追问daily | 压力如何放大恐惧记忆？更多的多巴胺，更多的震颤；Grok-3或证明黎曼猜想

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。

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。

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。

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。

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（Voltage-clamp fluorometry，一种结合电生理与荧光探测的技术），研究了G蛋白（G-protein）对CaV2.2通道四个电压感应器域（Voltage-sensor domains，简称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。

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。

近日，美国食品和药物管理局（FDA）正式批准百时美施贵宝（Bristol Myers Squibb）研发的Cobenfy（成分为xanomeline和trospium chloride），用于治疗成人精神分裂症。这款口服药物是一类毒蕈碱激动剂（muscarinic agonist），标志着数十年来精神分裂症治疗领域的新突破。

Cobenfy 的独特之处在于选择性靶向大脑中的 M1 和 M4 受体，而不影响 D2 受体。这种机制的创新性减少了传统药物可能引发的不良反应，为患者提供了更精准的治疗方式。

这一批准基于两项关键临床试验EMERGENT-2和EMERGENT-3的结果。在III期试验中，Cobenfy在主要终点上表现出显著疗效，与安慰剂相比，通过阳性和阴性症状量表（Positive and Negative Syndrome Scale，评估精神分裂症症状的工具）显示出统计学上的显著改善，分别实现了9.6点和8.4点的症状减轻。此外，在EMERGENT-2试验中，Cobenfy在次要终点“临床总体印象-严重性评分”（Clinical Global Impression-Severity）上也展现出显著改善。

尽管疗效突出，但Cobenfy仍伴有一些常见的不良反应，包括恶心、消化不良、便秘、高血压等。研究人员Rishi Kakar指出，由于精神分裂症的异质性特点，许多患者在治疗中面临频繁调整药物的困扰，而Cobenfy通过一种全新的作用机制，为这些患者提供了新的治疗选择。

最近，人工智能公司xAI的研究人员在社交媒体上表示，其最新的AI模型Grok-3或许已经成功证明了数学界悬而未决的黎曼猜想（Riemann Hypothesis）。这一消息迅速在学术界和科技圈内引发热议。黎曼猜想是由德国数学家Bernhard Riemann于1859年提出，核心问题涉及素数的分布规律，至今已有超过150年未被证实或推翻。若这一假设被证实，将是数学领域的里程碑式突破。

xAI研究团队透露，目前已暂停Grok-3的训练，以验证其给出的证明是否准确。他们还表示，如果证明有效，他们将不会继续训练这一AI模型，因为其智能水平可能已达到对人类构成威胁的程度。然而，研究团队尚未公开详细的证明过程或任何证据。

11月16日，国内AI初创公司月之暗面推出了首款推理能力强化模型——Kimi k0-math，其数学能力在多项基准测试中超越了OpenAI的o1-mini和o1-preview。

k0-math模型采用全新的强化学习和思维链（Chain of Thought）推理技术，模拟人脑的思考与反思过程，大幅提升解决复杂数学问题的能力。在中高考、研究生入学考试等测试中，k0-math以93.8分的成绩领先于o1-mini（90分）和o1-preview（85.5分），仅次于尚未发布的o1完全版（94.8分）。然而，对于几何图形类问题和过于简单的题目，模型表现仍需优化。

Kimi创始人杨植麟表示，k0-math未来将不断迭代，并计划上线至Kimi网页和APP，为用户提供更强大的数学解题能力。同时，基于强化学习的「意图增强」「信源分析」和「链式思考」能力，已在Kimi探索版中实现应用，支持从抽象问题具体化到多级推理的全面升级。

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。

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。

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（二级）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 。

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。

“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。

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。