追问daily | 保护牙齿也在保护大脑；开车聊天为什么会让人反应迟钝？告别抗抑郁药的正确姿势

当被称为“跳跃基因”的转座子侵入基因组并破坏重要基因时，细胞并非束手无策。Long-Wen Zhao和Scott Kennedy等人（哈佛医学院）发现了一种前所未知的“应急响应”机制，能够在mRNA层面主动切除这些入侵的DNA序列。这项研究揭示了细胞如何在表观遗传防御失效后，利用一套独立的剪接系统来挽救受损的遗传信息，为理解基因组稳定性提供了全新视角。

研究团队在秀丽隐杆线虫中发现，尽管某些基因被转座子插入，但其功能依然保留。通过纳米孔长读长测序（Nanopore long-read sequencing），他们证实转座子序列在mRNA转录本中被高效移除。这一过程被称为“SOS剪接”，它独立于传统的剪接体，而是识别转座子特有的反向末端重复序列（ITR）所形成的RNA发夹结构。通过遗传筛选，研究人员鉴定了三个关键执行者：AKAP17A负责识别“求救信号”即发夹结构，CAAP1作为桥梁招募RTCB，而RTCB（一种RNA连接酶）则负责将切除转座子后的mRNA断片重新连接。虽然这种修复并不完美，常伴随微小的插入或缺失，但它足以恢复部分蛋白质的正常表达。该机制在人类细胞中同样存在，表明这是一种古老且保守的基因保护策略。研究发表在 Nature 上。

Nature：3.4万人大数据揭示肠道微生物健康排名

心血管疾病（CVD）和2型糖尿病（T2D）等心血管代谢疾病已成为全球主要健康负担，而肠道微生物被认为是连接饮食与健康的关键桥梁。然而，由于个体肠道菌群的高度差异性，科学界一直难以定义通用的“健康微生物组”标准。为此，意大利特伦托大学的Nicola Segata、Francesco Asnicar及其团队，基于ZOE PREDICT研究整合了超过3.4万人的大规模数据，旨在破解这一难题并量化肠道微生物与健康的具体联系。

研究团队利用宏基因组测序、饮食记录及多项健康指标，分析了美英两国34,694名参与者的数据，构建了“2025 ZOE 微生物健康排名”。该系统筛选出661个与健康标志物密切相关的物种，明确了“好细菌”（如普拉梭菌 Faecalibacterium prausnitzii）和“坏细菌”（如活泼瘤胃球菌 Ruminococcus gnavus）。在涉及5,348人的独立队列验证中，研究发现健康体重人群拥有更多的“好细菌”，而肥胖及患有2型糖尿病等疾病的人群则富含“坏细菌”。更重要的是，通过对746人进行的饮食干预临床试验，研究证实个性化饮食方案能显著提升有益菌丰度并抑制有害菌。这项研究为通过精准营养改善心血管代谢健康提供了强有力的科学依据。研究发表在 Nature 上。

尽管全基因组关联研究已发现大量与人类特征相关的基因变异，但这些变异如何具体影响大脑功能，往往因为位于非编码区而成为未解之谜。为了填补这一“缺失环节”，Jian Yang（西湖大学）带领Li Chen、Yazhou Guo等研究人员组成的团队，利用大规模样本构建了人类大脑皮层中非编码RNA的精细遗传调控图谱，揭示了它们在复杂性状调节中的关键作用。

该研究分析了近3000个人类大脑皮层样本的测序数据，系统鉴定了数万个长链非编码RNA（lncRNA）和环状RNA（circRNA），其中大部分是先前数据库未记录的新发现。研究团队利用表达数量性状基因座（eQTL，一种影响基因表达水平的DNA序列变异）分析技术，发现这些非编码RNA的遗传调控机制与邻近的蛋白编码基因相对独立，且往往具有更强的调节效应。研究进一步结合全基因组关联研究（GWAS）的数据，发现许多与大脑疾病相关的遗传信号实际上是通过调控非编码RNA来发挥作用的，例如在与帕金森病相关的VPS45基因附近的lncRNA。这项工作不仅极大地扩展了我们对人脑转录组的认识，也为解析神经精神疾病的遗传机制提供了新的分子靶点。研究发表在 The American Journal of Human Genetics 上。

