追问weekly | 过去一周，脑科学领域有哪些新发现？Vol.40

疼痛信号的传递依赖于钙通道（如CaV2.2）将电信号转换为生化信号。然而，现有针对该通道的药物（如加巴喷丁）治疗慢性疼痛的效果有限，完全阻断CaV2.2的药物则存在严重副作用。为探索更精准的治疗途径，瑞典林雪平大学的Antonios Pantazis团队聚焦于CaV2.2的分子机制，研究发表于 Science Advances。

团队采用电压钳荧光法，研究了G蛋白（G-protein）对CaV2.2通道四个电压感应器域（Voltage-sensor domains，VSD）的影响。结果表明，G蛋白通过抑制VSD-I和VSD-IV的激活，使通道变得“不情愿”响应电信号，减少钙离子流入，抑制疼痛信号传递。这种发现为设计更精准、低副作用的疼痛治疗药物提供了分子基础。研究发表在 Science Advances 上。

大脑功能网络的出生过渡变化显著揭示早期发育特征

纽约大学医学院的Lanxin Ji和Moriah Thomason领导的研究团队，通过分析覆盖妊娠后25至55周的功能磁共振成像（fMRI）数据，揭示了人脑功能网络在出生过渡阶段的发育特征。这项研究填补了生命早期脑网络动态变化的知识空白，为探索环境因素对脑发育的影响奠定了基础。

团队分析了140名受试者的静息态功能连接，观察到不同脑区的发育模式存在区域特异性。例如，皮质下网络在出生过渡阶段通信效率显著提升；感觉运动网络和顶叶-额叶区域则表现出整体效率的渐进提升，这可能与神经连接的强化及冗余连接的优化有关。此外，跨半球的功能连接，如双侧感觉运动网络和双侧颞叶网络的连接，也在出生时显著增强。这些发现首次全面记录了出生过渡期间大脑功能网络的显著变化。研究发表在 PLOS Biology 上。

苔藓纤维突触的分子重组揭示记忆形成的基础机制

海马体是大脑中关键的记忆中心，其突触活动的分子机制一直是神经科学的研究热点。来自奥地利科学技术研究所和马克斯·普朗克多学科科学研究所的国际团队，通过尖端技术揭示了苔藓纤维突触在记忆形成中的重要作用。

研究团队使用了一种名为“Flash and Freeze”的新技术，对小鼠海马体苔藓纤维突触进行了高精度观测。这种技术能够瞬间冻结神经元，保留动态信号传递过程中的分子状态。通过化学增强方法（福斯可林），结合电子显微镜和冷冻断裂标记（freeze-fracture replica labeling, FRL），研究揭示了突触释放区的显著变化：可释放囊泡池的数量增加了146%。Munc13-1（启动蛋白）和CaV2.1钙通道的空间距离缩短，信号传递更高效。结构变化与功能增强呈正相关，表明这些纳米级的重组是记忆形成的重要基础。

这些结果表明，突触活动中的微观结构重组为记忆储存提供了支持，并进一步强调了苔藓纤维突触的高可塑性。研究成果发表在PLOS Biology 上。

骨骼发育的多组学蓝图揭示基因调控网络

威康信托桑格研究所与多个国际合作机构共同研究了人类骨骼和关节的发育机制。这项工作是“人类细胞图谱”项目的一部分，旨在揭示胚胎发育中的细胞命运和基因调控机制。

研究团队采用单细胞转录组学和表观遗传学技术，对超过 33.6 万个细胞核进行了分析，并结合 ISS-Patcher 工具定位细胞分布。在受孕 5-11 周期间，研究描述了软骨细胞和骨细胞的分化轨迹，发现软骨内成骨和膜内成骨两种骨生成模式，并指出头骨顶部无需软骨支架即可直接生成骨组织。

通过 SNP2Cell 工具，研究团队关联了骨关节炎（osteoarthritis）等多基因疾病的潜在调控网络。他们还通过模拟计算预测了颅缝早闭等病理性基因变异的影响，揭示了影响这些疾病的细胞状态和分子机制。这项研究不仅描绘了骨骼发育的动态蓝图，还探索了孕期药物对骨骼发育的潜在干扰，进一步推动了新型治疗方法的研发。研究成果发表在 Nature 上。

大脑机制的双重作用助力习惯的养成与打破

都柏林三一学院心理学院的Eike Buabang及其团队在Claire Gillan教授的指导下，研究了人类大脑在习惯养成与破坏中的作用。研究结合实验室数据和现实案例，为个人发展及精神健康领域提供新方法。

研究发现，习惯的形成依赖两个关键大脑系统：刺激-反应系统（S-R）与目标导向系统（A-O，Action–Outcome）。当S-R系统占主导时，人们更容易受到自动反应驱使，形成习惯行为，例如无意识刷社交媒体。而通过重复某行为并给予奖励，可加深S-R系统的关联，从而帮助养成新习惯。此外，调整环境（如减少干扰物）可降低不良行为的发生。

为了打破习惯，该团队建议弱化S-R系统链接，如通过改变环境避免刺激，或引入竞争性反应来取代旧行为。例如，通过目标导向干预，培养新的反应路径。此外，他们还提出“如果-那么”计划（If-Then Plans）和行为疗法（如暴露疗法）能有效辅助习惯管理。

研究展示了这些方法在治疗强迫症、成瘾及饮食障碍等领域的潜力，并强调根据个体神经生物特性进行个性化干预的重要性。研究发表在 Trends in Cognitive Sciences 上。

由耶路撒冷希伯来大学认知与脑科学系的 Ariel Goldstein 博士领导，研究团队与以色列谷歌研究院及纽约大学医学院合作，探讨人脑是否像深度语言模型（Deep Language Models, DLMs）一样，通过连续的嵌入空间（embedding space）理解语言。这项研究挑战了传统心理语言学中基于符号规则的模型。

