time Awards），表彰了GAN（生成对抗网络）和Seq2Seq（序列到序列模型）两篇开创性论文对人工智能领域的深远影响。这是NeurIPS历史上首次同时颁发两项该奖项。

GAN由Yoshua Bengio、Ian Goodfellow等研究人员提出，通过生成器（Generator）和判别器（Discriminator）的对抗训练，实现高质量的数据生成。生成器模仿真实数据生成样本，而判别器负责识别数据真假。两者博弈推动了模型能力的持续提升。GAN不仅在图像生成、艺术创作等领域表现出色，还对深度学习的生成模型研究产生了深远影响。

Seq2Seq则由Ilya Sutskever、Oriol Vinyals和Quoc V. Le提出，为解决传统神经网络无法应对输入输出序列长度不一致的问题，采用了编码器与解码器架构。该方法大幅提高了机器翻译质量，成为后续大型语言模型（如Transformer）的理论基础。

两篇论文分别获得了超过85,000次和27,000次引用，显示出其在研究和应用中的巨大价值。研究团队也因这些成果接连获奖。值得一提的是，GAN和Seq2Seq的提出者们均已从谷歌离职，其中Ilya专注于安全超级智能的创业，而Ian则在与顽疾抗争。NeurIPS官方将在12月13日举行相关Q&A环节，期待更多深入讨论。

Google DeepMind 最近发布了一项突破性的视频编辑技术——Generative OmniMatte。该技术可以将视频分解为多个具有全透明背景的 RGBA 图层，每个图层包含一个独立的物体及其相关效果（如阴影、反射）。这项技术类似于 Photoshop 在静态图像中的操作，但它专为视频设计，适用于复杂动态场景。

Generative OmniMatte 的核心在于预训练的视频扩散模型和自定义遮罩技术 Trimask。通过这些技术，系统能够精准识别视频中的前景对象及其环境关系，生成语义明确的分层结果。例如，在动态背景中，用户可以单独调整某个人物的运动轨迹或替换场景背景，而不影响其他内容。这一技术甚至可以移除视频中的物体，如路人或杂物，同时自动修复被遮挡的背景。

相比传统视频编辑技术，Generative OmniMatte实现了三大关键突破：动态场景分层：支持移动摄像头或复杂动态场景的精确分层；智能物体移除：在移除对象的同时修复其相关的阴影或反射，保持视频的自然感；创意编辑功能：通过分层操作，用户可以重组场景、调整对象特性，甚至在多物体复杂场景中精准处理互动效果。

DeepMind的研究团队通过多个数据集（如静态背景 Omnimatte 数据、动态背景 Tripod 数据）优化了模型性能，使其在各种场景下都能输出高质量的分层结果。这项技术为电影后期制作、广告创意甚至普通用户的视频编辑需求提供了强大的工具支持。未来，Generative OmniMatte有望成为视频创作者的“必备神器”。

Claude AI近日推出了一项突破性的功能，允许用户通过预设和自定义样式灵活调整AI对话的语气与形式。这项创新旨在提升人机交互的自然性和高效性，为用户提供更个性化的体验。

预设样式功能包括Normal（普通）、Concise（简洁）、Formal（正式）和Explanatory（解释说明）四种模式，分别适用于日常沟通、快速回复、专业场景和教学场景。例如，Formal模式以正式且结构清晰的表达满足专业需求，而Explanatory模式则适合深入探讨复杂概念。

自定义样式功能进一步扩展了Claude的适用范围。用户可通过上传写作样本或详细描述需求来打造专属风格。自定义选项涵盖语气、语调、目标受众等，并支持实时调试以确保生成内容精准匹配用户期望。这种灵活性使Claude能够满足教学、分析和创作等多种场景的需求。

此外，Claude还提供样式管理功能，方便用户随时切换对话模式、调整样式顺序，并支持样式重命名和编辑。通过这些功能，用户可以高效地完成从简洁电邮到复杂教学材料的多种任务。

科学研究需要分析海量的文献数据，而人工智能正在成为应对这一挑战的重要工具。伦敦大学学院（UCL）牵头，联合剑桥大学、牛津大学、德国马克斯普朗克行为神经生物学研究所、土耳其比尔肯特大学等多个国际机构的研究人员，共同探索了人工智能是否能超越人类专家预测神经科学研究结果的可能性。

研究团队开发了 BrainBench 工具，对比评估人工智能模型（LLMs）与人类专家在预测实验结果上的表现。BrainBench 包括一系列对照实验摘要对，每对摘要分别包含一个真实结果和一个经过专家修改但错误的结果。测试结果显示，LLMs 的预测准确率平均为 81%，远高于人类专家的 63%。即使是高度专业领域的人类专家，其正确率也仅为 66%。

此外，研究团队进一步调整了一个开源的 Mistral 模型，使其专注于神经科学领域，并命名为 BrainGPT，该模型的预测准确率达到 86%。研究还表明，LLMs 的预测信心与准确率呈正相关。这项研究成果表明，大型语言模型在识别科学文献中的模式并预测实验结果方面具有显著优势，这为未来的科学研究和实验设计优化提供了新的工具和思路。研究发表在 Nature Human Behaviour 上。

德克萨斯大学奥斯汀分校的研究团队通过生成人工智能技术，成功实现了从音频录音生成真实感街景图像的突破。研究由Yuhao Kang教授领导，其团队结合计算机科学和地理学的跨学科优势，探讨声学环境与视觉认知之间的潜在联系。

研究开发了一种创新的“声景到图像扩散模型”，包括低分辨率扩散模型和超分辨率扩散模型两个部分。研究数据集来自全球范围内多样的城市和乡村街景，通过从YouTube视频中提取音频和图像配对，将音频转化为高维语义向量。

研究发现，声学环境中包含足够的视觉线索，可以生成准确的街景图像。这些图像在绿色植被、建筑比例和天空占比上，与实际街景具有高度相似性。同时，生成图像能够捕捉建筑风格和时间特征，如日夜变化等。人类参与者在生成图像与音频匹配任务中准确率高达80%。研究结论为多感官体验的地理学研究提供了新思路，并拓展了人工智能在人类与环境关系研究中的潜在应用。研究发表在Computers, Environment and Urban Systems上。

2024年，John Hopfield、Geoffrey Hinton、David Baker、Demis Hassabis和John Jumper因人工智能在物理和化学中的突破性应用分别荣获诺贝尔物理学奖和化学奖。卡内基梅隆大学泰珀商学院与Calculation Consulting的研究团队，包括Ganesh Mani教授与Charles Martin顾问，借此撰文分析跨学科研究在推动人工智能发展中的作用。

团队通过历史回顾分析了神经网络的发展历程，并探讨其从物理学、化学到人工智能的应用延伸。文章特别提到Hopfield在神经网络稳定性方面的贡献（如Hopfield模型）及Hassabis团队利用AlphaFold预测蛋白质结构的突破性成果，展示了理论发现与工程实践的双向推动作用。研究进一步指出，未来的人工通用智能需要跨学科的深度合作，并呼吁培养能融合物理、化学与AI知识的复合型人才。研究发表在Patterns期刊。