过去一周，脑科学领域有哪些新发现？| 追问weekly Vol.36

洛克菲勒大学分子遗传学实验室的Han Tan和Jeffrey Friedman领导的研究团队发现了一种新的神经元类型，这一发现改变了科学界对大脑如何调节进食行为的传统认知。

研究团队通过单细胞RNA测序技术，在大脑的弓状核中发现了一种表达BNC2（basonuclin 2）的神经元。这种神经元能够通过抑制AGRP神经元（agouti-related protein，促进食欲的神经元）来快速控制食欲。研究发现，当激活BNC2神经元时，饥饿的小鼠会表现出位置偏好，这说明BNC2神经元不仅能抑制饥饿感，还能带来积极的情绪体验。当研究人员删除BNC2神经元中的瘦素受体时，小鼠出现了明显的过度进食和肥胖症状。这项研究为治疗肥胖和代谢疾病提供了新的潜在靶点。研究发表在 Nature 上。

狨猴大脑发育揭示人类社交认知演化新视角

由苏黎世大学进化人类学系的 Paola Cerrito 领导的国际研究团队，通过对普通狨猴（Callithrix jacchus）的大脑发育进行深入研究，揭示了灵长类社交互动如何塑造大脑区域发育的时间进程。狨猴的社交行为与其长期的大脑发育相辅相成，这一发现有助于理解人类社交认知的进化基础。

研究团队结合行为观察、磁共振成像和神经追踪技术，分析了普通狨猴中处理社交互动的大脑区域的发育轨迹。结果显示，这些脑区成簇发育，发育过程持续到成年早期，这一特征在狨猴与人类中具有相似性。研究指出，狨猴从幼年起就与多个照顾者频繁互动，从中学习各种社交技能，尤其是在进食和乞食行为中，幼年狨猴需依赖群体成员的喂养，这一多方照顾机制促使了大脑社交认知区域的长期发育。这些发现强调了合作繁殖对社交认知发育的重要性，为人类社交认知的进化提供了新的模型。研究结果发表在 PNAS 上。

神经科学领域近年在精细大脑成像上取得了显著进展，使得不同脑区间的连接与功能理解逐渐深入。然而，脑干的功能对大脑其他区域的独特影响仍未完全揭示。此次，来自麦吉尔大学、马萨诸塞州总医院与哈佛医学院的研究人员，采用7特斯拉高分辨率功能磁共振成像（7T MRI）技术，重新构建了人类大脑连接图，详细展示了脑干核团对皮层功能的影响。

研究团队应用7T MRI对大脑皮层及58个跨越中脑、脑桥及延髓的脑干核团进行成像，识别出一组与皮层广泛连接的整合中枢。通过7T MRI技术描绘的连接模式显示，脑干与皮层的连接不仅涉及神经生理振荡节律和单峰—跨峰功能层次结构，还关联了皮层的认知功能专一化。

研究中还观察到，皮层功能拓扑结构与脑干核团间的对齐关系与神经递质受体和转运蛋白的空间分布密切相关。研究团队同时使用同一参与者的3T数据复现了这些发现，验证了其稳定性与可靠性。这一研究为理解脑干在调控皮层活动中的角色提供了重要基础，并为未来探索大脑深层次结构间的关系带来了新思路。研究发表于 Nature Neuroscience。

首次识别上百种功能蛋白，揭示个体间大脑功能连接差异

人类大脑连接的理解一直是神经科学的核心挑战。阿拉巴马大学伯明翰分校的 Jeremy Herskowitz及纽约州立大学上州医科大学的 Chris Gaiteri ，带领的研究团队首次系统识别了数百种大脑蛋白质，阐明了这些蛋白质如何在个体间造成大脑功能连接和结构共变的差异。

研究团队从98名 ROSMAP 项目参与者中收集了死前的神经影像数据和死后的蛋白质组、树突棘形态等数据。通过整合分子数据和树突棘形态学，团队揭示了特定突触蛋白与大脑功能连接的显著关联，识别出数百种与个体差异相关的蛋白质，涉及突触结构功能、能量代谢和 RNA 加工。这些蛋白质的变化与大脑区域间的沟通息息相关。研究发现，将分子、亚细胞和组织水平的数据整合后，能够深入探索大脑连接性背后的分子机制。该研究为理解多尺度生物物理数据对大脑功能连接的支持作用提供了新的视角。研究发表在 Nature Neuroscience 上。

长期以来，运动员等人群的学习速度差异被认为是个体差异所致，但实际的神经基础未曾明确。筑波大学的研究团队近期的研究，揭示了背侧前运动皮层在运动技能的元学习功能上扮演着重要角色。

研究团队使用经颅磁刺激（TMS）分别作用于背侧前运动皮层（PMd）和背外侧前额叶皮层（DLPFC），以观察其对运动技能元学习的影响。实验参与者在一项任务中调节运动适应速率，以获得更高奖励。研究发现，刺激PMd 显著减弱了参与者调整运动记忆的能力，而 DLPFC 则没有产生相同效果。这意味着 PMd 在运动适应的元学习中发挥了重要作用，帮助个体根据环境和任务需求有效调控运动记忆的保留和遗忘。传统上，PMd 被认为负责运动规划，而本研究则揭示它还具有元学习的调控功能，能够帮助大脑“学会学习”。这些发现为运动技能的神经机制提供了新视角，可能对运动训练和康复有重要应用价值。研究发表在 PNAS 上。

波恩大学医院和波恩大学的研究团队对人类眼球微妙运动如何影响视觉分辨率进行了深入研究。通过波恩大学 UKB MIB 中心提供的自适应光学扫描光检眼镜（AOSLO）等技术支持，研究团队成功追踪到视网膜上的微小视觉刺激路径，揭示了眼球漂移运动如何协同视锥细胞密度以增强视觉清晰度。第一作者 Jenny Witten 领导了研究，Dr. Wolf Harmening 为该实验室负责人。

本研究中，研究团队利用高分辨率成像和微观心理物理学，记录了16名参与者在注视过程中眼球的微小运动，并测量了他们在高难度视觉任务中的视觉分辨率。他们发现，尽管视网膜中央凹中的视锥细胞分布不均匀，人眼的漂移运动能将视觉刺激带入密度更高的区域，从而实现超出预期的分辨率。结果表明，漂移运动不仅在几百毫秒内适应视锥细胞的密度变化，并且使视网膜与视觉刺激间的对齐更精确，最终提升了视觉锐度。这种动态视觉采样的方式不仅比静态采样方法有效高出18%，也揭示了眼球漂移运动在空间视觉中的重要性。研究已发表在 eLife 上。

丰桥工业大学的视觉感知与认知实验室和认知神经工程实验室团队探讨了大脑无意识处理模糊面部图像的机制。通过连续闪光抑制（CFS）技术，该团队研究了面部相似度对视觉感知的影响。

研究团队使用连续闪光抑制技术抑制一只眼睛的视觉信息，测试正立与倒立的灰度与黑白二值面部刺激对大脑无意识处理的影响。实验设计为两种替代强制选择位置辨别任务，记录每种面部刺激的中断时间（BT）。结果显示，正立灰度面部刺激的 BT 明显短于倒立刺激，这一反转效应在面部识别领域早有文献支持。然而在黑白二值刺激中，无论是正立还是倒立都未表现出反转效应。进一步的相关性分析显示，面部相似度较高的二值图像具有更短的 BT，这表明模糊的面部特征（如眼睛和鼻子）能在无意识处理中优先引发大脑反应，突出人类视觉认知中面部线索的特殊性。研究发表在 Journal of Vision 上。