研究团队使用高密度脑电极记录三名参与者的额下回（IFG）神经活动，记录其在收听30分钟播客时对单词的神经响应。通过生成每个单词的大脑嵌入（Brain Embedding），研究人员发现，这些神经表示的几何模式与深度语言模型的上下文嵌入空间（Contextual Embeddings，捕捉单词在不同语境下关系的高维向量）高度相似。这种相似性允许团队通过零样本推理（Zero-Shot Inference）预测大脑对未曾遇见过的单词的反应。

结果显示，基于上下文的嵌入模型比传统静态模型更符合人脑的神经活动，表明大脑使用动态、上下文敏感的机制处理语言，而非依赖固定词义。这项研究为理解语言的神经编码提供了新视角，并为人工智能与神经科学交叉领域的研究奠定了基础。研究发表在 Nature Communications 上。

西奈山伊坎医学院的研究团队，包含 Girish N. Nadkarni 和 Eyal Klang等，探索了如何在医疗系统中优化使用大型语言模型（LLMs），如 GPT-4-turbo-128k。这些工具通过自动化任务提升了效率，但高昂的运行成本限制了其广泛应用。本研究旨在平衡性能和经济性，为医疗机构提供可操作的解决方案。

研究团队利用真实患者数据测试了 10 个不同规模和能力的 LLMs，进行了超过 30 万次实验。任务包括回答临床问题、整理研究数据和筛选患者等。他们将多项任务合并后输入模型，以评估其在逐步增加的负载下的表现。结果显示，像 Llama-3–70b 和 GPT-4-turbo-128k 这样的高容量模型能够处理高达 50 项同时任务，且准确性基本不受影响。经济分析显示，这种任务分组策略可以将成本降低至原来的 1/17，节省大规模医疗系统数百万美元。

研究还发现，尽管模型在高负载下可能偶尔出现性能下降，但优化策略能显著减轻这一问题。任务分组既能提高效率，又能降低运行成本，为医疗系统大规模应用 LLMs 提供了重要的实践指导。研究发表在 npj Digital Medicine 上。

认知科学领域对体育专长与工作记忆之间的关系一直颇为关注，但此前缺乏系统性荟萃分析。芬兰于韦斯屈莱大学心理学系的 Active Mind 小组对此展开研究，副教授 Piia Astikainen 领导博士生吴晨晓，作为 SportsFace 项目的一部分，旨在探索体育活动对认知功能和社会认知的影响。

研究团队通过检索七大数据库，收集了涉及1455名参与者的21项研究数据，涵盖篮球、足球、击剑等运动。采用随机效应模型进行数据分析，并评估了风险偏倚和发表偏倚。结果表明，运动员的工作记忆表现显著优于非运动员，效应值为 Hedges' g = 0.30，尤其是与久坐群体对比时优势更为显著。此外，当久坐群体被排除时，优势有所降低。这表明，体育活动与较好的工作记忆表现有一致关联，而久坐生活方式与较差的工作记忆表现相关。研究成果支持体育活动对大脑健康的积极影响，并强调了运动在认知领域的重要作用。研究发表在 Memory 杂志上。

时差和轮班工作等昼夜节律紊乱现象在现代生活中十分普遍，但其对人体健康的具体影响尚不完全清楚。由萨里大学的Jonathan Johnston教授和阿伯丁大学的Alexandra Johnstone教授领导的研究团队，通过对照实验探讨了5小时昼夜节律紊乱对新陈代谢的短期影响。

研究团队招募了14名健康成年人，采用了为期8天的严格控制实验。实验设计包括延迟参与者5小时的睡眠和饮食周期，模拟时差效应，并通过褪黑激素（melatonin）检测验证昼夜节律的相位延迟。研究观察了以下几个关键结果：1. 早餐胃排空速度减慢。2. 空腹血糖降低，但餐后血糖和甘油三酯水平升高。3. 进食的热效应显著降低。

尽管如此，这些代谢紊乱大多在48-72小时内恢复，表明短期昼夜节律紊乱的代谢影响是暂时的。研究还指出，相较于代谢恢复，睡眠和警觉性的损害恢复需要更长时间。该研究发表在 iScience 期刊上。

减肥后的体重反弹现象一直是治疗肥胖的主要挑战，特别是这种现象的分子机制仍未完全明晰。苏黎世联邦理工学院的研究团队，由Ferdinand von Meyenn教授领导，首次发现脂肪细胞中存在一种肥胖的表观遗传记忆，可能是“溜溜球效应”的关键原因。

研究团队使用单核RNA测序技术分析了小鼠和人类的脂肪组织。他们发现，肥胖会在脂肪细胞核中引发特定的表观遗传变化，这些变化即使在减重后仍然持续。这种“肥胖记忆”使脂肪细胞对代谢刺激的反应减弱，并更容易恢复肥胖状态。在小鼠实验中，携带这种记忆的小鼠在恢复高脂肪饮食时体重反弹加速。人类脂肪组织的分析也显示类似的基因表达变化，进一步证实了这一机制。研究强调，目前尚无法通过药物清除这些表观遗传标记，但未来针对这些变化的干预可能会帮助长期减重。研究结果发表在 Nature 杂志上。

圣路易斯华盛顿大学的心理与脑科学系团队，由Jeff Zacks教授带领，与麦凯维工程学院的Aaron Bobick教授等合作，开展了一项关于人类认知和事件分段的研究。研究旨在探索大脑如何通过事件分段理解生活，并验证预测不确定性在事件模型切换中的作用。

