追问weekly | 过去一周，脑科学领域有哪些新发现？

Nature：细胞间的“能量充电宝”：胶质细胞向神经元转移线粒体可缓解慢性疼痛

慢性神经痛是糖尿病和化疗常见的并发症，往往源于神经细胞能量供应不足。杜克大学医学院的Ru-Rong Ji、Jing Xu以及Cagla Eroglu等人组成的团队发现了一种全新的细胞间互助机制：神经系统中的支持细胞可以像“充电宝”一样，将健康的线粒体输送给受损的神经元，从而显著缓解疼痛。

研究团队利用小鼠模型和人类组织进行实验，发现卫星胶质细胞（satellite glial cells）通过一种被称为隧道纳米管（tunneling nanotubes）的微小通道结构，将线粒体直接传递给感觉神经元。这一过程依赖于一种名为肌球蛋白10（MYO10）的蛋白质。研究显示，在糖尿病神经病变样本中，MYO10水平较低，导致线粒体转移受阻，进而引发神经退化和疼痛。当研究人员通过注射健康线粒体或植入高表达MYO10的胶质细胞来恢复这种能量传递时，小鼠的疼痛行为减少了多达50%，缓解效果可持续48小时。这项研究不仅揭示了胶质细胞在维持神经元健康中的关键作用，也为从根源上治疗慢性疼痛提供了新策略。研究发表在 Nature 上。

为何目前的过敏和哮喘药物常常疗效不佳？David Artis及其团队（威尔康奈尔医学院）通过一项颠覆教科书的研究给出了答案：神经系统在启动免疫反应中起着意想不到的主导作用。研究团队长期致力于探索神经系统在炎症性疾病中的角色，他们发现，现有的生物制剂往往只针对免疫成分而忽略了神经元。此次研究揭示了疼痛感受神经元不仅是感觉的传递者，更是免疫反应的“点火器”，这一发现为解释过敏反应的早期症状及开发新型双靶点疗法提供了重要依据。

该研究利用鼠鞭虫感染小鼠模型，深入探究了伤害感受器——一种负责传递疼痛和瘙痒信号的神经元——在免疫反应中的功能。研究发现，当这些神经元检测到寄生虫（或潜在的过敏原）时，会释放一种名为降钙素基因相关肽（CGRP）的分子。这种信号分子直接作用于肠道内壁的簇状细胞（tuft cells），并促使上皮祖细胞迅速分化，导致簇状细胞数量在24小时内激增近五倍。这种神经-上皮回路的激活虽然有助于清除寄生虫，但当其过度反应时，便会引发哮喘和纤维化等过敏性疾病。通过单细胞RNA测序（single-cell RNA sequencing）和空间转录组学分析，研究人员证实了这一机制的分子基础。这一发现表明，未来的治疗策略应同时靶向免疫系统和神经系统，以更有效地控制过敏性疾病。研究发表在 Nature 上。

Nature：大脑如何通过独立神经元群协同编码内容与情境

为什么我们能轻易区分与朋友共进晚餐和商务会谈这两种截然不同的场景，尽管面对的是同一个人？为了揭示这一记忆机制，波恩大学的Marcel Bausch和Florian Mormann等人通过记录人脑单神经元活动，发现大脑利用两组独立的神经元群分别处理内容与情境，并通过协同作用形成灵活的记忆。这一发现解释了人类记忆如何在保留细节的同时实现高效的通用化。

研究团队招募了16名植入颅内电极的癫痫患者，在他们执行图片比较任务时，记录了内侧颞叶区域超过3000个神经元的活动。研究发现，人脑中存在两类截然不同的神经元：一类是“内容神经元”，仅对特定图像（如饼干）有反应；另一类是“情境神经元”，仅对特定任务指令（如询问物体是否更大）有反应。与啮齿动物不同，很少有神经元同时编码两者。有趣的是，这两组神经元通过协同放电（co-firing）建立联系：在正确回忆时，内容神经元的激活会预测几十毫秒后情境神经元的活动。这种机制被称为模式补全，使大脑能够像守门人一样，根据线索提取相关的背景信息。这种将内容与情境存储在不同神经库的分工方式，赋予了人类记忆极大的灵活性，使我们能在不同场合复用同一概念。研究发表在 Nature 上。

为了解决大脑中充当“制动系统”的关键神经元难以在实验室生成的难题，Christina A. Stamouli 和 Daniella Rylander Ottosson 等人（隆德大学）开发了一种突破性技术。他们成功绕过干细胞阶段，直接将大脑支持细胞转化为与精神分裂症及癫痫密切相关的小白蛋白神经元，揭示了细胞命运转变的关键基因通路。