5分钟视听刺激可改善情绪，媲美冥想效果

长期以来，光和声音的闪烁对大脑及情绪的影响备受关注，视听刺激（AVS）技术应运而生，并逐渐成为调节情绪的非药物手段。本研究由约翰·霍普金斯大学彭博公共卫生学院生物统计学系研究人员完成。他们通过名为“电子光阵列”（Electronic Light Array, ELA）的新型设备进行AVS效果测试，以期验证其在情绪改善方面的有效性。

在本项随机对照、双盲设计的实验中，262名参与者被分为三个体验组：带双耳节拍的AVS（ELA1），不带双耳节拍的AVS（ELA2），以及闭眼呼吸冥想组。每个组分别经历三种不同的体验时长（5.5分钟、11分钟和22分钟），实验前后分别进行情绪状态评估（焦虑、抑郁、紧张等）和认知任务测试（如Stroop任务和局部-全局任务），同时记录参与者的脑电活动。

实验结果显示，AVS显著改善了焦虑和抑郁等负面情绪，并提高了情绪敏感的认知任务表现，且在是否包含双耳节拍或体验时间长短方面，效果差异不大。尤其值得注意的是，短时间的AVS体验（约5分钟）即可在情绪改善上达到与11至22分钟冥想相似甚至更佳的效果。这一发现使AVS成为一种潜在的“即插即用”情绪调节替代方式，适合那些难以坚持传统冥想的用户，特别是青少年和偏爱技术的人群。研究发表在 Scientific Reports 上。

本研究由一支跨学科团队完成，研究人员来自法国的巴黎高等师范学院及美国的约翰·霍普金斯大学。研究着眼于情景自传记忆（EAM）在自然条件下的形成机制，尤其探讨了情绪和自我参照对记忆保留的影响。

该实验利用虚拟现实技术构建了一个真实感极高的虚拟城市，参与者在其中以第一人称视角漫步，经历包含不同情绪效价的动态事件，部分事件需要参与者主动互动（actor），部分仅需观察（observer）。在整个体验过程中，记录参与者的心率（HR）、呼吸频率及皮肤电活动（EDA）。在实验后立即、一周及一个月内，研究人员对参与者进行三次意外回忆测试，评分项目包含“事件-地点-时间”要素及主观细节。

结果表明，在事件的主观评分中，与记忆感（sense of remembering）及事件在现实生活中罕见性相关的特征在回忆中作用明显，但情绪和心理意象等因素会在不同时间点产生不同影响。此项研究揭示了记忆预测因子的动态性及其与时间的依赖关系，挑战了传统的编码因素对记忆统一影响的观点。该研究发表在 Scientific Reports 上。

为了探讨人类在日常生活中区分AI和人类生成内容的能力，天普大学心理学与神经科学系的J. M. Chein教授及其团队开展了本研究。近年来，生成式人工智能如ChatGPT和Gemini等工具的广泛应用，促使科学界对其可能带来的信息误导和学术诚信问题产生了高度关注。研究团队因此希望了解人类在面对AI内容时的判断准确性及影响判断的心理因素。

研究通过对人类和AI生成的文本进行比较，考察了参与者在区分两者时的表现，并评估了流体智力、执行功能、同理心以及数字媒介使用习惯等心理因素的影响。结果显示，流体智力显著预测了判断准确性，即具备更强流体智力的参与者更能够准确识别AI生成内容，而执行功能和同理心则无显著影响。此外，频繁使用智能手机和社交媒体的个体更容易将AI生成内容误认为人类生成内容，显示出“误判”倾向。值得注意的是，判断内容来源的准确性还影响参与者的信息分享倾向，判断准确度更高的参与者在社交媒体上更不愿意分享AI生成的内容。

此外，研究还探讨了语言特征对判断的影响，发现文本的词汇构成差异并未对参与者的判断产生显著影响。这一发现表明，尽管AI生成的文本可以在表面上与人类文本相似，但仅通过语言特征难以有效区分其来源。该研究为理解个体差异在信息交互中的作用提供了新视角。该研究成果发表在 Scientific Reports 上。

随着人工智能在医学、金融和法律等领域的普及，探讨人类与AI系统的协同作用愈发重要。来自麻省理工学院集体智慧中心和苏世民计算学院数据、系统与社会研究所的Michelle Vaccaro及其团队，系统回顾了106项关于人类与AI协作的实验研究，聚焦于其协同效应和增强效应，以分析不同情境下协作系统的表现及影响因素。

研究团队通过检索多个数据库，对2020年1月至2023年6月期间发布的106项实验研究进行系统回顾和荟萃分析，确保每项实验包含人类单独、AI单独及人类与AI协作的三种模式。在这些实验的370个效应量中，研究发现整体上人类与AI组合的表现平均低于人类或AI单独的最佳表现。具体而言，在决策类任务中，协作组合表现较差；而在内容创造任务中，组合系统表现明显更佳。此外，结果显示，当人类单独表现优于AI时，协作带来提升；但当AI单独优于人类时，协作反而会产生性能损失。这一研究为如何优化人类与AI系统的协作设计，最大限度发挥协同效应提供了重要参考。研究发表在 Nature Human Behaviour 上。

情感对生物的适应性有重要作用，但在人工智能领域情感的模拟仍存在困难。Alberto Hernández-Marcos带领的西班牙格拉纳达大学信息与通信技术研究中心团队，致力于建立一个计算框架来弥补这一空白，促进AI实现类人情感。

研究团队提出，情感等于生物在其环境中对重要价值（如近期奖励、预期未来状态）的时间模式的感知，并基于这一假设开发了一个完全自学习的情感生成框架（self-learning emotional framework）。在实验中，团队使用了未标记的数据训练神经网络，令AI自主学习并辨识八种基本情绪模式。这些模式与环境情境高度相关，表现出与自然情感一致的动态特征。研究通过情感归因调查验证了AI生成情感的有效性。在此调查中，参与者依据愉悦、唤醒和主导（dominance）三个维度评分，结果显示AI生成的情感状态与人类自然情感高度一致。研究团队认为，此框架的跨学科语言和基于强化学习的首要原理有望为AI情感研究提供新思路，推动实现更接近人类思维和行为的情感AI。研究发表在 Scientific Reports 上。

随着生成模型在数据分析和预测中的广泛应用，如何自动选择或优化生成模型的结构成为亟需解决的问题。来自伦敦大学学院神经学研究所的 Karl J. Friston 团队提出，通过主动推理与学习，可将贝叶斯模型选择用于自动优化生成模型的结构，从而实现模型的自动发现与学习。

研究基于贝叶斯模型选择，通过预期自由能（Expected Free Energy）框架，将结构学习视为对模型证据的最大化优化过程。具体而言，该方法利用变分自由能构建生成模型，使其能自适应地更新模型结构以最小化预期自由能，从而提升模型对新数据的适应性。在MNIST手写数字数据集上，该方法实现了图像分类，并通过视觉任务验证了模型动态学习的能力。例如，在简单的精灵解缠实验和河内塔问题中，模型通过自我学习不断优化潜在状态和路径，从而揭示生成模型可自主学习因果结构的能力。这种结构学习技术通过离散状态空间模型实现，有效提升了模型在动态环境中的适应性和灵活性。该研究表明，主动模型选择可在多样化数据情境下提升生成模型的表达能力。研究发表在 Biological Psychology 上。