研究团队开发了一种基于递归神经网络（RNN）和贝叶斯推理的计算模型。模型使用18小时自然人类活动数据训练，包括做饭和清洁等日常任务，并用3.5小时数据测试。结果显示，基于预测不确定性分段的模型表现优于基于预测误差（Prediction Error）的模型，更接近人类在事件分段和分类上的表现。进一步的实验显示，大脑在事件观察中更关注关键的边界点，如动作开始或结束。这一发现为阿尔茨海默病等记忆障碍的干预方法提供了潜在思路。研究发表在 PNAS Nexus 上。

美国Winona州立大学研究团队，研究了生成式人工智能（AI）图像工具对化学家形象生成的表现。该研究旨在探讨AI生成的化学家图像是否能准确反映现实中的性别、种族和残疾多样性。

研究选用了四种生成式人工智能工具（Adobe Firefly、DALL·E2、Craiyon和DreamStudio），生成了200张化学家的肖像图像，并结合美国国家科学基金会（NSF）的统计数据以及美国化学学会（ACS）的准则进行分析。结果显示，虽然整体图像的性别比例与NSF数据相符，但个别AI工具表现出明显偏见。例如，有的工具完全忽略了少数族裔和残疾人，另一些则倾向于将女性和少数族裔设定为“助理”角色，而白人男性占据“领导者”形象。

研究进一步揭示了AI在社会刻板印象基础上放大偏见的机制。例如，通过调查Winona州立大学学生对“化学家形象”的认知，发现即使是少数族裔或女性学生，也倾向于描述化学家为“白人男性”。这些发现凸显了AI在生成图像时的潜在偏见问题，并提出改进AI模型以更准确反映社会多样性的必要性。研究发表在 Journal of Chemical Education 上。

慕尼黑工业大学（TUM）Alin Albu-Schäffer 教授团队通过新工具实现了高效的机器人运动设计。研究受欧盟 ERC 高级拨款资助，实验利用了 TUM 的机器人与非线性力学建模能力，探索如何模仿生物的节能运动模式。

研究设计了虚拟双摆实验，参与者通过触觉操纵杆（haptic joystick，模拟与系统的交互反馈）操控不同配置的虚拟双摆，任务是交替击中目标。在实验中，目标分为与非线性简正模态（NNM）对齐和偏离两类。研究者利用新开发的数值工具，分析了参与者的动作与理想 NNM 的匹配程度。

实验结果表明，参与者能够直觉性地激发系统共振，并通过调整手臂刚度（arm stiffness，调节力道和控制角度），优化系统动力学。即便在更复杂任务中，参与者也能够高效完成目标。结合数值计算与实验数据，研究首次验证了人类在非线性系统中利用共振的能力。该研究不仅扩展了对共振敏感性的认知，还为开发基于自然振荡的机器人控制系统提供了新思路，相关成果发表在 Robotics and Autonomous Systems 上。

“自我意识”是人类对自身存在和行为感知的核心心理现象。意大利理工学院社会认知人机交互研究负责人 Agnieszka Wykowska、英国谢菲尔德大学认知机器人学教授 Tony Prescott 以及德国科隆大学精神病学与心理治疗教授 Kai Vogeley 共同研究了机器人在理解“自我意识”中的潜力。

研究者采用两种主要方法利用机器人探索“自我意识”：

具身模型（embodied models）：通过配置传感器和运动系统，模拟人类的“最小自我意识”（minimal self，即对身体拥有的感知）及“扩展自我意识”（extended self，即时间维度上的自我感知）。这些机器人可以帮助验证心理学和神经科学中的相关理论，例如人类如何通过感官和行动生成“自我”。

实验探针（experimental probes）：设计具有社交能力的机器人，分析人类是否将机器人视为“社会主体”，以及这种交互是否触发与人类互动类似的心理状态。例如，一些实验显示，当人类与机器人协作时，会体验到“联合能动感”（joint agency，团队合作中的责任和控制感）。

研究还发现，机器人技术为分析精神分裂症、孤独症等条件下“自我意识”的变化提供了独特的工具，并提出了通过机器人研究复杂认知过程的新方向。该研究发表在 Science Robotics 上。

在许多精神疾病中，记忆泛化常导致患者对无关情境产生不必要的恐惧反应，尤其在创伤后应激障碍（PTSD）中尤为显著。病童医院的Sheena Josselyn博士、Paul Frankland博士与卡尔加里大学的Matthew Hill博士通过研究，揭示了压力引发记忆泛化的神经机制及其背后的分子过程，并提出了潜在的干预策略。

研究团队通过压力诱导小鼠的威胁记忆过度泛化，并发现记忆印迹（engram）密度增加是记忆泛化的主要原因。压力通过皮质酮作用，增强外侧杏仁核的印迹密度，同时内源性大麻素（endocannabinoid, eCBs）的释放干扰了PV+神经元（parvalbumin-positive neurons）的正常功能，抑制其释放抑制性神经递质GABA，进一步扩大了记忆印迹范围。通过干预内源性大麻素系统，例如阻断大麻素受体（CB1R）或增强PV+神经元活性，成功恢复了记忆的稀疏性和特异性。这一成果为应对压力相关疾病，如PTSD，提供了新思路。研究发表在 Cell 杂志上。

帕金森悖论：更多的多巴胺意味着更多的震颤

帕金森病以其运动症状而著称，其中静止性震颤的成因一直未解。尚帕利莫基金会的神经回路功能障碍实验室与神经精神病学和核医学实验室合作开展了这项研究，主要作者为Marcelo Mendonça、Pedro Ferreira 和 Joaquim Alves da Silva。他们挑战了传统观点，发现尾状核中保存较好的多巴胺可能与震颤症状加剧相关。