Nature：首个人类生殖道发育细胞图谱问世

为了解开人类生殖系统发育的谜团，威康·桑格研究所的Valentina Lorenzi和Roser Vento-Tormo等人绘制了首个高分辨率的人类生殖道发育图谱。该研究填补了人类胚胎数据稀缺的空白，通过分析大规模胎儿样本，深入解析了从早期胚胎到性别分化完成的关键过程，为理解不孕症及先天性生殖障碍提供了全新的视角。

研究团队利用单细胞RNA测序和空间转录组学技术，分析了超过50万个细胞，精确追踪了细胞在发育过程中的分化路径和空间定位。研究发现，同源异形基因（HOX genes）在器官定位中起到了类似“邮政编码”的作用，例如胸腔HOX基因被意外发现在输卵管和附睾的头部表达，这修正了以往基于小鼠模型的认知。此外，团队发现输卵管和附睾的功能区域化在胎儿期就已确立。更重要的是，通过使用类器官模型进行毒理学测试，研究人员证实胎儿期的子宫上皮细胞对内分泌干扰物（endocrine-disrupting chemicals）非常敏感，暴露于这些化学物质可能诱导异常发育，从而增加成年后的健康风险。这项研究不仅为生殖医学提供了详尽的参考地图，也为药物安全筛选提供了重要依据。研究发表在 Nature 上。

开车聊天让眼睛“反应迟钝”：说话如何干扰视觉搜索

开车时聊天是否会让你“眼慢手迟”？藤田保健卫生大学的Shintaro Uehara及其团队通过实验给出了肯定的答案。他们发现，说话产生的认知负荷足以干扰大脑对眼球运动的控制，导致驾驶员在察觉危险时出现关键性的视觉延迟，这表明即便是免提通话，其潜在的认知干扰也可能严重威胁驾驶安全。

为了揭示这一机制，研究团队招募了30名健康成年人进行了一项中心向外眼动任务（center-out eye-movement tasks，一种要求受试者从中心点快速准确看向周边目标的测试）。受试者需要在三种不同条件下完成任务：回答基于韦氏成人智力量表的问题（说话条件）、聆听小说《我是猫》的节选（听力条件）以及无任务对照。结果显示，当受试者在说话时，其眼动行为的三个关键阶段——反应时间、运动时间以及视线稳定所需的调整时间——均出现了显著延迟。相比之下，仅仅聆听音频并没有产生这种负面影响。这表明，组织语言和回答问题所需的认知资源会与控制眼动的神经机制产生竞争，导致视觉扫描能力下降。对于需要时刻关注路况（如避让行人或障碍物）的驾驶员而言，这种微小的延迟累积起来可能导致严重的后果。研究发表在 PLOS ONE 上。

告别抗抑郁药的正确姿势：单纯减量不够，心理支持是关键

抑郁症患者在病情好转后如何安全停药，一直是困扰医生和患者的难题，不当停药往往导致高复发率。来自维罗纳大学的Debora Zaccoletti团队通过一项大规模研究给出了明确建议：最佳方案并非单纯依靠药物调整，而是结合心理干预。该研究指出，在心理支持下缓慢减少药物剂量，是预防复发的最有效停药手段。

这项研究采用系统评价和网络荟萃分析的方法，整合了76项随机对照试验的数据，涵盖了17,379名参与者，是目前该领域最全面的证据评估。研究人员对比了突然停药、快速减量（4周以内）和缓慢减量（超过4周）等多种策略。结果显示，“缓慢减量并辅以心理支持”的效果与继续服用抗抑郁药相当，均能显著降低复发风险。具体而言，与突然停药或过快减量相比，该策略能帮助五分之一的患者避免病情反复。值得注意的是，数据表明仅仅进行缓慢减量而缺乏同步的心理支持（psychological support），在预防复发方面并不比突然停药更有效。这一发现强调了在“处方精简”（deprescribing）过程中，医疗专业人员的持续跟进和心理干预至关重要。研究发表在 The Lancet Psychiatry 上。

为什么人类大脑成熟速度比其灵长类近亲慢？

人类之所以拥有卓越的认知能力，与其前额叶皮层独特的发育模式密切相关。北京师范大学和昌平实验室的Jiyao Zhang、Mayuqing Li及Qian Wu等人组成的研究团队，深入比较了人类与猕猴大脑在出生后的发育过程。他们通过构建高分辨率的跨物种发育图谱，揭示了人类大脑“慢工出细活”背后的细胞与分子机制，并探讨了这与神经精神疾病易感性之间的联系。