在全球日益严重的精神健康危机背景下，生成式人工智能正在成为一种新兴的心理健康支持工具。过去十年间，数字心理健康干预（DMHIs）在移动应用和网站上逐渐普及，但传统基于规则的AI聊天机器人在长期效果和用户参与度方面存在局限性。本研究由一支心理健康与AI技术跨学科团队主导，旨在通过半结构化访谈，深入探索用户在生成式AI聊天机器人上的使用体验。

研究团队对19位生成式AI聊天机器人的用户进行了半结构化访谈，分析他们的实际使用体验。这些受访者描述了生成式AI在心理健康支持方面的四个主要主题：1）“情感避难所”的感觉，许多用户认为AI提供了可以安全表达情绪的空间；2）“有洞察力的指导”，尤其在亲密关系问题上；3）“联系的乐趣”，这种互动带来的社交支持被视为情绪上的慰藉；4）生成式AI和人类治疗师的对比，部分用户认为AI虽然缺乏人类的情感共鸣，但能够以不同的方式给予帮助。

研究发现生成式AI的互动性和情绪支持优势明显，但参与者也指出需要加强安全性，尤其是建立更好的情境记忆和更贴近人类的交互能力。研究表明生成式AI在心理健康支持方面具有独特的潜力，但也需在安全和有效性上做进一步探索。研究发表在 Npj Mental Health Research 上。

天桥脑科学研究院和普林斯顿大学的研究团队提出AI模型可以利用长期记忆（Long-Term Memory, LTM）实现自我进化。这项研究在探索AI模型的个性化和自我适应能力上取得了显著进展，为推动智能体长期学习和优化奠定了基础。

研究团队提出，LTM为AI模型在推理阶段的自我进化提供了有效的路径。受到人类大脑皮层结构的启发，团队假设模型可以通过长期互动数据建立内部认知模型。为验证这一点，团队开发了基于LTM的多智能体框架Omne。在GAIA基准测试中，Omne框架以40.53%的准确率夺得第一，展示了其在多任务应对和个性化处理上的潜力。

Omne框架通过动态权重调整和局部参数更新，允许模型在接收到新信息时进行权重自适应，这与人类的持续学习能力相似。此外，LTM帮助模型在应对复杂推理任务时能够自我修正，以提高准确性。这种长期的记忆集成让模型在不同的环境中积累个性化数据，支持在处理个体化任务和实时学习时的自我调整。

利兹大学的研究团队结合全球多家机构的研究成果，通过对多种动物的社交行为进行长期追踪，探讨了不同物种在衰老过程中如何调整社交网络，以适应衰老带来的健康风险。

研究分析了16项关于老龄化和社交行为的研究，涵盖了鸟类、哺乳动物和无脊椎动物。数据显示，不同物种在衰老过程中会减少社交活动，以降低疾病感染的风险。例如，长期跟踪苏格兰朗姆岛红鹿种群的研究发现，年长雌鹿减少社交，以减少寄生虫感染的风险。伦迪岛的麻雀研究则表明，年长的麻雀因同伴数量减少而缩小社交网络，显示出“社交老龄化”（social ageing）的适应性调整。

此外，研究还揭示了果蝇等无脊椎动物在社交环境对寿命的影响，并提出了性别差异和社交伙伴年龄在社交老龄化中的重要性。特刊的研究表明，跨学科的多物种研究有助于深刻理解衰老过程中的社交动态，为人类健康衰老提供新的借鉴和干预思路。研究发表在Philosophical Transactions of the Royal Society特刊中。

在现代技术驱动的环境下，编程教育日益受到关注。来自北京大学的研究团队在探索如何通过提示引导ChatGPT，更有效地辅助编程教育。团队希望为大学生编程学习的提升提供新的解决方案。

该研究采用准实验设计，将30名大学生分为两组，分别接受基于提示学习（PbL）和无提示学习（UL）的编程教育。在为期一个学期的实验中，PbL组的学生不仅在Python编程上表现更出色，还更倾向于独立提出复杂问题，并获得更高质量的反馈，而UL组学生则大多采取浅层次互动，尽管能获得准确反馈但学习效果略逊。研究还显示，PbL组在使用ChatGPT后表现出更强的学习意图和实用性感知，尤其在结构化提示和分隔符帮助下，学生能够更好理解编程步骤，从而提升学习效率。该研究为未来编程课程设计提出了建议，强调使用结构化提示能显著提升编程教育效果。此项研究发表在 Humanities and Social Sciences Communications 上。

文学和文化在现代社会中通过小说和影视等叙事形式存留、传递思想。近年随着大型语言模型（LLMs）的发展，机器也能生成类似叙事，使人类故事讲述的特性受到挑战。Nina Beguš领导的加州大学伯克利分校团队探索了人类与AI在小说叙述中反映的社会偏见，尤其关注虚构人物与人类角色关系的性别化表现。

研究团队采用行为和计算实验结合的方法，通过对比亚马逊Mechanical Turk众包工作人员创作的250篇故事和GPT-3.5、GPT-4生成的80篇故事，研究人类和AI在讲述Pygmalion（皮格马利翁）式神话中的不同表现。所有故事均使用相同提示，聚焦人类与人工人类的关系。结果显示，GPT-4的叙述在性别角色和性别关系表现上更具进步性，而人类作品则倾向于传统性别分工。该研究进一步探讨AI是否在性别偏见的表现中有所不同，发现AI生成的故事在创新性情节方面逊色于人类，但仍展现了文化偏见。研究框架表明，通过AI和人类的对比，可以更清晰地观察文化偏见在现代叙述中的体现。研究发表在 Humanities and Social Sciences Communications 上。

最新的合作研究开展了一项关于人类运动和导航决策的研究，其中研究员 Ayman Bin Kamruddin 开发了一款第一人称放牧游戏，旨在模拟人类在复杂环境中的决策过程，以改善未来人机交互及机器人运动模式。

研究人员通过一款放牧虚拟牛的第一人称游戏探讨人类在动态感知运动原语（DPMP，dynamical perceptual-motor primitives）指导下的决策行为。参与者需要在游戏中将虚拟奶牛圈入围栏，研究团队记录了其运动轨迹和选择顺序。分析显示，DPMP 模型能够有效地模拟参与者的移动路径，并预测约 80% 的目标选择决策。在多目标场景中，参与者倾向于选择角度上最近的目标，且会优先选择距离围栏中心较远的奶牛。该研究显示，通过包含智能决策策略的 DPMP 模型，可精确再现人类复杂的运动行为，有望应用于人群管理、虚拟现实中的训练、消防训练和救援任务等领域。研究发表在 Royal Society Open Science 上。

斯科尔科沃科学技术研究院智能机器人实验室提出了工业6.0的概念，由 Dzmitry Tsetserukou 带领的研究团队在 arXiv 平台发布了相关研究，并通过初步演示验证了这一理念的可行性。此次研究旨在利用生成式人工智能及多样化的机器人系统，实现人类仅提供设计创意，而生产流程全自动化的制造体系。

在这项研究中，团队设计了一个完全自动化的生产系统，结合生成式人工智能（GenAI）和大型语言模型（LLMs）支持的异构机器人群完成制造过程。用户可通过文本、图像或语音提供产品创意，机器人则自主生成设计蓝图并完成从制造到组装的各个环节。该系统的核心包括机械臂、送货无人机及 3D 打印机等，并在商业及开源 LLMs 支持下，通过 API 和本地部署实现功能。实验结果表明，该系统在平均生产时间上实现了 4.4 倍的效率提升，将时间缩短至 119.10 分钟；其中，设计蓝图阶段效率更提升了 47 倍，仅需 0.5 分钟。此研究展示了生成式人工智能在工业领域的潜力，预示着完全自主制造的发展方向。