研究分析了432名帕金森病患者的DaT-SPECT扫描数据和震颤数据，并结合57名额外患者和86名对照的样本，利用惯性传感器测量震颤振幅和频率（4–6 Hz）。结果表明，尾状核的多巴胺结合比率（CBR, caudate binding ratio）越高，震颤越严重。此外，通过计算模型发现，震颤与尾状核多巴胺水平的“同侧”效应可能源于尾状核和壳核多巴胺分布的不均衡。这项研究首次明确提出静止性震颤的严重程度与尾状核多巴胺末梢的保存程度密切相关，为震颤症状的精准治疗提供了可能性。研究发表在 npj Parkinson's Disease 上。

缓慢呼吸常被用于缓解焦虑和情绪紧张，但其具体的神经机制一直未被揭示。索尔克研究所的Sung Han团队利用小鼠模型，首次发现了前扣带皮层（dACC）通过脑桥网状核（PnC）和腹外侧延髓（VLM）调控呼吸的回路。这一发现为进一步开发针对焦虑、恐慌和创伤后应激障碍的疗法提供了新思路。

研究通过神经连接数据库分析和小鼠实验，定位了dACC→PnC→VLM的神经回路。研究采用光遗传学操控该回路，发现：1. 激活回路：光刺激dACC→PnC→VLM通路，小鼠呼吸频率显著下降，同时焦虑行为明显减少。2. 抑制回路：关闭该回路，小鼠呼吸加快，焦虑行为增加。3. 情绪相关性：焦虑环境下，该回路活性降低，导致呼吸频率升高；平静环境中，回路活性增强，呼吸变得缓慢。研究首次阐明了自上而下调控呼吸的神经基础，为缓解焦虑提供了科学支持。发表于 Nature Neuroscience 上。

威康信托桑格研究所及其合作者，开展了这项研究，探讨常见遗传变异如何影响罕见神经发育疾病。这项研究基于Deciphering Developmental Disorders（DDD）研究和100,000基因组计划的大规模数据分析。

研究团队分析了11,573名罕见神经发育疾病患者、9,128名父母和26,869名对照的数据，评估常见DNA变异在这些疾病中的作用。研究显示，常见变异总体仅占疾病风险的10%，但在无单基因诊断的患者中，这些变异的风险更高。通过“多基因评分”（polygenic score，用于评估基因对某些性状或疾病的累积影响），研究发现教育水平和认知能力相关的多基因背景在父母中未传递的等位基因可能通过“间接遗传效应”（indirect genetic effects，指未直接遗传但通过环境或家庭行为模式影响下一代的风险）影响孩子的疾病风险。研究还支持“责任阈值模型”，即常见和罕见变异共同作用决定疾病风险。这项研究进一步揭示了遗传与环境因素的复杂交互作用，为罕见神经发育疾病的诊断和干预提供了新思路。研究结果发表在 Nature 上。

孤独症是一种常见的神经发育障碍，其遗传机制备受关注。特拉维夫大学 Boaz Barak 教授团队及其合作者，通过孤独症小鼠模型和患者诱导干细胞研究，深入探索了 SHANK3 基因突变对非神经元细胞和髓磷脂生成的影响。

团队通过遗传工程方法引入 SHANK3 基因突变（InsG3680），发现其导致少突胶质细胞（oligodendrocytes，负责生成神经纤维的髓磷脂）接收化学信号和生成髓磷脂的能力双重受损。这些缺陷进一步影响白质（white matter）结构完整性，削弱神经信号传导效率，并导致孤独症相关行为异常。

研究采用两种验证途径：一是基于小鼠模型，检测髓磷脂相关基因和蛋白表达降低；二是从孤独症患者皮肤细胞生成的诱导多能干细胞中，观测到相似的细胞缺陷。此外，团队成功通过基因治疗修复了这些细胞，恢复了其正常功能。该研究发表在 Science Advances 上。

神经质是一种重要的人格特质，通常与情绪不稳定和心理健康问题相关，过去的研究已发现其与人类基因组的多个位点相关。然而，关于这种人格特质的遗传学机制仍有许多未解之谜。为深入探索其遗传基础，复旦大学的研究团队开展了大规模研究，利用英国生物银行（UK Biobank）的基因和健康数据，揭示了14个与神经质相关的基因，其中12个为首次发现。

研究团队对454,787名英国个体的外显子组进行了大规模测序，采用“崩溃分析”（collapsing analysis，一种通过将基因变异归类为功能组来识别稀有变异的方法）识别了14个神经质相关基因，包括首次发现的PTPRE（蛋白酪氨酸磷酸酶受体型E，用于信号传导）、BCL10（B细胞淋巴瘤10，与细胞死亡相关）等12个新基因。研究表明，这些罕见编码变异对神经质的遗传贡献率高达7.3%。此外，他们还发现78个常见变异与神经质显著关联，其中包括6个新基因，并通过对其他族裔和23andMe样本的元分析验证了结果。这些基因变异被证实对神经精神疾病（如抑郁症）、认知能力（如推理能力）以及脑结构（如脑灰质体积）有广泛影响。研究发表于 Nature Human Behaviour。

痴呆症是全球关注的重大健康问题，早期干预可以显著改善患者生活质量。研究团队开发了一种新方法，通过患者电子健康记录（EHR）的医疗笔记预测痴呆症风险。

研究采用以决策为中心的内容选择技术，从患者医疗笔记中筛选与痴呆症相关的关键句子，利用Longformer（长文本语言模型）架构进行预测分析。模型在仅使用一年内观察期数据的情况下，预测痴呆症风险的曲线下面积（AUC）达到78.43，表现优于传统技术。该方法避免了信息冗余，保留文本上下文，并大幅降低了计算成本。研究团队表示，这一框架的广泛应用将为初级医疗提供者减轻负担，为患者和家庭提供更好的支持和资源。研究发表在 Computers in Biology and Medicine 上。