该研究综合运用了单核RNA测序、单核转座酶可及染色质测序以及单细胞空间转录组学技术，对出生后不同阶段的人类和猕猴前额叶皮层进行了精细分析。研究人员发现，与猕猴相比，人类前额叶皮层的成熟过程显著延长。数据分析显示，人类的神经胶质祖细胞——一种能分化为特定胶质细胞的干细胞样细胞——在发育过程中表现出更强的增殖能力。研究还锁定了调节突触生成和修剪的关键时间窗口，并识别出具有人类特异性表达特征的转录因子。更重要的是，团队通过整合数据，精确定位了那些对神经发育障碍和神经精神疾病最为敏感的细胞类型。这项研究表明，人类特有的调控程序通过协调神经元和胶质细胞的共同发育，延长了皮层成熟时间，这可能是人类高级认知形成的基础，同时也为理解相关疾病提供了新的细胞学视角。研究发表在 Nature Neuroscience 上。

肠道菌群与血液标志物联合检测有望精准诊断青少年抑郁症

青少年重度抑郁症的诊断长期依赖主观访谈，缺乏客观的生物学依据。Xueer Liu、Aoyi Geng和Xinyu Zhou等研究人员（重庆医科大学精神病中心）通过深入探究“肠脑轴”机制，发现了一组能够精准辅助诊断青少年抑郁症的生物标志物。该研究揭示了肠道菌群失调、肠道屏障受损与全身炎症之间的复杂联系，为开发基于血液和粪便样本的客观诊断工具提供了科学依据。

研究团队招募了46名首次确诊且未接受药物治疗的青少年抑郁症患者以及44名健康对照者，采集并分析了其血液和粪便样本。研究发现，患病青少年的血浆中存在高水平的炎症因子和紧密连接蛋白（tight junction proteins，维持肠道壁完整性的关键蛋白），这表明患者出现了肠道屏障功能障碍和全身性炎症。在微生物层面，患者肠道内的柯林斯菌属（Collinsella）丰度显著降低，而该菌属与炎症水平呈负相关。

进一步的分析表明，肠道菌群的改变影响了短链脂肪酸（short-chain fatty acids，细菌分解纤维产生的代谢物）的生成，进而削弱了肠道屏障功能。最令人振奋的是，研究人员构建了一个整合柯林斯菌属丰度、紧密连接蛋白和炎症标志物的综合诊断模型，该模型的诊断准确率极高，曲线下面积达到了0.964。这一发现意味着，未来通过简单的血液和粪便检测，医生就能更准确地识别青少年抑郁症。研究发表在 Translational Psychiatry 上。

牙齿脱落究竟是通过减少咀嚼刺激直接损伤大脑，还是通过影响进食导致营养不良从而间接影响认知？Rie Hatakeyama, Hiroshi Oue, Miyuki Yokoi, Eri Ishida, Takayasu Kubo, Kazuhiro Tsuga等来自广岛大学的研究人员利用小鼠模型进行了深入探究。研究结果证实，导致记忆力衰退的主要驱动因素是咀嚼功能的丧失，而非蛋白质摄入不足，这为通过口腔护理预防老年认知衰退提供了重要依据。

研究团队选用了一种加速衰老的小鼠模型即SAMP8小鼠（senescence-accelerated mouse prone 8），通过实验性拔除臼齿来模拟牙齿脱落，并将小鼠分为正常蛋白饮食和低蛋白饮食组进行为期六个月的观察。行为学测试显示，无论摄入何种饮食，失去牙齿的小鼠都表现出显著的记忆力下降。在脑组织分析中，研究人员发现牙齿缺失显著增加了Bax/Bcl-2 mRNA比值（Bax/Bcl-2 mRNA ratio），这是一种细胞死亡与存活的标志物，表明大脑出现了促凋亡活动。此外，牙齿脱落还导致海马体的CA1区和齿状回出现了神经元炎症和细胞丢失，而这些区域对记忆形成至关重要。相比之下，低蛋白饮食的影响范围有限，主要集中在CA3区。这些发现表明，咀嚼刺激的减少直接诱导了大脑中的促细胞死亡通路。研究发表在 Archives of Oral Biology 上。