小白蛋白细胞在维持大脑平衡中起着核心作用，其功能异常会导致严重的神经系统疾病。研究团队开发了一种创新的三维重编程方法，能够将神经胶质细胞直接转化为中间神经元。利用单核RNA测序，研究人员发现，这种方法仅需两周时间就能生成成熟的小白蛋白神经元，其中包括一种名为吊灯细胞的罕见亚型。

相比传统干细胞分化方案通常需要数月时间，这项新技术不仅大幅缩短了时间，还通过谱系轨迹分析确定了驱动这一转化的关键基因。这一发现意味着科学家现在可以在实验室中利用患者自身的细胞快速构建疾病模型，深入探究精神分裂症和癫痫的病理机制。长远来看，该研究为开发将大脑内胶质细胞原位转化为健康神经元的再生疗法提供了可能，有望直接修复受损的大脑回路。研究发表在 Science Advances 上。

人类大脑的进化之谜可能藏在肠道里。Katherine R. Amato和Alex R. DeCasien等人（西北大学）领导的一项开创性研究揭示，肠道微生物群不仅影响消化，还直接参与塑造大脑的功能与发育。研究团队发现，来自不同脑容量灵长类动物的微生物能够改变宿主大脑的运作方式，这为理解人类如何进化出高能耗的大脑提供了全新的实证数据。

研究团队进行了一项受控实验：将人类和松鼠猴（大脑容量灵长类）以及猕猴（小脑容量灵长类）的肠道微生物移植到无菌小鼠（germ-free mice，体内不含任何微生物的实验小鼠）体内。八周后的分析显示，携带大脑容量灵长类微生物的小鼠，其大脑中与能量产生和突触可塑性相关的基因表达显著增强。更有趣的是，植入人类微生物的小鼠，其大脑基因表达模式竟然与真实人类大脑高度相似。相比之下，携带小脑容量灵长类微生物的小鼠则表现出与孤独症、多动症等神经发育障碍相关的基因表达模式。这表明，如果生命早期缺乏“正确”的微生物，大脑发育可能发生改变并引发相关疾病症状。研究发表在 PNAS 上。

脊髓损伤后的神经再生一直是医学界的难题。为了解开外周神经能再生而中枢神经不能再生的谜题，帝国理工学院的Simone Di Giovanni团队及其博士生宋雅玥（Yayue Song）等人进行了一项开创性研究。他们发现了一条关键的代谢途径——磷酸戊糖途径，它不仅维持着日常的感觉功能，更是启动神经修复的关键“开关”。这项研究揭示了通过代谢重编程促进中枢神经系统修复的可能性。

研究团队利用背根神经节神经元作为模型，对比了其可再生的外周分支和不可再生的中枢分支。蛋白质组学分析显示，磷酸戊糖途径（Pentose Phosphate Pathway）在外周轴突中高度富集。在日常活动中，该途径通过生成NADPH来中和由机械压力产生的活性氧，从而维持感觉稳态。更重要的是，研究发现当外周神经受损时，该途径会被激活并产生核糖-5-磷酸（Ribose-5-phosphate）以支持修复所需的核苷酸合成；然而，在脊髓损伤后，该途径却处于“沉默”状态。为了验证其治疗潜力，研究人员尝试在小鼠模型中过表达关键酶——转酮醇酶（Transketolase），或者简单地让小鼠口服核糖补充剂。结果令人振奋：这两种干预方式都成功激活了代谢通路，显著促进了受损脊髓的轴突再生，并改善了小鼠的运动和感觉功能。研究发表在 Cell 上。

CRISPR筛选揭示数百个大脑发育必需基因

哪些基因是构建大脑的基石？如果它们失效会发生什么？耶路撒冷希伯来大学的Sagiv Shifman教授团队与法国国家健康与医学研究院（INSERM）的Binnaz Yalcin教授合作，利用全基因组筛选技术，绘制了一张早期大脑发育关键基因的详细图谱。这项研究不仅鉴定出数百个神经元分化所必需的基因，还发现了一个导致罕见神经发育障碍的新基因 *PEDS1*，并揭示了不同类型基因突变与特定疾病症状之间的联系。

研究团队采用CRISPR对小鼠胚胎干细胞中的约20,000个基因进行了系统性敲除筛选，观察它们在分化为脑细胞过程中的作用。结果鉴定出331个对神经元生成至关重要的基因。其中，研究重点关注了 *PEDS1* 基因，发现它是合成缩醛磷脂（plasmalogens，一种富含于神经纤维保护层髓鞘中的特殊膜磷脂）的关键酶。在临床样本中，研究人员发现 *PEDS1* 的突变导致儿童患有严重的发育障碍和小头畸形。动物模型进一步证实，该基因缺失会加速细胞退出分裂周期，阻碍神经元的正常分化和迁移。此外，研究还发现了一个有趣的规律：涉及转录调控的基因突变通常导致显性遗传疾病，而像 *PEDS1* 这样涉及代谢过程的基因则多导致隐性遗传疾病。为了推动领域发展，团队还建立了开放的在线数据库，共享所有筛选数据。研究发表在 Nature Neuroscience 上。