抑郁症作为一种常见的精神疾病，影响了全球约2.8亿人。为了更客观、有效地诊断抑郁症，立陶宛考纳斯理工大学的研究团队，开发了一种多模态AI诊断模型。

研究利用MODMA数据集的脑电图（EEG）和语音数据，结合改进的DenseNet121深度学习模型，通过短时傅里叶变换（STFT spectrograms，用于将信号分解为频率成分）和Mel频谱图（Mel-spectrograms，用于音频特征提取）进行特征分析。数据经预处理后被输入多模态分类模型，模型整合了EEG和音频数据特征，以提高诊断准确性。

结果显示，该模型在测试中达到了97.53%的诊断准确率，同时在精准率（98.20%）、F1评分（97.76%）和召回率（97.32%）方面均表现卓越。这种方法在提高诊断效率的同时，有望实现远程和客观的抑郁症评估。研究团队强调，该模型仍需进一步优化以提升其解释性，并计划在未来开展更多临床试验。研究发表在 Brain Sciences Journal 上。

罕见基因突变引发严重神经障碍

奥地利卡尔·兰德斯坦纳健康科学大学Gerald Obermair教授团队，围绕钙离子通道调控在神经功能中的作用开展研究。研究聚焦CACNA2D2基因中一种罕见的双等位基因突变，结合分子生物学和动物模型，解析突变如何导致发育性癫痫性脑病（DEE）。

研究采用了海马神经元细胞模型，通过将CACNA2D2基因中p.R593P突变的同源版本（p.R596P）引入小鼠神经元进行实验。结果发现，突变导致α2δ-2蛋白的膜表达降低（失去约60%功能）及突触定位异常。这种改变进一步影响了钙通道（CaV1.3，钙信号传递的重要途径）和突触蛋白（Synapsin，用于突触连接的关键蛋白）的功能，降低了兴奋性突触中微小突触后电流的幅度（平均减少30%），最终破坏神经元之间的信号交流。此外，研究还发现该突变影响了GABAA受体（大脑主要抑制性神经递质受体）的募集，使神经元变得异常活跃，解释了DEE患者癫痫发作的根本原因。

这项研究表明，突变不仅影响钙通道功能，还涉及突触病，强调了研究α2δ蛋白突变在多种神经障碍中作用的重要性。研究发表在 Journal of Neurochemistry 上。

成年早期酗酒或可导致长期脑功能失调

宾夕法尼亚州立大学的Nikki Crowley 团队领导了一项小鼠模型的研究，揭示了成年早期酗酒对大脑产生的长期影响。研究团队隶属于宾州州立大学神经科学研究所，重点探讨酒精与神经衰退疾病（如阿尔茨海默病）的潜在关联。

研究采用了小鼠模型模拟人类成年早期酗酒行为，小鼠在成年早期暴露于酒精环境，并在戒酒六个月后进行前额皮质神经活动的分析。研究使用全细胞膜片钳电生理技术测量两种主要神经元：锥体神经元和 GABA 能神经元的电活动。结果显示，戒酒六个月后，锥体神经元的内在兴奋性显著降低，信号传递能力减弱；而 GABA 能神经元的兴奋性驱动增强，谷氨酸传递增加。研究表明，酗酒可能导致大脑兴奋与抑制平衡失调，诱发与认知障碍相关的长期大脑变化。研究发表在 Neurobiology of Aging 期刊。

多发性硬化症药物可能有助于改善工作记忆

工作记忆是认知功能的关键组成部分，许多精神疾病如精神分裂症和抑郁症会导致工作记忆受损。由巴塞尔大学的 Andreas Papassotiropoulos 教授和 Dominique de Quervain 教授领导的研究团队，旨在探索芬吡啶（Fampridine）这种已有药物的新应用。

研究通过基因组数据分析筛选药物靶点，确定钾通道阻滞剂芬吡啶（Fampridine）为潜在候选药物。随后，研究团队在43名健康年轻人中开展了随机、双盲、安慰剂对照的交叉试验，每日两次服用芬吡啶（10毫克）持续3.5天，以评估其对工作记忆的影响。主要研究结果显示，在基线工作记忆较差的参与者中，服用芬吡啶后工作记忆表现显著提升，而基线表现良好者未见改善。药物还降低了静息运动阈值，显示其对大脑皮层兴奋性具有增强作用。这些发现表明，芬吡啶可能成为治疗工作记忆缺陷的新方法。研究成果发表在 Molecular Psychiatry 上。

罗格斯大学的研究团队开发了一种利用脑成像技术研究精神疾病的新方法。这项研究目标是通过减少研究样本量要求，使精神病学研究对更多临床研究人员可行，同时揭示精神疾病中认知问题的共性机制。

研究提出了一种名为“元匹配”（meta-matching）的分析方法，通过整合大规模人群数据和小规模临床数据，准确预测精神疾病患者的认知功能（cognitive functioning，指个体处理、存储和运用信息的能力）。团队测试了抑郁症、焦虑症和精神分裂症患者的认知功能模型，验证了该方法的稳定性与科学性。结果显示，与认知功能相关的大脑网络与处理感官信息区域的连接性普遍下降，这种模式在多种精神疾病中表现一致，可能反映了认知障碍的共性生物机制。

研究发表在 Science Advances 上。尽管该方法尚在早期研究阶段，但其潜力不容忽视。未来，它可能扩展到其他症状的研究，从而改善患者的个性化治疗路径。

人类和动物在不经思考的情况下能够通过自然振荡模式实现高效运动。这一现象被称为内在动力学（Intrinsic Dynamics）。然而，将这一概念应用于复杂的机器人运动一直是一大挑战。慕尼黑工业大学传感器机器人系统与智能辅助系统团队，在德国航空航天中心的支持下，开发了一种工具，首次实现了高效运动模式的计算。