卡内基梅隆大学机械工程副教授 Chris McComb 团队致力于推动人类与人工智能的团队协作，通过将个体的认知风格引入大型语言模型，实现设计团队中成员的个性化贡献。第一作者 Vasvi Agarwal 介绍，该团队使用零样本提示法让模型模拟不同认知风格，验证了此方法在设计场景中的实际效果。

本研究基于 Kirton 的适应创新理论（Adaption-Innovation Theory），通过适应型和创新型两种认知提示框架，让大型语言模型（LLMs）在几乎无指导的情况下生成设计方案。研究对象包括单手操作食品容器、便携健身器材和公共物品保护方案。团队发现，适应型提示的设计更具结构性且可行性高，而创新型提示的设计方案更加富有突破性，这与人类设计师的思维模式高度一致。研究表明，通过特定的提示框架，LLMs 可以在解决方案的生成中实现相应的认知行为，具有广阔的应用前景。本研究发表在 ASME Journal of Computing and Information Science in Engineering 上。

无限猴子定理长期以来被视作概率和随机性理论的经典案例，认为无限数量的猴子在无限时间内敲击键盘可以重现任何文本。悉尼科技大学的数学家Stephen Woodcock和Jay Falletta通过量化研究，验证了在有限的宇宙时间和有限的资源下，该理论的局限性。

研究团队采用了有限猴子定理模型，假设一台键盘有30个键，并以全球20万只黑猩猩的数量进行模拟，设定每只黑猩猩每秒敲击一个键，以评估在宇宙寿命约10^100年内输入特定字符串的概率。实验结果表明，即便所有黑猩猩参与实验，莎士比亚全集（约88万字）在宇宙结束前被完整输出的概率极低。具体而言，每只黑猩猩在其寿命内有5%的几率输入“bananas”一词，而产生复杂文本的可能性几乎为零。研究还指出，类似于芝诺悖论等数学悖论，当考虑有限资源时，无限猴子定理的结论与实际情况存在显著出入。这项研究将无限猴子定理置于概率悖论的研究框架内，旨在揭示无限假设与实际应用的差异。研究发表在 Franklin Open 上。

密歇根大学Derek Smith及其研究团队发现，黑人患者相比白人患者在接受急诊科检测时存在差异。这种偏见可能影响基于人工智能的疾病预测模型，并导致对黑人患者的疾病预测不准确。为了改善AI模型的公平性，研究团队开发了一种新的算法，能够纠正数据集中的种族偏见。

研究团队使用2015-2022年密歇根医学院和2011-2019年贝斯以色列女执事医疗中心的急诊科就诊数据，进行回顾性1:1匹配队列研究，对黑人和白人患者在急诊科的检测差异进行了分析。匹配后结果显示，白人患者在全血细胞计数、代谢组和血培养等检测上显著高于黑人患者，差异分别为1.7%-2.0%、1.5%-1.9%和0.7%-0.9%；而黑人患者在肌钙蛋白（Troponin）检测上则比白人患者高出2.1%-2.2%。研究团队设计了一种算法，能够识别和修正数据中未接受检测的患者群体的潜在偏见。在模拟数据上测试后发现，该算法可提升模型区分患者病情的准确性。研究结果表明，考虑并修正数据中的种族偏见是实现公平医疗预测的关键一步。研究发表于 PLOS Global Public Health。

大约 3000 万罕见疾病患者面临漫长的诊断之旅，其中一些病症难以被现有的疾病模式识别。此次，圣路易斯华盛顿大学医学院与全球多国研究人员合作，揭开了一名德国儿童患有的罕见遗传病的病因。该病涉及智力障碍和脑部结构异常，并影响蛋白质折叠功能。

研究团队通过基因组测序发现，患者的神经系统症状与 CCT3 基因变异有关。CCT3 基因是 TRiC/CCT（核心蛋白折叠机械）复合物的关键成分，其主要作用是帮助蛋白质折叠并维持其正常功能。为了进一步验证，研究人员利用线虫作为模型，发现携带该基因变异的线虫在运动和神经系统功能上均表现出明显的异常。研究显示，当 CCT3 活性仅为 50% 时，蛋白质折叠功能严重受损，影响了肌动蛋白的正常分布。此外，研究还发现类似基因变异的患者中有 22 人表现出相似的神经系统症状，表明 TRiC 复合物的不同亚基变异可能会导致一种新型大脑畸形疾病。这些发现为未来可能的治疗和进一步的诊断方法提供了依据。研究结果发表在 Science 上。

西奈山医院的研究团队首次揭示了心脏病发作后，心脏通过免疫系统向大脑发送信号，促进睡眠以加速康复。这项由Cameron McAlpine领导的研究，指出了心脏和大脑之间的独特互动机制，有助于提高心脏病患者的临床管理效果。

研究团队采用小鼠模型诱导心脏病发作，并使用高分辨率成像、细胞分析和无线植入式脑电图记录装置来监测小鼠的睡眠模式，发现心脏病发作后小鼠的慢波睡眠增加了三倍。免疫细胞单核细胞被召集到大脑丘脑的外侧后核（LPN），产生肿瘤坏死因子（TNF）以激活谷氨酸能神经元，增加慢波睡眠的丰富度。通过阻断这种信号传导，研究者发现小鼠的心脏应激反应和炎症增加，恢复速度减慢。进一步的人体实验表明，心脏病发作后数周内睡眠质量差的患者，其再次发生心血管事件的风险较高，心脏功能改善不明显。该研究发表在 Nature 上。

抑制F-肌动蛋白积累延缓大脑衰老

随着年龄增长，F-肌动蛋白（F-actin）在果蝇大脑中积累，导致神经元功能下降和认知退化。为探究这一过程的因果关系，加州大学洛杉矶分校的David Walker实验室，由Edward Schmid等人领导，通过果蝇模型研究揭示了F-肌动蛋白积累对脑衰老的影响。

研究团队利用遗传干预手段，抑制果蝇衰老神经元中F-肌动蛋白的聚集，成功恢复了自噬功能。自噬（autophagy）是细胞清除受损成分的回收机制，对维持神经元健康至关重要。在实验中，降低衰老果蝇神经元中F-肌动蛋白水平有效防止了认知功能下降，延长了果蝇健康寿命约25-30%。此外，研究发现限制饮食和使用雷帕霉素等方法均有助于减少F-肌动蛋白的积累。

研究团队指出，尽管基因干预仅限于神经元，但对果蝇整体健康产生了积极影响。进一步分析表明，F-肌动蛋白的积累通过削弱自噬来加速脑衰老，而通过阻断其积累可以延缓这一进程。研究揭示了过量F-肌动蛋白聚合是脑衰老的标志，提出未来可以通过靶向该过程延缓大脑衰老。该研究成果已发表于 Nature Communications。

衰老相关的寿命和健康寿命改善通常需在小鼠模型中验证果蝇的发现，而巴克衰老研究所的团队直接通过果蝇和人类数据的跨物种分析，旨在加速发现有效的衰老干预靶点。该研究团队由Pankaj Kapahi教授带领，利用机器学习和系统生物学方法，锁定了苏氨酸（threonine）作为潜在的治疗靶点。