如何在浩如烟海的化学反应路径中快速找到正确的那一条？Pinku Nath、Masaharu Yoshioka和Satoshi Maeda等研究人员（WPI-ICReDD，化学反应设计与发现研究所）开发了一种名为 ChemOntology 的人工智能系统。该系统成功将人类化学家的“直觉”转化为机器语言，通过引入化学本体知识，大幅提高了复杂化学反应路径搜索的效率和准确性，解决了传统计算方法盲目穷举的难题。

该研究提出了一种全新的计算框架，将 ChemOntology 与现有的自动反应路径搜索技术——人工力诱导反应（AFIR）相结合。传统算法往往因缺乏化学常识而浪费大量算力在不合理的路径上，而 ChemOntology 通过引入基本反应过程本体（ERPOs）和特定的反应规则，明确界定了哪些化学键变化和分子几何结构在化学上是合理的。研究团队以经典的赫克反应（Heck reaction）为例进行了验证，这是一个涉及多种中间体的复杂有机金属反应。结果显示，ChemOntology 辅助的搜索方法不仅成功识别了所有的关键中间体和反应步骤，而且通过剔除无效路径，将完成搜索所需的时间缩短了一半。与依赖大数据的机器学习模型不同，这种基于知识驱动的方法无需预先训练，展示了在机理分析和催化剂设计中的巨大潜力。研究发表在 ACS Catalysis 上。

考古学家利用AI打造“DIY”史前游戏，让文物“开口说话”

长期以来，制作沉浸式的历史数字内容不仅昂贵，而且难以更新，这限制了公众对考古成果的深入理解。Mikkel Nørtoft、Rune Iversen（哥本哈根大学）与Daniela Hofmann（卑尔根大学）组成的研究团队，利用人工智能和免费数字工具，成功开发了一种低成本的“DIY考古游戏”制作模式，让研究人员能够亲自构建具有教育意义的动态3D世界。

该研究的核心在于将专业的考古数据转化为互动体验。团队首先利用3D摄影测量技术对新石器时代的遗址进行扫描，并在虚幻引擎中重建了逼真的三维场景。为了解决传统游戏中NPC对话死板的问题，研究人员引入了Convai工具，利用大语言模型（Large Language Models，简称LLM，一种能理解和生成人类语言的人工智能模型）驱动游戏中的角色。更为关键的是，他们采用了检索增强生成技术（RAG），通过将专业的考古学术文本上传至系统，让AI角色（如游戏中的考古学家和史前女性）能够基于严谨的学术资料与玩家进行非剧本化的实时对话，既保证了互动的自然流畅，又确保了知识的准确性。在案例游戏《Dolmen Game》的测试中，玩家不仅能探索丹麦的巨石墓，还能在AI萨满的引导下解读洞穴壁画。这一成果表明，即使非编程专家的考古学者，也能利用现有技术打破时空界限，为博物馆和教育领域提供极具沉浸感的“数字实操”体验。研究发表在 Advances in Archaeological Practice 上。

摆脱人类干预后，生成式AI陷入“视觉电梯音乐”陷阱

人工智能是否真的具备无限的创造力？瑞典达拉纳大学（Dalarna University）的Arend Hintze及其团队通过一项创新实验给出了审慎的答案。他们研究了当生成式AI在没有人类干预的情况下独立进行内容创作循环时会发生什么，结果发现这些智能体并不能维持长期的创造性，反而迅速陷入了平庸和重复的模式。

为了测试AI在完全自主状态下的表现，研究人员设计了一种视觉“传话游戏”。他们将图像生成模型Stable Diffusion XL与大型语言视觉模型LLaVA配对，建立了一个封闭的反馈回路：先由文本生成图像，再由AI描述该图像，随后将描述传回生成模型产生新图像，如此循环。研究团队使用了100个主题各异的初始提示词，并进行了多达1000次的迭代。结果显示，无论最初的指令多么独特或复杂，也无论是否在模型设置中增加了随机性，AI在经过约100轮交互后，都会不可避免地偏离原始主题。所有实验轨迹最终都收敛到了12个特定的通用主题，如哥特式大教堂、暴风雨中的灯塔、体育场景或豪华客厅。研究人员形象地将这种现象称为“视觉电梯音乐”（visual elevator music），指出这反映了AI模型训练数据中隐含的人类审美偏好和统计学吸引子。这表明，目前的AI架构倾向于回归到训练数据中最常见的模式，若无人机协作或反趋同机制，AI可能导致文化内容的同质化。研究发表在 Patterns 上。