松果体作为大脑的“生物钟”，通过分泌褪黑素调节睡眠周期，但因其位置深且体积小，科学家一直难以深入研究其功能与病理。In-Hyun Park、Ferdi Ridvan Kiral和Woo Sub Yang团队（耶鲁大学）取得突破，他们利用干细胞技术首次培育出能够模拟人类松果体发育并产生褪黑素的类器官，为理解睡眠障碍及神经发育疾病提供了强有力的研究工具。

该研究通过引导人类多能干细胞分化，成功构建了人类松果体类器官（human pineal gland organoids）。利用单细胞RNA测序技术，研究人员证实这些类器官包含成熟及发育中的松果体细胞，其基因表达特征与真实人体组织高度相似。实验显示，这些类器官不仅能分泌褪黑素，还能表达肾上腺素能受体，并对去甲肾上腺素信号产生反应，完美复刻了人体内的昼夜节律调控机制。为验证其临床价值，团队利用天使综合征（Angelman Syndrome）患者的细胞构建模型，发现其松果体细胞分化异常且褪黑素合成显著减少，解释了该病患者睡眠障碍的成因。此外，将类器官移植到切除松果体的小鼠体内后，成功恢复了小鼠血液中的褪黑素水平。研究发表在 Cell Stem Cell 上。

假装游戏的社会化力量：从玩偶互动看儿童亲社会能力

游戏不仅是儿童的消遣，更是其理解他人与建立社会连接的窗口。为了探究不同形式的游戏如何反映儿童的社交能力及其背后的神经机制，Salim Hashmi 和 Sarah A. Gerson 等人（卡迪夫大学、伦敦国王学院）开展了一项结合行为观察与神经影像学的研究。该团队深入分析了儿童在独自玩耍与合作游戏中的行为模式差异，揭示了特定游戏风格与亲社会行为之间的紧密联系，并发现了语言使用与大脑关键区域活动之间的相关性。

研究团队招募了57名4至8岁的儿童，让他们分别在独自一人和与实验人员共同参与的情境下，使用芭比娃娃及配套玩具进行自由游戏。研究人员利用神经影像设备监测儿童的大脑活动，重点关注与社交理解相关的后上颞沟（pSTS）和涉及执行功能的背外侧前额叶皮层（dlPFC）。同时，通过详细的行为分析，区分儿童是进行假装游戏（pretend play）还是单纯的布置游戏（set-up play），并记录他们描述想法与感受的内部状态语言（Internal State Language）。结果显示，无论是在哪种情境下，儿童花费在摆放和整理玩具上的时间都远多于实际表演故事的时间。然而，合作情境显著促进了假装游戏的发生。数据表明，在合作中进行更多假装游戏的儿童，其日常生活中表现出的亲社会行为更强，同伴问题更少。此外，虽然整体游戏风格与神经活动无直接关联，但那些频繁使用内部状态语言来描述他人想法和感受的儿童，其大脑中负责视角转换和调节的区域表现出更活跃的信号，证实了在游戏中思考他人感受能激活特定的神经系统。研究发表在 Cognitive Development 上。

生成式人工智能编码的隐性成本：效率与技术债务的权衡

生成式人工智能虽然能显著提升编程效率，但若在旧系统中不当使用，可能引发严重的系统危机。Edward Anderson（德克萨斯大学奥斯汀分校）、Geoffrey Parker（达特茅斯学院）和Burcu Tan（新墨西哥大学）组成的团队通过研究发现，在软件开发中草率部署AI会加剧技术债务，进而削弱系统的可扩展性并破坏其稳定性。

该研究团队通过对金融科技、国防和保险等多个行业的数十位程序员及高管进行深度访谈，并结合经济模型分析了AI在软件工程中的实际影响。研究指出，虽然AI能将编码速度提高约45%，但当用于处理遗留系统时风险倍增。这些旧系统往往积累了大量技术债务（technical debt，即未来为了弥补开发过程中偷工减料和快速修复而需要投入的额外技术成本）。

研究结果表明，由于AI模型通常是在包含缺陷的现有代码上进行训练的，它倾向于复制甚至放大这些错误，导致每行代码产生的技术债务比经验丰富的人类工程师更多。如果在未加人工严格监督的情况下，让缺乏经验的初级程序员使用AI修补“棕地”环境（brownfield environments，指基于现有旧系统进行开发的软件环境），可能导致类似2022年西南航空公司调度系统崩溃的灾难性后果。团队建议，企业必须将消除技术债务纳入日常工作流，制定明确的人机协作协议，并加强对开发人员关于AI潜在风险的培训，而非仅仅追求速度。研究发表在 MIT Sloan Management Review 上。