研究中，巴克研究团队使用了DGRP菌株在饮食限制（DR）和正常饮食（AL）条件下的数据，涵盖了代谢组学、表型以及全基因组信息。通过随机森林模型和孟德尔随机化，研究者探讨了基因型如何影响代谢物及其在果蝇与人类中的寿命和健康寿命延长作用。数据分析表明，苏氨酸在果蝇的特定基因型和性别下延长了寿命；而乳清酸（orotate）则显示出相反的效果，阻碍了饮食限制对寿命的积极影响。研究结果通过与英国生物银行的人的数据对比进一步验证了苏氨酸在寿命调节中的潜在治疗价值。研究团队指出，这一新方法有望减少对小鼠实验的依赖，加速跨物种寿命干预策略的发现。研究成果发表在 Nature Communications。

痴呆症是全球老年人主要致残因素，病情逐渐恶化，影响患者的生活质量。本研究由Louise Rigny带领的团队完成，研究团队利用物联网技术收集大量家庭环境下的睡眠数据，试图分析其在痴呆症早期筛查中的作用。

该研究采用无监督聚类模型，对来自“ Minder”研究的痴呆症患者（PLWD）和普通人群的睡眠数据进行分析，数据量涵盖100人超9500个夜晚的记录。通过床垫下传感器收集的睡眠活动数据传至云服务器，在数据处理和聚类分析后发现，痴呆症患者与普通人群在睡眠模式上存在显著差异。以痴呆症患者为主的一个聚类（72%）表现出较多的觉醒时间、光线干扰增加，而快速眼动和非快速眼动睡眠时间明显减少，这些特征与痴呆症已知的睡眠表型相一致。结果表明，物联网传感器在家庭环境中被动收集的睡眠数据可用于筛查痴呆症，并且在痴呆症护理和研究中具有潜在价值。研究发表于 Communications Medicine 期刊上。

聚磷酸盐或为神经退行性疾病的潜在保护因子

密歇根大学的Ursula Jakob教授及其团队发现，阿尔茨海默病和帕金森病患者脑内的原纤维结构可能与一种名为聚磷酸盐（polyP）的生物聚合物有关，这一发现为理解这些疾病的分子机制提供了新视角。

研究人员通过冷冻电子显微镜和分子动力学模拟，发现患者脑内的 α-突触核蛋白原纤维（α-Syn fibrils）中存在一种神秘的高负电荷密度，可能源于聚磷酸盐（polyP）的参与。团队模拟了聚磷酸盐在α-突触核蛋白原纤维中的结合位置，确认其进入了赖氨酸丰富的区域。为进一步验证，研究人员改变了原纤维关键位点（K43和K45）以观察聚磷酸盐的作用变化，发现失去聚磷酸盐的原纤维对细胞的毒性显著增强，反映出聚磷酸盐或可通过中和电荷排斥对抗毒性。该研究提出了通过维持脑内适当聚磷酸盐水平可能延缓神经退行性疾病的进展，但未来仍需大规模研究加以验证。该研究结果发表在 PLOS Biology 上。

加速双重磁场疗法可显著缓解难治性抑郁症

来自剑桥大学与贵阳的研究团队联合开展了一项针对难治性抑郁症的新型TMS疗法研究。该研究由剑桥大学精神病学系的Valerie Voon教授领导，并得到了贵阳精神卫生中心的Yanping Shu的支持。该团队测试了双重磁场疗法的加速版，以应对传统疗法疗程长、见效慢的问题。

研究共招募了75名患者，并采用EEG 10-20系统引导双目标加速TMS疗法进行试验。实验中，双重治疗组接受了右侧眶额皮质（OFC，负责决策和负面情绪调节）抑制后，再对左侧背外侧前额皮质（dlPFC，负责情绪控制和认知功能）进行激活。实验为期5天，每天四次治疗，分别设立了双重TMS组、单侧TMS组和假手术对照组。

结果显示，双重TMS组在治疗结束后的抑郁症状明显减轻，近一半患者（47.8%）症状缓解超过50%，而单侧TMS组和假手术组的缓解率分别为18.2%和4.3%。四周后，双重TMS组和单侧TMS组的临床反应率分别达到61%和59%。该方法不仅在急性抑郁症病例中具有显著疗效，而且显示出快速减少自杀风险的潜力。研究发表在 Psychological Medicine 上。

多组学聚类揭示抑郁症炎症标记物新关联

由马克斯普朗克精神病学研究所的 Annalena Huber 领导的团队，为更好地理解抑郁症与免疫系统的关系，分析了大量生物数据，重点研究不同炎症标记物和基因活动在抑郁患者中的差异。研究成果首次揭示了抑郁症不同症状群体中免疫相关特征的多样性。

该研究采用跨诊断方法，从237名受试者中收集包括年龄、BMI、43种免疫标记物以及 RNA-seq 数据的多组学数据，并通过机器学习识别样本中的模式，最终将受试者分为四类。研究显示，CRP（C反应蛋白）和 IL-1RA（白细胞介素 1 受体拮抗剂）等标记物对于高抑郁症负荷与高炎症群体具有显著特征，而低抑郁症负荷群体则在RNA-seq数据中富含大脑相关基因。研究还揭示了特定免疫细胞内的 SERPINF1/VEGF-A（血小板生成相关通路）失调，表明该通路可能在抑郁症发病中扮演重要角色。这些结果展示了跨数据集成在抑郁症分层中的优势，并为未来开发个性化治疗提供了潜在生物标记物。研究发表在 Brain, Behavior, and Immunity 上。

嗅觉丧失与 139 种疾病存在潜在联系

加州大学欧文分校的 Ethan Perez 团队联合查理·邓洛普生物科学学院与牛津人文研究中心，揭示了嗅觉丧失与炎症在多种疾病中的密切关联。研究团队由名誉教授Michael Leon、Cynthia Woo 和 Emily Troscianko 领导。

研究团队跟踪并分析了 139 种与嗅觉丧失和炎症相关的疾病，包括阿尔茨海默病和帕金森病。研究通过时间优先性和预测性分析，表明嗅觉丧失与这些疾病的发生可能具有因果联系。团队提出，嗅觉丰富（olfactory enrichment，即通过增强嗅觉刺激的治疗方式）能够减少炎症反应，从而在预防和治疗上具有潜力。进一步的研究显示，愉悦的气味可显著降低炎症反应，可能为改善记忆和大脑健康提供有效的非侵入性干预手段。Leon 表示，正在开发一种非侵入性的嗅觉疗法设备，以用于健康管理。研究发表在 Frontiers in Molecular Neuroscience 上。

传统的脑部疾病治疗方法多需要通过金属电极插入大脑，但此类手术风险较大，易引起出血和感染。针对这一问题，首尔国立大学工程学院航空航天工程系的Jai-ick Yoh教授团队，与医学院的Hyung-Jin Choi教授团队合作，研发了一种非侵入性的微冲击波疗法。此方法无需手术切口，可精准刺激脑部特定区域，激发细胞分化和神经再生。

研究团队使用冲击波深部脑调制（DBM）技术，以冲击波的高峰值强度（10–127 W/mm²）对大脑深部神经进行精确调节。通过优化压力分布，小鼠模型的实验结果显示，在下丘脑（hypothalamus）区域，神经元的活跃度显著提升，而在海马体（hippocampus），这种刺激引发了显著的神经生成效应，且未造成神经元损伤。行为学测试结果表明，接受该疗法的小鼠运动活动有所降低，但空间记忆未受到显著影响，显示出该疗法的安全性和稳定性。该研究建立的微冲击波刺激方案为开发安全有效的非侵入性脑部疾病治疗设备提供了可行的路径。研究发表在 Brain Stimulation 上。