研究对象是一台四足机器人BERT，团队探索了其六种运动模式，包括类似自然界步态的行走、小跑和跳跃。研究者通过计算机控制的调节器（regulator），在适当时刻发送脉冲，使运动与自然振荡模式对齐。实验表明，采用内在动力学方法的BERT表现出比传统方法更快、更动态的运动。另一项研究进一步验证了人类在操控非线性动力学系统时的高效共振能力。实验中，参与者通过触觉操纵杆控制虚拟双摆，并成功调整肌肉刚度使运动轨迹更接近自然模式。这一发现为研究复杂动态交互提供了全新视角。研究发表在 Nature Machine Intelligence 上。

滑铁卢大学的研究团队开发了一种基于压电效应（Piezoelectric Effect）的微型可穿戴发电机。这一创新解决了传统压电材料易碎、昂贵且发电效率低的问题，为可持续清洁能源领域带来了突破性进展。

研究团队采用了有机金属卤化物钙钛矿（Organometal Halide Perovskite，OHP）复合材料作为核心材料，通过化学功能化提升了材料性能。他们在材料中引入功能化聚苯乙烯（Polystyrene），增大颗粒尺寸，均匀分布卤化物离子，并保持结构完整性，从而显著提高了压电响应。实验结果显示，这种材料在未优化状态下的电流密度为 2.6 µAcm−2N−1，通过优化后的电极插层技术，电流密度提升至 25 µAcm−2N−1。这一成果显著超越了陶瓷材料的性能，为低成本、高效率的能量采集提供了新的技术路线。该研究发表在 Nature Communications 上

人工智能在医学影像领域的进步为疾病检测带来新机遇。然而，全身性疾病的诊断因涉及多模态影像而更具挑战性。为此，华盛顿大学Paul G. Allen计算机科学与工程学院的助理教授Sheng Wang带领团队，与微软研究院和Providence Genetics and Genomics的研究人员合作开发了一款名为BiomedParse的AI工具，旨在提升全身性疾病的诊断效率和准确性。

研究团队提出的BiomedParse模型，可在九种主要医学影像模式下同时完成分割（segmentation）、检测（detection）和识别（recognition）任务。为训练模型，团队创建了一个包含600多万组影像、分割掩膜和文本描述的庞大数据集。通过创新的联合学习方式，该模型能够处理MRI、CT等大规模医学影像。测试表明，BiomedParse在影像分割上的准确性超过现有方法，尤其在形状不规则目标中表现卓越。此外，模型可通过文字描述分析影像，帮助医生快速定位关键区域，在短短0.2秒内提供90%以上的准确率，极大地提高了诊断效率。相关研究发表在 Nature Methods 上。

数字全息成像实现非侵入性高分辨率神经活动记录

随着脑机接口（BCI）技术的迅速发展，科学家正在探索无创记录神经活动的可能性。约翰·霍普金斯大学应用物理实验室（APL）和医学院的研究团队，在首席研究员 David Blodgett 和神经病学助理教授 Austen Lefebvre 的领导下，开发了一种突破性的数字全息成像系统（DHI），为非侵入性神经活动记录提供了全新方法。

研究团队通过DHI系统，利用激光主动照射组织，并记录散射光形成组织图像。该系统能够以亚纳米级精度检测神经活动引发的组织变形（deformation），解决了通过头皮和头骨记录神经信号的技术难题。在多项测试中，包括直接硬膜电刺激、麻醉引发的皮层失活、通过小鼠胡须刺激激活初级感觉皮层，以及药物诱发癫痫，DHI系统成功实现了跨头骨的神经活动记录。特别是，该技术无需使用荧光标记，能够无创记录深层脑组织的神经活动。这一发现不仅对基础神经科学研究具有重要意义，还展示了其在监测颅内压、脑损伤评估等临床应用中的潜力。论文发表在 Scientific Reports。

为了应对临床试验招募困难的问题，美国国立卫生研究院（NIH）的国家医学图书馆（NLM）与国家癌症研究所联合开发了TrialGPT算法。

TrialGPT由三部分模块组成：TrialGPT-Retrieval通过大规模筛选，将相关性试验召回率提高到90%以上；TrialGPT-Matching负责评估患者是否符合试验标准，准确率为87.3%；TrialGPT-Ranking提供基于相关性和优先级的排名。研究团队通过183名模拟患者和超过7.5万个试验标签的数据测试，发现TrialGPT与人类医生评估的准确度基本一致。在人工评估中，TrialGPT的排名能力比现有模型高43.8%，筛选时间减少了42.6%。这项技术有望减少临床试验招募的障碍，提高医学研究效率。研究发表在 Nature Communications 上。

随着医疗系统数据量的迅速增长，大型语言模型（LLMs）被认为是优化临床工作流程的有力工具。然而，其高昂的运行成本限制了广泛应用。为此，西奈山伊坎医学院的研究团队开展了一项系统研究，探讨如何在维持性能的同时降低模型运行成本。研究由 Girish N. Nadkarni 博士和 Eyal Klang 博士领导。

研究团队测试了包括 Llama-3–70b 和 GPT-4-Turbo-128k 在内的10种LLMs，分析它们在处理多项任务时的表现。通过超过30万次实验，他们评估了模型在不同任务配置下的回答准确性和输出格式的正确性。结果表明，高容量模型（如 Llama-3–70b）即使在50项任务并行的情况下也能保持高精度。此外，研究发现，通过将任务进行分组并串联处理，可以显著降低API调用成本，最多达到17倍。这一策略不仅减少了经济负担，还优化了资源分配，为医疗人工智能的规模化应用提供了切实可行的路径。