即使未经训练，人类也能天生理解音乐的复杂结构

音乐如同语言，拥有复杂的层级结构，但普通人是否需要经过专业训练才能“听懂”这些结构？Riesa Cassano-Coleman、Sarah Izen和Elise Piazza等人（罗切斯特大学）通过一项新研究挑战了传统观点。他们发现，即便是没有接受过任何正规训练的非音乐家，也拥有一双惊人敏锐的耳朵，能够像专业音乐家一样，在无意识中利用复杂的音调结构来理解音乐。这一发现表明，人类大脑或许天生就具备处理音乐复杂性的能力，这种能力是在一生聆听音乐的过程中自然习得的。

该研究团队设计了一种创新的实验方法，将柴可夫斯基的钢琴作品在不同的时间尺度上进行打乱重组，从而创造出具有不同程度音调背景的音乐片段。研究人员邀请了音乐家和非音乐家参与记忆、预测和事件分割等实验。结果显示，当音乐保留了较完整的上下文信息时，两组人群预测下一个音符或记忆旋律的能力都显著提高，且提高的幅度相似。这说明非音乐家也在使用一种类似“音乐理论”的隐性知识来处理信息。虽然音乐家在识别长距离的“超乐句”结构上略显优势，但总体而言，音乐训练并未在整合基础音调语境方面带来显著差异。这项研究为理解大脑如何整合层级化信息提供了新视角，并暗示了这种机制可能与大脑处理语言语境的方式存在某种共性。研究发表在 Psychological Science 上。

同理心驱动：让教育游戏更具情感与实效的十步框架

尽管电子游戏在教育潜力上备受认可，但如何将其有效融入课程并建立真正的情感连接仍是难题，许多游戏往往忽视了学习者的情感和社会体验。为此，Raluca Ionela Maxim和Joan Arnedo-Moreno（加泰罗尼亚开放大学）开发了同理心设计思维框架（EDTF），旨在解决这一痛点，通过结构化的方法指导设计者开发出兼具教学价值与情感共鸣的教育游戏。

该研究提出了一种结合了同理心设计、设计思维以及人机交互（HCI）原则的创新方法。EDTF框架包含十个循序渐进的阶段：从深入了解用户需求的“同理心”阶段开始，经历“共同设计场景”、“共同设计教学内容”、“评估用户体验（User Experience）”、“创建简单模型”等迭代过程，直至最终的“实施与维护”。这种方法不仅关注游戏机制，更强调通过情感计算和参与式设计来提升学习者的投入度。为了验证该框架的有效性，研究团队邀请了60名教学游戏专家进行量化评估，并对18名专家进行了深度访谈。结果显示，该框架能有效指导设计者平衡教学目标与游戏体验，将抽象的同理心转化为具体的设计行动，从而创造出更具包容性和影响力的数字学习工具。研究发表在 Information 上。

神经科学家开发衡量多语言能力的新公式

世界上超过一半的人口会说不止一种语言，但如何界定和衡量“多语能力”一直缺乏统一的标准。Xuanyi Jessica Chen和Esti Blanco-Elorrieta（纽约大学）开发了一套基于证据的创新公式和计算器。该工具能够量化个体的多语言程度及主导语言，旨在为研究人员、临床医生和教育工作者提供一种清晰、科学的评估方法，解决了长期以来难以准确描述语言背景的困境。

该研究团队开发了两个核心公式，并将其实施在一个交互式计算器中。这些公式主要基于两个关键变量：语言习得年龄（Age of Acquisition）以及用户对自身听、说、读、写能力的自我评估。为了验证该方法的有效性，研究人员在两组截然不同的人群中进行了测试，包括健康的年轻双语者和患有语言障碍的老年双语者。团队将新公式的计算结果与传统依赖大量背景数据且计算繁琐的主成分分析方法进行了对比。结果显示，这种简化的新方法得出的语言优势指数与复杂方法的结果几乎完全一致。该工具不仅能生成从单语到精通多语的多语言能力得分，还能精确计算语言间的优势差异，证明了仅依靠习得年龄和自评熟练度即可实现对多语言能力的准确量化，为语言病理学和认知科学研究提供了标准化的定量手段。研究发表在 Bilingualism: Language and Cognition 上。

拖延症是情绪调节失败而非懒惰：短期情绪修复如何牺牲未来自我

拖延症常被误解为懒惰或缺乏意志力，但其背后的心理机制远比这复杂。加拿大毕索普大学的Fuschia Sirois和卡尔顿大学的Timothy Pychyl通过系统性理论综述，提出拖延本质上是一种自我调节失败，与短期情绪修复和情绪调节密切相关，而非简单的时间管理问题。