PTSD治疗新方向：跨物种研究揭示性别对恐惧反应的独特影响

巴塞罗那自治大学的ICREA研究教授Raül Andero Galí，带领团队开展开创性的小鼠与人类恐惧反应研究，致力于促进PTSD与焦虑症治疗方法的发展。团队通过跨物种的综合研究，试图打破传统的动物与人类研究屏障，以求更全面地理解人类大脑。

该研究使用了小鼠体内钙成像和人类恐惧反应的功能性核磁共振（fMRI）技术，探索月经周期对恐惧记忆的影响。实验中，团队分别对小鼠和人类受试者施加恐惧刺激，监测其神经活动和激素水平。结果显示，雌性小鼠在月经周期的特定阶段表现出更高的应激反应，人类数据也呈现出类似的性别差异。此外，团队研究发现，针对情绪区域的神经肽受体（neuropeptide receptors）的药物开发可能比传统疗法更精准。通过这种跨物种的实验，研究者揭示了恐惧记忆形成中的性别和激素影响的复杂性，这对于未来PTSD等恐惧相关疾病的个性化治疗具有重要意义。研究发表在 Brain Medicine 上。

风湿病学领域面临医疗专业人员短缺、人口老龄化及成本上升等多重挑战，致使护理缺口不断扩大。近年来，数字医疗技术（Digital Health Technologies, DHT）以指数速度发展，为应对这些问题提供了全新机会，并可能提升整体医疗质量。然而，将这些创新引入临床实践并非易事。近期综述指出，DHT在重塑患者路径和重新定义患者与提供者角色方面具有颠覆性潜力，但同时也面临整合障碍。

综述还提出了一种“数字优先的混合阶梯式护理”模式，通过结合面对面和远程护理，为患者提供个性化和连续的健康监测。此模式在提升护理灵活性的同时，能有效减少不必要的就诊，优化资源配置。然而，将患者与医疗提供者关系转变为“数字健康三位一体”带来技术引入的潜在风险，也亟需解决监管、报销和数据证据方面的障碍。只有通过合作，共同驾驭数字健康的复杂格局，才能实现DHT在风湿病护理中的潜力。

虚拟现实结合电刺激显著改善空间记忆

洛桑联邦理工学院Hummel实验室和Olaf Blanke的认知神经科学实验室联合研究，旨在通过无创神经调节方法改善空间记忆能力。团队专注于解决老年人、脑创伤患者及认知障碍患者的空间记忆衰退问题。

实验采用一种创新的经颅时间干扰电刺激（tTIS）技术，通过四个电极刺激志愿者头部的海马-内嗅复合体（HC-EC），以特定频率和时间模式对海马体及其邻近结构施加间歇性theta突发刺激（iTBS）。志愿者在虚拟现实环境中进行一系列空间导航任务，fMRI监测大脑活动。研究显示，iTBS刺激使参与者回忆位置所需时间明显缩短，海马体活动增强，且内嗅皮层的网格细胞样活动减少。这一结果表明，通过VR训练和非侵入性电刺激组合，空间导航和记忆表现显著提升，特别适用于改善阿尔茨海默病等患者的认知功能。研究发表在Science Advances上。

伦敦国王学院的研究人员发现，星形胶质细胞（astroglia）能够被重新编程为类似中间神经元的细胞。星形胶质细胞是大脑中的支持细胞，这项研究为恢复癫痫等神经疾病中受损的大脑回路带来了希望。研究由发育神经生物学教授 Benedikt Berninger 领导，研究团队还包括副研究员 Nicolás Marichal。

研究团队通过对小鼠进行实验，诱导星形胶质细胞合成 Ascl1 蛋白（Ascl1）。突变后的 Ascl1（Ascl1SA6）比自然生成的版本更有效地将星形胶质细胞转化为功能性神经元。研究还发现，当 Ascl1SA6 与 B 细胞淋巴瘤 2（Bcl2）共同作用时，神经源性活性进一步增强。通过遗传命运追踪技术，研究人员确认了大部分转化后的神经元源自星形胶质细胞，只有少量源自少突胶质细胞前体细胞（OPC）。这些新生成的神经元不仅具备高频放电能力，还表现出与特定皮质中间神经元相似的特性。研究结果为细胞重编程技术的临床应用提供了重要依据，尤其是在神经疾病治疗中的潜在应用。研究发表在 Science Advances 上。

斯坦福大学 Wu Tsai 神经科学研究所的Michael Lin教授与Ron Dror教授团队，通过多参数筛选和遗传工程开发了新型电压指示器ASAP5，以实现实时可视化人类神经元之间的微小电信号。这一成果为研究自闭症、癫痫等神经系统疾病提供了新工具。

ASAP5是通过多参数筛选优化而成的一种新型基因编码电压指示器（Genetically Encoded Voltage Indicator，简称GEVI），具有增强的激活动力学和更高的响应度。研究团队在实验中使用ASAP5观察了人类和大鼠神经元的突触后电位和动作电位，成功捕捉到极微小的微型突触后电位（mEPSP）信号，并记录了这些信号从突触向胞体传播的过程。ASAP5在小鼠、苍蝇和鱼等多种模式生物中展现了极高的信噪比，使得研究人员能够实时分析大脑信号传导的完整谱系。该研究还发现，神经元的树突末端距离胞体较远的突触产生的电信号更强烈，而信号随着传播距离呈指数衰减。ASAP5不仅解决了过去GEVI难以可靠检测微弱突触信号的挑战，还能应用于人类神经元，为未来的神经元功能障碍研究提供了高通量的表征手段。这项研究发表在 Neuron 上。

近年来，随着计算能力需求的激增，信息技术的能耗迅速增加，碳足迹甚至超越了民用航空业。为了应对这一挑战，Santa Fe Institute的David H. Wolpert领导的多学科研究团队提出，随机热力学（stochastic thermodynamics）可用于研究计算系统的能耗优化问题。研究结合多家机构的资源，探讨了生物计算系统和现代计算机之间的能量效率差异，为计算机工程设计提供新视角。

研究团队基于随机热力学，提出在计算系统中分析热力学约束的理论模型。通过对非平衡态下的计算系统（包括数字计算机和自然系统如大脑）进行深入研究，发现传统“兰道尔界限”（Landauer’s bound）无法准确反映计算的实际能耗。研究显示，在现实中，计算系统的能耗远高于这一理论界限，主要原因在于计算速度、精度以及模块化设计带来的额外“不可逆熵产生”（irreversible entropy production, EP）。例如，数字计算机因周期性处理方式产生额外能耗，这在低功耗设计中至关重要。

此外，研究还发现，能量效率在一定程度上可以通过优化计算速度和系统结构来提升，但在速度或精度提升的情况下，耗能也相应增加。研究团队进一步指出，这些优化潜力的实现依赖于对随机热力学的进一步应用，将为更节能的计算机设计带来突破性进展。研究揭示了计算系统的热力学效率极限，并提出从物理实现方式出发来调整计算机设计的可能性，旨在减少全球计算行业的碳排放。研究发表在 PNAS 上。