研究还指出，LLMs在高认知负载下可能表现出不稳定，研究团队强调了认识这些限制的重要性。未来，团队计划进一步验证模型在实时临床环境中的表现，并探索新兴模型的潜力。研究发表在 npj Digital Medicine 上。

机器人群体具有在灾害救援、环境监测等领域发挥重要作用的潜力，但其复杂的自组织过程和灵活性不足限制了实际应用。布鲁塞尔自由大学IRIDIA人工智能实验室的Marco Dorigo教授领导的研究团队，开发了一种受人类神经系统启发的新型架构——自组织神经系统（SoNS）。团队成员包括博士后研究员Mary Katherine Heinrich博士等，致力于解决机器人群组协作和协调的技术难题。

SoNS通过动态构建和重建自组织层次架构，将机器人群体组织为一个类似人类神经系统的网络结构。在这一网络中，机器人间通过直接邻居通信构建层级结构，其中最高层相当于“大脑”，负责群体任务的规划和协调。团队通过真实机器人群组和基于物理的模拟环境验证了SoNS的有效性，测试中多达250台空中与地面机器人完成了包括二元决策和搜索救援任务在内的多项实验。

实验结果显示，SoNS架构在协调感知、行动和决策的同时，保留了群体机器人特有的扩展性、灵活性和容错性。这种架构不仅提升了机器人群组行为设计的简便性，还为实际任务提供了新的实现路径。研究发表在 Science Robotics 上。

由慕尼黑工业大学Alin Albu-Schäffer 教授领导的研究团队开发了一种新工具，旨在实现复杂机器人系统的高效运动控制。这一工具基于内在动力学（Intrinsic Dynamics）原理，为机器人提供了模仿自然界节能运动模式的能力。研究中的重要对象包括四足机器人 BERT，由德国航空航天中心（DLR）设计。

研究利用数值计算工具分析非线性动力学中的非线性固有模式（NNM, Nonlinear Normal Modes），并通过实验验证了这一工具的有效性。在人类控制双摆系统的实验中，参与者能够直观调整系统共振模式，即便在目标偏离共振模式的条件下也能完成任务。这一现象体现了人类对复杂系统动态特性的高效控制能力。对于机器人 BERT 的研究进一步证实了通过自然振荡模式（自然频率的稳定轨迹）实现高效运动的假设。通过竞赛对比，采用内在动力学优化后的机器人在速度和动态表现上显著优于传统控制方式。

此外，为解决现实系统中摩擦的影响，研究团队开发了一个精确时机控制的计算器，使机器人能够在需要时注入能量，保持与自然共振轨迹的同步。这一方法大幅降低了系统控制的能量需求，同时提升了运动的稳定性。研究发表在 PLOS Computational Biology 上。

嘈杂环境中，人类难以有效聚焦近距离声音，比如在繁忙的餐厅或办公环境中。由华盛顿大学Shyam Gollakota教授领导的研究团队，开发了一种人工智能耳机原型，可以显著改善人们的听觉感知能力。研究人员来自计算机科学和工程领域，并与多学科协作完成该研究。

研究团队利用市售降噪耳机，在头带上安装六个麦克风，并结合嵌入式中央处理器和实时神经网络处理音频信号。系统通过分析频率相位差来估算声源距离，实时创建半径1米至2米的声泡（sound bubble），放大气泡内的声音，同时抑制气泡外的噪音，降噪幅度达49分贝（dB）。实验覆盖22种室内环境，验证了系统的适应性。与现有技术相比，这种耳机可聚焦多个近距离声源而不受头部转动影响，显著改善嘈杂环境中的听觉体验。研究成果发表在 Nature Electronics 上。

人工智能在健康和口腔保健中的应用正迅速发展，但其开发和实施中常忽视公平、多样性和包容性（EDI）因素。为解决这一问题，加拿大人工智能与高级数字初级卫生保健研究主席Samira Abbasgholizadeh-Rahimi博士带领团队，制定了EDAI框架，帮助AI系统兼顾技术性与社会责任。

研究分为三阶段：第一阶段通过系统综述，分析EDI原则在现有AI项目中的应用；第二阶段邀请来自不同领域的60多名专家，举办两次国际研讨会，进行跨领域讨论；第三阶段基于研讨会成果，开发并不断完善EDAI框架。框架涵盖从数据收集到部署的每个阶段，提出具体指标指导开发者在个人、组织和系统层面解决差距。

结果显示，EDAI框架不仅提供实际操作指南，还明确了促进EDI实施的关键因素（如跨领域协作、数据多样性）和潜在障碍（如组织内的隐性偏见）。此外，该框架特别强调设计过程中的文化和人口多样性，确保系统对各类人群更具包容性。研究发表于 Journal of Medical Internet Research 。

大脑的血管网络对神经功能和脑部健康至关重要，但现有技术难以在大范围内实现高分辨率的血流成像。中国科学院的研究团队通过开发一种新型的贝塞尔光束光学相干显微镜（Bessel Beam Optical Coherence Microscopy），突破了这一技术瓶颈，

该研究采用了一种基于长焦设计的光学相干显微镜（EFOCM），结合高灵敏度多普勒光学相干断层扫描，对小鼠大脑进行了微血管网络的高分辨率3D成像。这项技术通过深度学习算法实现了对微血管的精准分割，能够在1000 × 1000 × 360 μm³范围内清晰显示毛细血管的结构和血流分布。此外，研究还揭示了健康和病变状态下的血管连接性和血流动力学特征。这种新技术可用于研究阿尔茨海默病、中风等疾病的病理发展过程，也为评估治疗手段的效果提供了重要工具。研究成果发表在 Light: Science & Applications。