研究团队对拖延症相关文献进行了系统梳理，重点分析了短期情绪调节在拖延行为中的优先性。研究指出，当个体面对被视为令人厌恶、困难或无聊的任务时，会产生焦虑等负面情绪。拖延者为了尽快摆脱这些不适感，会选择回避任务，从而获得即时的情绪缓解。然而，这种短期情绪修复的效果是暂时的，延迟完成任务反而会带来更大的压力、内疚和焦虑，形成恶性循环。研究特别强调了自我的时间性理解（temporal understanding of self）在拖延中的重要性。现在自我（present self）倾向于优先满足即时情绪需求，而拖延的负面后果——如时间压力增加、任务质量下降、健康受损——则由未来自我（future self）承担。这种现在自我与未来自我之间的时间脱节是理解拖延行为的关键。研究还将这些个体内部过程与拖延对健康和幸福感的负面影响联系起来，为后续干预研究提供了理论基础。研究发表在 Social and Personality Psychology Compass 上。

聪明的配偶还是强壮的伴侣？雌鼠的选择取决于它自己

为什么在漫长的进化过程中，并非所有动物都变得绝顶聪明？为了解开这一维持生物多样性的谜题，Alexandros Vezyrakis、Fragkiskos Darmis、Valeria Mazza 和 Anja Guenther 等研究人员（马克斯·普朗克进化生物学研究所）通过结合半自然环境观察与受控实验，发现雌性小鼠会根据自身的特质选择互补的配偶，从而防止了单一特质在种群中固定，揭示了性选择维持行为多样性的机制。

该研究在四个半自然围栏中追踪了139只野生家鼠的行为，并引入了需要解谜才能获取食物的装置。结果显示，只有约四分之一的小鼠表现出创新能力。通过DNA亲子鉴定发现，种群中存在显著的异型交配（disassortative mating）现象，“互补”配对的比例远高于随机预期。深入的择偶实验揭示了背后的双重机制：首先，雄性面临着“智力”与“体力”的权衡，创新型雄性通常体型较小，而体型是竞争优势的指标；其次，雌性的择偶标准与其自身能力密切相关。具有创新能力的雌鼠倾向于选择体型更大的雄鼠以获取身体优势基因，而缺乏创新能力的雌鼠则偏好聪明的雄鼠。这种基于自身条件的差异化选择，使得创新基因和强壮基因在种群中得以动态平衡。研究发表在 Current Biology 上。

AI视觉进化的歧路：高性能模型为何不再像人脑？

长期以来，“更好的人工智能意味着更好的大脑模型”被视为一种共识，但这一观点正面临严峻挑战。Drew Linsley、Pinyuan Feng和Thomas Serre等（布朗大学、哥伦比亚大学）的研究团队通过深入分析指出，随着深度学习模型在计算机视觉任务上的表现达到甚至超越人类水平，它们作为灵长类视觉模型的有效性反而正在下降。这一发现揭示了现代人工智能在追求高性能的过程中，可能正在形成一套与生物进化完全不同的视觉策略。

研究团队分析了Brain-Score基准测试中数百种不同架构的深度神经网络（DNN），涵盖了传统的卷积神经网络（CNN）和新兴的视觉Transformer（ViT），并对比了它们在ImageNet数据集上的物体识别准确率与预测灵长类下颞叶皮层神经反应的能力。结果揭示了一个令人深思的“倒U型”趋势：在准确率达到约70%之前，AI性能的提升确实带来了更好的神经预测能力；但一旦突破这一阈值，随着模型达到超人类的识别水平，其神经对齐度反而显著衰退。为了探究原因，研究人员利用“ClickMe”平台分析了特征关注图，发现高性能模型倾向于利用背景纹理、水印等人类忽略的非生物特征作为决策的“捷径”。研究强调，只有通过引入生物学约束的训练，才能纠正这种偏差，使AI重新成为理解大脑的有效工具。研究发表在 Trends in Cognitive Sciences 上。

Nature：告别阿片类药物成瘾，揭示无副作用止痛新蓝图

面对严重的阿片类药物滥用危机和数千万慢性疼痛患者的困境，宾夕法尼亚大学佩雷尔曼医学院的Gregory Corder和Michael Platt等人通过跨学科合作取得突破性进展。他们结合神经科学与人工智能技术，成功研发出一种针对特定脑回路的基因疗法，能够在缓解疼痛的同时完全消除成瘾风险。

该研究首先利用人工智能驱动的行为分析平台，精准追踪和量化小鼠的疼痛行为，以此作为“地图”来解析大脑如何处理疼痛信号。研究团队发现，前扣带回皮层中的特定神经元群体负责编码疼痛带来的不适感和负面情绪。基于此发现，他们开发了一种新的化学遗传学基因疗法。这种疗法如同一个安装在大脑中的“音量旋钮”，专门针对这些对阿片类药物敏感的神经元植入一个“关闭开关”。实验结果显示，当该开关被激活时，能够模拟吗啡的镇痛效果，显著减轻慢性神经性疼痛带来的痛苦体验，但仅仅是降低了“疼痛的音量”，而不会阻断正常的身体感觉，更重要的是，它完全避开了引发成瘾的奖赏通路。这一发现为开发非成瘾性、精准化的疼痛治疗药物提供了具体的蓝图。研究发表在 Nature 上。