麻省理工学院、杰克逊实验室、哈佛大学布罗德研究所及耶鲁大学的联合研究团队近日在Nature杂志发表了一项基于人工智能的新研究，展示了通过人工智能设计合成顺式调控元件（CRE），可以在不同细胞类型中精确控制基因表达。这项研究克服了当前基因疗法中缺乏特异性的难题，为未来精准医疗和基因治疗带来了新希望。

研究团队利用人工智能深度卷积神经网络（Malinois）模型，通过分析跨细胞类型的CRE活性，设计了成千上万种合成顺式调控元件（CRE），从而实现特定细胞类型的基因表达控制。Malinois模型通过大规模并行报告分析（MPRA）技术进行了验证，在三种不同的细胞系中准确预测CRE的活性。团队随后开发了合成CRE设计方法CODA，并在小鼠和斑马鱼中进行了跨物种验证。研究发现，合成CRE能显著提高靶向特定细胞类型的基因表达精度，同时抑制非靶向细胞中的基因活性。

此外，该团队展示了CODA设计的CRE比天然CRE更具特异性，表明人工智能设计的DNA开关不仅适用于实验模型，还在生物复杂组织中展现了跨物种的可移植性。这种人工设计的基因表达控制工具，未来可能广泛应用于生物制造、基因疗法等领域，为疾病特异性治疗提供更安全、高效的解决方案。研究发表在 Nature 上。

蛋白质定位错误是疾病的常见原因

多伦多大学唐纳利细胞和生物分子研究中心的Mikko Taipale教授与Jessica Lacoste领导的国际研究团队，首次建立了一个公开的大规模蛋白质定位图谱，分析了基因突变对蛋白质在细胞中位置的影响。基因测序技术的进步使研究人员识别出大量致病突变，但其具体对细胞过程的影响仍不明确。本研究旨在填补这一知识空白。

研究团队建立了一个高通量成像平台，筛选了1,269个基因的3,448个错义变异，系统性分析突变对蛋白质定位的影响。结果表明，约16%的致病或可能致病变异会导致蛋白质错误定位，主要由于蛋白质稳定性的破坏及其膜整合能力的丧失，而非通常认为的蛋白质运输信号破坏或蛋白质相互作用的改变。

研究人员进一步发现，这些错误定位的模式与疾病的多效性及严重程度密切相关。例如，囊性纤维化的典型突变会导致蛋白质滞留在内质网中，影响其在细胞表面的正常定位。针对这一问题的药物疗法已经在临床应用，旨在促进突变蛋白的正确运输，改善患者症状。研究团队还将这一蛋白质错位数据库公开，希望有助于发现能矫正蛋白质定位的化合物，以治疗罕见疾病。这项研究成果发表在 Cell 期刊上。

临床试验是科学发现的关键，但癌症试验中面临招募难题，其中一个主要障碍是医生需要手动匹配患者和试验标准。研究团队来自哥伦比亚大学和梅奥诊所，他们开发了PRISM管道，通过大模型（LLMs）简化了这一匹配过程。

研究团队提出了PRISM管道，利用非结构化患者记录和试验标准直接输入大模型，以简化临床试验匹配。该方法依赖于新开发的OncoLLM模型，该模型经过微调后显示出优于GPT-3.5并与GPT-4效果相当的性能。相比传统NLP方法，PRISM无需基于规则的匹配过程，能够有效缩短从数据输入到匹配的时间。在实验中，OncoLLM实现了与医学医生几乎相同的临床试验匹配效果。

该模型尤其适合隐私敏感的医疗环境，因为其可在私有基础设施上运行，并显著小于GPT-3.5和GPT-4。此外，该团队开发了一种新的排名算法，将相关试验的位置显著提前，显著优化了患者-试验的匹配流程。研究显示OncoLLM模型可支持以患者为中心和以试验为中心的双向匹配搜索，进一步证实了大模型在临床应用中的潜力。研究发表在 Npj Digital Medicine 上。

本项研究由明尼苏达大学医学院、斯坦福大学、贝斯以色列女执事医疗中心和弗吉尼亚大学的研究人员组成的合作团队进行，研究探讨了 GPT-4 在医生诊断过程中的表现。50 名美国家庭医学、内科和急诊医学的医生参与了实验，以评估该 AI 模型作为诊断辅助手段的效果。

在研究中，医生被随机分配为两组，一组可以使用 GPT-4 作为辅助，另一组仅依赖传统的诊断资源。每位医生在 60 分钟内分析 6 个临床案例，使用标准化的诊断评分量表对表现进行评估。结果显示，使用 GPT-4 辅助的医生与传统资源组的医生在诊断评分上的差距不显著，分别为 76% 和 74%。然而，GPT-4 单独使用时的表现显著优于仅使用传统资源的医生组，得分高出 16 个百分点（P = 0.03）。研究表明，虽然 GPT-4 在独立诊断上具有潜力，但与医生协同时的实际效果尚不理想，未来需要进一步研究如何有效整合 AI 与临床实践。研究发表于 JAMA Network Open。

近年来，科学家利用深度神经网络（DNN）研究大脑视觉系统，深入探索高层视觉表征的形成规律。此次研究由多个机构的研究人员共同完成，旨在通过不同视觉模型的数据对比，揭示影响视觉表征的核心因素。研究团队包括了视觉科学、神经科学和机器学习领域的科学家，他们利用开源DNN模型的多样性，从多方面分析其与大脑的预测性关系。

研究团队对224个不同架构和任务目标的视觉模型进行了控制变量实验，累计完成18亿次回归分析和50300次表征相似性分析，测试模型对大脑的预测能力。首先，研究发现，虽然卷积神经网络（CNN）与变压器（Transformer）在架构上差异显著，但在其他条件相同下，二者在大脑预测性方面表现相近。视觉任务类型也未显著影响结果，例如纯视觉对比学习与视觉语言对齐的模型在预测性上表现相当。

真正产生显著影响的是视觉训练数据集（或称“视觉饮食”）。在仅变动视觉数据集（例如仅人脸、仅地点等）的条件下，不同模型的视觉表征表现出最大的差异，表明训练数据对预测性能的作用显著。许多模型尽管在内部表征上存在差异，但都能实现相似的高预测性，研究团队认为这表明现有的模型-大脑关联方法过于宽松，难以准确反映模型间的微观差异。

总之，此次研究表明，视觉训练数据的选择在大脑预测性上影响最大，挑战了以往对模型对齐大脑的普遍假设。通过深入对比分析，这项研究为理解生物和人工视觉系统的共同计算原则提供了新的视角。研究发表在 Nature Communications 上。

中国科学院深圳先进技术研究院的研究团队提出了 MaCo 模型，旨在通过减少对大量人工注释数据的依赖，提高医疗诊断的效率和准确性。研究团队利用 MaCo 模型实现对胸部 X 射线图像的高效分析和异常识别，有望为医学图像分析提供新的技术路径。研究发表在 Nature Communications 上。

MaCo（Masked Contrastive Model）是一种基于掩蔽对比学习的视觉语言基础模型，专为胸部 X 射线分析而设计。该模型通过利用掩蔽对比学习方法实现了对图像细节的深度理解，并在多项任务上展示了出色的表现。研究团队使用六个开源的 X 射线数据集进行了多项标签高效的微调实验，包括分类、分割、检测等任务。结果显示，MaCo 在不同注释级别的任务中优于超过十种现有方法，在零样本学习方面尤为出色。相关性加权机制的应用，使得模型能够有效地关注 X 射线图像中的重要区域，从而提高异常识别和定位的精准度。这一成果展示了 MaCo 的潜力，能够在显著降低注释成本的同时，提升医疗影像分析中的诊断性能。