深度学习的应用快速扩展，但其高能源消耗引发广泛关注。国际高级研究学院（SISSA）和博科尼大学的研究人员，通过模仿生物大脑的学习方式，探讨如何通过“课程学习”减少神经网络的资源消耗。研究由Luca Saglietti主导，分析了过度参数化神经网络的表现。

团队在理论和实验上结合，分析了课程学习与过度参数化的相互作用。他们构建了一个双层神经网络，模拟解决XOR-like高斯混合问题。实验表明，过度参数化虽然简化了任务，但削弱了课程学习的收益。具体而言，当网络拥有大量初始参数时，其更倾向于通过内部资源实现学习，而对按难度排序的输入数据不敏感。然而，研究也发现，适当调整初始参数规模仍可提升课程学习的效果。这表明，在优化初始参数的情况下，课程学习仍是实现能源效率的重要策略。研究结果发表在 Journal of Statistical Mechanics: Theory and Experiment 上。

人工智能在视觉识别等领域已经取得显著进展，但其触觉模拟尚未实现。史蒂文斯理工学院量子科学与工程中心（CQSE）的研究团队，由教授 Yong Meng Sua、中心主任 Yuping Huang 和博士生 Daniel Tafone、Luke McEvoy 共同研发了一种突破性方法，成功赋予AI“触觉”感知能力。

研究团队结合量子光学技术与人工智能，设计了一种单光子计数激光雷达系统（LiDAR）。系统使用皮秒激光脉冲探测表面，将反射的光子信号通过单模光纤传递至单光子探测器，并利用机器学习技术分析这些信号中包含的散斑噪声（speckle noise）。

实验中，研究人员以31种粗糙度在1至100微米的砂纸作为测试样本，光脉冲通过样本表面，系统测量其粗糙度变化。结果显示，系统的均方根误差（RMSE）从初期的8微米优化至最终的4微米，与当前最先进的工业轮廓仪相媲美。该系统在最细粒度表面（如金刚石研磨膜）中表现尤为优异。研究指出，此技术未来可广泛应用于医疗诊断（如皮肤癌筛查）和制造质量控制领域。研究发表在 Applied Optics 上。

随着大型语言模型（LLMs）逐渐用于自动化翻译、文本分类和客户服务，其高计算和存储需求成为一大难题。普林斯顿大学与斯坦福大学的工程研究人员联合开发了一种新型压缩算法CALDERA，目标是将LLM部署至内存受限的边缘设备上，例如智能手机和笔记本电脑。研究由普林斯顿大学的Andrea Goldsmith教授、斯坦福大学的Rajarshi Saha博士生及其导师Mert Pilanci等团队共同完成。

CALDERA的核心在于利用低秩（low-rank）和低精度（low-precision）技术，通过矩阵分解（Q+LR）对LLM权重矩阵进行压缩。此技术通过优化问题确保压缩后的模型在逻辑推理、物理问题解答等任务中保留高效性。在处理Llama-2和Llama-3模型时，CALDERA表现优于现有的后训练压缩方法，在压缩率和性能间实现最佳平衡。测试显示，该方法在低于每参数2.5比特的条件下，能将性能提升5%，这对预测单词序列中的不确定性指标尤为显著。CALDERA还支持边缘设备上的微调功能，提升隐私保护能力，降低数据泄露风险。研究成果将在 NeurIPS 2024 会议上发表。

人工智能在医疗领域的应用愈发广泛，但其对医生诊断行为的影响尚未明确。美国食品药品监督管理局（FDA）批准了多款医学AI软件，但实际应用与概念验证之间仍存在差距。本研究由圣裘德儿童研究医院和约翰霍普金斯大学联合开展，重点探讨了AI解释形式对胸部X光片诊断的作用。

该研究在2022年4月至9月期间进行，采用随机分组设计，比较局部解释（local explanation，基于图像特征，突出关键区域）和全局解释（global explanation，通过相似案例展示AI推理）的诊断效果。220名医生参与实验，包括146名男性，平均年龄30岁（四分位间距28-32.75岁）。

实验显示，当AI建议正确时，局部解释的诊断准确率（92.8%）显著高于全局解释（85.3%），且诊断效率更高（β = -0.19，P < .01）。然而，当AI建议错误时，局部解释的误导性更大，导致错误诊断的比例（23.6%）略高于全局解释（26.1%）。此外，医生无论AI建议正确与否，都对局部解释表现出更高的“简单信任”（简单快速地同意AI的判断）。研究表明，AI解释的选择需谨慎，以平衡诊断效率与信任风险。本研究发表于 Radiology。

神经系统疾病如阿尔茨海默病和帕金森病的治疗长期受制于血脑屏障（BBB）的保护作用。尽管这一屏障至关重要，但也阻碍了药物和疗法的传递。为了解决这一问题，国际研究团队利用低强度聚焦超声（LIFU）结合循环微泡技术，研究其对BBB的影响及大脑自我修复机制。实验对象为成年猕猴，研究方法包括免疫组织化学分析，聚焦神经血管单元（NVU）的动态变化。

研究发现，LIFU通过声波与微泡相结合，能安全且暂时性地打开BBB。治疗后3小时，观察到轻微炎症反应，免疫细胞如小胶质细胞（microglia）和星形胶质细胞（astrocytes）被激活，血管生成相关因子如PDGFR-β（一种促进血管生成的蛋白质）和VEGF-A（一种强效的血管生成因子）表达增加，促进新血管生成。7天后，新生血管进一步恢复了血脑屏障的完整性。到第30天，神经血管单元完全恢复，未见显著长期损伤，如肿胀或出血。这表明LIFU可作为一种安全有效的技术，为治疗脑部疾病提供了全新路径。研究发表在 Journal of Controlled Release。