Science：抗衰老注射再生膝关节软骨并预防关节炎

随着人口老龄化，骨关节炎成为困扰全球数亿人的顽疾，往往最终只能通过关节置换手术解决。斯坦福大学医学院的Helen Blau和Nidhi Bhutani等人领导的研究团队取得了一项突破性发现：通过阻断一种随年龄增长而增加的蛋白质，可以在不使用干细胞的情况下，成功再生软骨并逆转关节损伤。

该研究聚焦于一种名为15-PGDH的蛋白质，研究人员将其归类为“衰老酶”（gerozyme），其水平升高会导致肌肉萎缩和组织功能下降。研究团队通过向老年小鼠和关节受损小鼠注射15-PGDH抑制剂，发现这能显著促进透明软骨的再生，并有效预防关节炎的发生。利用单细胞RNA测序技术，研究人员揭示了其独特机制：该疗法并非激活干细胞，而是对现有的软骨细胞进行重编程，使其基因表达模式恢复年轻状态，从而重新开始合成细胞外基质。此外，来自人类关节置换手术的组织样本在接受治疗后也显示出积极的再生反应。这一发现为开发无需手术即可治疗骨关节炎的药物奠定了基础。研究发表在 Science 上。

衰老脊髓的自我防御：小胶质细胞通过TGF-β信号防止髓鞘损伤

随着年龄的增长，脊髓作为大脑与身体沟通的桥梁，面临着退化的风险。然而，卡罗林斯卡医学院的Robert A. Harris和Harald Lund及其团队（包括第一作者Keying Zhu）研究发现，神经系统内部拥有一套自我保护机制。研究揭示了自身的免疫细胞在特定的信号分子调节下，能够积极保护脊髓免受衰老带来的损伤，这一发现为理解神经退行性疾病提供了新的视角。

研究团队通过深入分析小鼠模型，发现随着衰老，脊髓背柱（Dorsal Column，脊髓中负责传递本体感觉和精细触觉的区域）的髓鞘会逐渐受损。利用单核RNA测序技术，研究人员发现该区域的小胶质细胞会激活一种名为转化生长因子β（TGF-beta，一种多功能的细胞因子，参与调节细胞生长和免疫反应）的信号通路。实验表明，这种信号分子就像一个“刹车”，能防止小胶质细胞过度活跃。当研究人员在老年小鼠体内关闭TGF-beta的产生时，失去约束的小胶质细胞开始攻击髓鞘，导致小鼠出现明显的运动功能障碍。这证实了该信号通路是维持脊髓微环境稳态的关键机制。研究发表在 Nature Neuroscience 上。

从Tau蛋白水平差异看大脑如何抵御痴呆

为什么有些阿尔茨海默病患者的认知衰退速度极快，而另一些患者却能维持较好的功能？Christopher A. Brown和David Wolk等人（宾夕法尼亚大学佩雷尔曼医学院）通过一项大规模研究揭示了其中的关键：临床症状与大脑中Tau蛋白水平的“不匹配”可以揭示隐藏的共病理或认知韧性。这项研究开发了一种评估模型，不仅解释了患者症状的异质性，还证实了通过简单的血液检测即可预测疾病进展轨迹，为个性化治疗提供了强有力的工具。

研究团队分析了近千名淀粉样蛋白阳性参与者的数据，比较了他们的临床认知评分与Tau蛋白负荷。研究人员利用脑部扫描或血液中的磷酸化Tau蛋白217（p-tau217）水平构建模型，将患者分为三类：症状与病理相符的“典型组”、症状比预期更严重的“脆弱组”以及症状较轻的“韧性组”。结果显示，“脆弱组”患者更有可能伴有TDP-43（一种常与神经退行性疾病相关的蛋白质）和α-突触核蛋白等共病理，且病情恶化速度更快。相反，“韧性组”则表现出较慢的衰退，提示大脑存在某种保护机制。值得注意的是，基于血液检测的模型与脑部扫描同样精准，这意味着医生未来可以通过低成本的血液测试，更准确地预测患者预后并制定针对性治疗方案。研究发表在 JAMA Neurology 上。

40赫兹声波助老年猴清除脑内淀粉样蛋白

针对阿尔茨海默病目前药物治疗风险高、疗效有限的困境，Hu Xintian、Wenchao Wang及其同事（中国科学院昆明动物研究所）组成的研究团队，首次在非人灵长类动物模型上证实了特定频率的声音刺激具有显著的治疗潜力。该团队利用老年恒河猴自然发生病理的特性，通过非侵入性的物理手段，成功调节了大脑中的致病蛋白代谢，为这种低成本、低风险疗法的临床转化提供了关键的实验依据。