大模型推理速度提升4.6倍，NPR框架实现原生并行思考

为了解决大语言模型在复杂任务中单线思考容易出错且效率低下的问题，Tong Wu、Song-Chun Zhu和Zilong Zheng等研究人员（北京通用人工智能研究院）开发了一种名为原生并行推理器（NPR）的全新框架。该框架无需依赖外部教师模型的监督，便能让智能体像人类一样在一次思考中同时探索多条路径，通过自我演化具备原生的并行推理能力，显著提升了模型解决复杂问题的准确性和效率。

该研究提出了一套渐进式的三阶段训练范式。首先，通过格式跟随强化学习让模型掌握并行表达结构；其次，利用自蒸馏技术（Self-distillation）让模型从自身的生成结果中筛选高质量轨迹，内化并行逻辑；最后，采用一种新颖的并行感知策略优化算法（PAPO），直接在执行图中优化分支策略。为了支撑这一过程，团队还开发了NPR-Engine，通过优化键值缓存和内存管理，解决了并行计算中的工程瓶颈。实验结果显示，在Qwen3-4B模型上应用NPR框架后，其在数学竞赛等8个推理基准上的准确率提升了24.5%，推理速度加快了4.6倍，并且实现了100%的真正并行执行，不再退回到传统的串行解码模式。这一突破为构建更通用、可扩展的智能体提供了新的技术路径。

SCOPE框架：让AI智能体通过Prompt自我进化大幅提升任务成功率

大语言模型智能体常因“记吃不记打”而备受诟病，它们往往无法从错误日志中吸取教训，导致陷入重复错误的循环。Zehua Pei、Hui-Ling Zhen等（华为诺亚方舟实验室，香港中文大学）联合开发了SCOPE框架。该研究通过让智能体从自身的执行轨迹中自动提炼规则并更新提示，实现了智能体的在线自我进化，显著提升了其在复杂任务中的表现。

SCOPE框架的核心在于将上下文管理转化为一个自动优化过程。研究团队提出了一种名为“指导规则合成”（Guideline Synthesis）的方法，即通过生成器分析智能体的执行轨迹，提取出具体的指导规则。这些规则通过“双流路由机制”（Dual-Stream Routing）被分类存储：解决即时错误的规则进入“战术记忆”，而通用的长期原则则进入“战略记忆”。为了防止规则冲突和冗余，系统还引入了记忆优化器进行清理。此外，SCOPE采用“视角驱动探索”（Perspective-Driven Exploration），让智能体同时在效率优先和周全优先等不同策略视角下演化，以找到解决特定任务的最佳路径。实验结果显示，在具有挑战性的HLE基准测试中，SCOPE将任务成功率从14.23%大幅提升至38.64%，在GAIA基准上也取得了显著进步，且61%的规则来自对成功模式的主动增强而非仅仅修复错误。

深度序列模型倾向于以几何方式记忆

深度序列模型究竟是如何“记住”知识的？是像查字典一样死记硬背，还是在脑海中构建了一张地图？来自卡内基梅隆大学（Carnegie Mellon University）的Shahriar Noroozizadeh与谷歌研究院（Google Research）的Vaishnavh Nagarajan、Elan Rosenfeld和Sanjiv Kumar组成的团队，通过一项创新研究挑战了传统的“关联记忆”观点。他们发现，深度模型在记忆原子事实时，倾向于自发形成一种包含全局关系的“几何记忆”，而非简单地存储局部共现信息。

研究团队设计了一种特殊的“路径星图”（path-star graphs）任务，要求模型将图的连接关系存储在权重中并进行路径推理。在传统的关联记忆（Associative Memory）视角下，模型需要通过类似于暴力查找的方式处理信息，这是一项极其复杂的任务。然而，实验结果显示，无论是Transformer还是Mamba架构，都能在没有显式指导的情况下轻松完成大规模图的推理。这表明模型在训练过程中，自发地将孤立的知识点通过神经嵌入（Neural Embedding）组织成了具有几何结构的“地图”，将复杂的逻辑推理转化为简单的几何距离计算。进一步分析发现，这种几何特性与Node2Vec算法中的谱偏差（Spectral Bias）有关，且在缺乏特定优化压力的情况下依然自然涌现。这一发现不仅揭示了AI模型内部运作的新机制，也为提升模型的知识推理和存储效率指明了方向。