麻省理工学院的研究团队提出了一种全新的机器学习架构，以应对当前通用机器人训练中的异质性问题。传统训练方式需要针对特定任务的专用数据，耗费时间与成本，而该团队的创新方法则整合多源数据，以通用化的方式解决不同任务的适应性问题。

研究团队设计了“异构预训练变压器（HPT）”，一种专为通用机器人训练设计的多源预训练架构。HPT通过整合52个来自不同领域的机器人数据集，包括模拟、真实机器人和人类演示视频，将本体感觉（proprioception，指机械臂位置和速度追踪的感知数据）和视觉数据转化为令牌格式，由变压器模型统一处理。这种多模态、多领域数据的整合方式帮助机器人快速适应不同任务，无需每次从头训练。实验结果显示，HPT在多种模拟和现实任务中超越了传统的训练方法，性能提升了20%以上。研究表明，这种跨领域数据预训练不仅节省成本，也更适合实际应用中的通用机器人。研究将在Neural Information Processing Systems 上发表。

首尔国立大学工程学院的研究团队由Seung Ju Kim博士和Ho Won Jang教授领衔，他们专注于智能硬件材料的低能耗应用开发。随着物联网（IoT）、大语言模型（LLM）和生成式人工智能对高效计算需求的增加，传统硅基CMOS技术因高能耗和性能瓶颈逐渐无法满足新需求。研究团队旨在通过神经形态硬件的开发，克服数字计算的功耗和速度限制。

本研究采用了具有独特微结构的二维卤化物钙钛矿材料（2D halide perovskites），其高离子迁移率和良好的耐湿性使其成为新型神经形态硬件的理想材料。通过构建Dion-Jacobson二维钙钛矿结构，研究团队成功实现了高度对称、线性的电导变化，解决了传统钙钛矿的离子传输控制难题。

该团队设计了一个7×7的交叉阵列结构，具备突触权重（synaptic weight）存储、长期稳定性及超低功耗特点。在基于MNIST、CIFAR和ImageNET等数据集的推理测试中，该设备的误差率低于理论极限的0.08%。实验表明，通过消除无机层之间的间隙，钙钛矿层内的离子可以均匀迁移，有效提高计算精度和效率。这项研究表明，该技术未来在节能AI硬件应用、自动驾驶和医疗诊断等领域具有广泛潜力。研究成果发表在 Nature Nanotechnology 上。

麻省理工学院的研究团队开发了一种亚细胞级别的柔性可穿戴设备，用于包裹神经元的不同部分（如轴突和树突），以实现对神经元电活动的测量和调节。研究团队由麻省理工学院 AT&T 职业发展助理教授、Nano-Cybernetic Biotrek Lab 负责人 Deblina Sarkar 领衔，联合多位研究人员进行。

该设备由柔软的偶氮苯聚合物材料制成，在光的作用下可以实现亚微米级的折叠，适应神经元的复杂形态，并在显微注射到神经元培养物中后，能够与神经元的亚细胞结构形成无缝结合，从而达到精准的生物界面。通过改变光的强度、偏振和方向，研究人员可以精确控制设备在神经元周围的包裹方式和角度，进而实现对神经元电活动的测量和调节功能。研究表明，这些设备不会对神经元造成伤害，且能在不使用洁净室的情况下大量生产。未来，这项技术可用于为多发性硬化症等神经疾病患者恢复神经元功能，甚至为神经调控、记录及保护提供亚细胞水平的应用前景。该研究发表在 Communications Chemistry 上。

单被试解码模型因个体差异和数据量限制，难以在多被试场景下泛化，而多被试解码模型通常无法有效地提取全局特征。针对这一问题，中科院自动化所的周琼怡、杜长德和何晖光团队提出了一种创新的CLIP引导多被试解码方法CLIP-MUSED，通过整合视觉-语言模型的表征空间引导学习，解决了多被试神经响应对齐难题。

CLIP-MUSED方法在多被试解码中采用基于Transformer的特征提取器，使其能够高效建模全局神经响应。通过加入被试特异的Token来编码个体差异，本方法在保持模型参数不随被试数量线性增长的同时，提升了数据的泛化性。为了精准刻画不同被试对刺激的神经响应关系，研究团队引入了表征相似性分析（RSA），利用视觉刺激在CLIP特征空间的拓扑关系引导Token学习。

在两个fMRI数据集（HCP和NSD）上的实验结果显示，CLIP-MUSED相较于传统单被试和多被试方法在分类准确性上具有明显优势。此外，该方法的可视化分析还展示了初级和高级Token分别在视皮层和顶叶、额叶的注意力分布，有效反映了视觉刺激的初级和高级特征响应。此研究成果展示了CLIP引导的Transformer模型在多被试神经解码应用中的潜力，适用于神经解码的多样化场景。研究发表在 International Conference on Learning Representations (ICLR) 上。

NeuGPT是一项由香港科技大学（广州）和悉尼科技大学等多所机构的研究人员合作开展的研究。团队核心成员包括Yiqian Yang和Yiqun Duan等人，他们在项目的设计、编码、测试等方面做出重要贡献。此项目旨在突破传统神经信号处理的孤立性，将脑电图、脑磁图、皮层电图等多种神经信号整合到同一模型中，以更高效的方式解码大脑信号，并实现跨模态的多种应用。

研究团队开发的NeuGPT模型引入了多模态神经信号处理的新框架，能够同时接收和生成神经信号，显著提升了脑机接口的解码能力。在实验中，NeuGPT通过一系列离散建模技术成功将脑磁图信号转换为文本，并在文本生成质量上超越了现有技术基准。相比以往，NeuGPT在BLEU-1（用于测评文本生成质量）和ROUGE-1F（用于衡量文本生成一致性）指标上分别从6.94和6.93提升至12.92和13.06。值得一提的是，NeuGPT不仅能够解码信号，还能模拟特定个体的神经信号，在神经接口应用中具有广泛的潜力。此研究的代码已在Github的NeuSpeech/NeuGPT库中开放，为后续研究提供了强有力的工具。

近年来，人工智能在图像识别等任务中取得了显著进展，但模仿大脑中的计算机制仍具挑战性。Tibbling Technologies、哈佛医学院博德研究所、澳大利亚国立大学等机构的研究团队在该领域的前沿展开了合作，以探索神经元竞争机制在人工智能中的应用。

该团队提出了基于实验数据的新皮质网络模型，主要聚焦初级视觉皮层（V1）的 2-3 层回路，模拟了大脑中的“赢者通吃”机制。研究将小清蛋白神经元（Parvalbumin，前馈抑制）、生长抑素神经元（Somatostatin，反馈抑制）、VIP 神经元（去抑制）和 LAMP5 神经元（增益标准化）等四类神经元结合，形成“软赢者通吃”（sWTA）计算模式。这一计算模式使用 IBM 的 TrueNorth 神经形态硬件芯片，通过参数映射技术实现，展示了极高的生物相似性。

研究进一步表明，将这种 sWTA 机制引入 Vision Transformer（视觉转换器）模型后，显著提升了其在 MNIST 数据集上的分类准确性，且在零样本学习场景下也具备优良的泛化能力。研究团队预计，该类脑计算方法未来将广泛应用于计算机视觉、医学图像分析和自动驾驶等领域。