研究团队选取了9只年龄在26至31岁的老年恒河猴作为模型，这些猴子的大脑中已自然形成了与人类阿尔茨海默病相似的淀粉样斑块。实验中，猴子每天接受一小时的40赫兹听觉刺激，持续七天。结果显示，这种特定频率的声音显著促进了脑脊液中β-淀粉样蛋白水平的升高，增幅超过200%。这表明致病蛋白正在从脑组织中被清除并进入脑脊液。更令人振奋的是，这种清除效应在停止刺激后持续了超过五周，这是此前在小鼠模型中未曾发现的长期益处。该发现支持了40赫兹刺激通过类淋巴系统加速代谢废物清除的假说。研究发表在 PNAS 上。

存活期从30天延至250天，新联合疗法在脑癌模型中显奇效

胶质母细胞瘤是一种致死率极高的脑癌，现有的标准疗法往往无法阻止肿瘤复发。Humeyra Kaanoglu 和 Aziz Sancar 等人（北卡罗来纳大学医学院）与 Andrew Satterlee（北卡罗来纳大学埃舍尔曼药学院）合作，发现将标准化学疗法与一种名为 EdU 的分子结合，能在临床前模型中产生惊人的抗癌效果，甚至在小鼠实验中实现了“治愈”。

研究团队测试了替莫唑胺（Temozolomide，一种获FDA批准的脑癌化疗药物）与 EdU（5-ethynyl-2′-deoxyuridine，一种常用于标记DNA复制的实验室化学物质）的组合。在植入人类胶质母细胞瘤的小鼠模型实验中，接受联合治疗的小鼠肿瘤完全消退，存活时间超过250天，而未治疗组仅存活30天。这种组合展现了强大的协同效应，即两药联用的效果远超各自单独作用的总和。为了验证临床潜力，团队利用“筛查活体癌症外植体”（SLiCE）技术——一种包含患者肿瘤细胞和健康脑组织的各种模型——进行测试，发现虽然不同患者样本对药物的敏感性存在差异，但均显示出治疗潜力。此外，毒性研究表明该疗法副作用轻微且可逆。研究发表在 PNAS 上。

药物干预可助老年大脑抵御手术创伤与记忆衰退

随着人口老龄化，手术后认知障碍和年龄相关的记忆衰退成为老年人面临的重大健康挑战。Rajasekar Nagarajan 和 Uwe Rudolph团队通过两项独立研究发现，简单的药物干预可能为衰老的大脑提供保护，帮助其应对手术创伤及记忆力减退，并揭示了潜在的分子修复机制。

研究团队首先关注了术后认知障碍问题。他们打破常规，对老年小鼠进行了手术实验，发现术前间歇性给予常用麻醉剂丙泊酚，能显著提升小鼠术后的认知表现。深入分析显示，丙泊酚促使海马体神经元表面的α5-GABA A受体持续增加，同时抑制了导致细胞死亡和炎症的标志物。这种有益效果在药物代谢完毕后仍可持续五天。在另一项研究中，团队使用模拟衰老的小鼠模型测试了鼻内胰岛素的效果，发现其能改善工作记忆和联想记忆，并降低神经炎症。这表明，通过调节特定的神经受体和炎症机制，现有的药物可能被重新利用以保护老年人的大脑功能。研究发表在 PNAS Nexus 和 Pharmacology Research & Perspectives 上。

居家指尖血检测可准确识别阿尔茨海默病生物标志物

如何打破地域限制，让阿尔茨海默病的早期检测像测血糖一样便捷？Nicholas J. Ashton及其团队（Banner Health，哥德堡大学）与Anne Corbett和Clive Ballard（埃克塞特大学）等合作开展了一项名为DROP-AD的国际研究。该团队成功验证了一种基于指尖采血的干血斑检测技术，无需冷链运输或专业医疗设备，即可在家庭环境中准确采集样本并用于分析阿尔茨海默病的关键病理特征。

这项涉及337名参与者的研究展示了一种突破性的微创检测方法。研究人员利用指尖毛细血管血制成的干血浆斑（DPS）和干血斑（DBS），检测了三种关键生物标志物：p-tau217（磷酸化tau蛋白，阿尔茨海默病的核心病理标志）、GFAP（胶质纤维酸性蛋白，反映星形胶质细胞增生）以及NfL（神经丝轻链，反映神经轴突损伤）。结果显示，指尖血样本中的p-tau217水平与标准静脉抽血结果高度吻合，并能以86%的准确率预测脑脊液中的病理变化。此外，GFAP和NfL的检测结果也与传统方法表现出强一致性。值得注意的是，该方法在唐氏综合征患者群体中同样有效，且参与者通过阅读指南即可完成高质量的自我样本采集。这一技术打破了生物标志物研究对冷链物流和专业诊所的依赖，为全球范围内的远程筛查和临床试验开辟了新路径。研究发表在 Nature Medicine 上。

咬指甲与拖延症：自我破坏行为背后的生存本能

为什么我们会不由自主地咬指甲、拖延工作或陷入自我批评？临床心理学家 Charlie Heriot-Maitland 在其新书中提出了一种颠覆性的观点。他通过心理学分析发现，这些看似非理性的自我破坏行为并非单纯的错误，而是根植于进化的生存机制。研究指出，从微小的身体习惯到社交回避，这些行为实际上是大脑为了防御未知的外部威胁而精心设计的保护策略。

这项研究基于进化心理学框架，指出人类大脑的首要任务是生存而非幸福，因此它对“不确定性”具有极高的敏感度。Charlie Heriot-Maitland 将这些自我破坏行为描述为“精神健康中的可控爆发”（Controlled Explosions）。其核心逻辑在于：大脑宁愿我们面对一种已知的、可控的内部伤害（例如因拖延导致的焦虑，或因自我批评产生的痛苦），也不愿让我们暴露在不可预测的外部威胁（如彻底的失败、他人的拒绝或意外的敌意）之下。例如，完美主义者通过过度关注细节来避免犯错，这种神经劫持（neurological hijacking）利用了高级认知功能，试图通过自我施压来规避潜在的更大风险。然而，这种机制常导致“自我实现的预言”，即对失败的防御反而促成了失败。研究强调，解决这一问题的关键不在于对抗或消除这些行为，而是利用神经可塑性，通过“自我关怀”理解其保护性动机，从而逐步建立新的应对模式。研究发表在 Routledge 上。

每增加10磅体重，腰痛风险上升7%

腰痛是困扰现代人的常见病症，但体重究竟在多大程度上影响这一痛症？Michael D Perloff、Nicole T Hayes和K H Vincent Lau（波士顿大学乔巴尼安和阿维迪西安医学院）通过一项大规模研究给出了明确答案。该团队分析了普通人群的临床数据，证实了超重与腰痛之间存在显著的量化联系，指出控制体重是预防此类疼痛的关键策略。

研究团队利用计算机技术对超过110,000名成年患者的电子健康记录（EHR）进行了详尽的观察性队列分析。这些数据涵盖了患者一年内的门诊记录，研究人员通过特定的国际疾病分类代码（ICD-10）来识别腰痛病例，并将其与患者的身高、体重及体重指数（BMI）进行关联分析。结果显示，在BMI值从18到35的区间内，腰痛的患病率呈现线性增长趋势：BMI每增加一个单位（约等于增加10磅体重），患腰痛的风险就增加7%。值得注意的是，当BMI超过35进入重度肥胖区间后，腰痛风险不再随体重增加而上升，而是趋于平稳。这一发现量化了体重对脊柱健康的具体影响，表明将BMI维持在健康范围内不仅能改善整体健康，也是避免腰痛的有效手段。研究发表在 Pain Medicine 上。

警务工作代价沉重：美国执法人员面临更高的过早死亡风险

长期以来，警务工作被视为一项高危职业，但其对健康的长期隐形伤害往往被忽视。为了全面评估这一职业的健康代价，Peter T. Tanksley（德克萨斯州立大学）和 J.C. Barnes（辛辛那提大学）等人组成的研究团队开展了一项全国性研究。他们发现，由于身心承受的双重压力，美国执法人员面临着比普通人群更高的全因死亡风险，尤其是在心血管健康和心理健康方面，这一发现为改善警员职业健康政策提供了关键依据。

该研究分析了2020年至2023年间美国国家职业死亡监测（NOMS）系统的数据，涵盖了超过15,000名已故执法人员和约250万名普通工作年龄逝者的记录。研究人员使用了年龄标准化死亡率（ASMR，一种消除年龄结构差异以进行公平比较的统计指标）来评估风险。结果显示，执法人员的过早死亡率显著高于普通人群。在男性警员中，主要死因包括循环系统疾病（如心脏病）、癌症、自杀以及新冠疫情期间的感染。值得注意的是，男性警员的自杀率和心血管疾病死亡率均处于高位。对于女性警员，癌症则是头号杀手。J.C. Barnes 指出，这些健康危机与职业带来的慢性压力密切相关。研究团队希望这些数据能促使相关部门设计基于实证的健康计划，在警员的整个职业生涯中进行干预。研究发表在 The Lancet Regional Health—Americas 上。

睡眠的代价与回报：为修复神经元DNA损伤而进化

为什么动物愿意冒着被捕食的风险去睡眠？Lior Appelbaum和Oren Levy（巴伊兰大学）领导的团队给出了解答：为了修复神经元。这项突破性研究将睡眠的核心功能追溯到了数亿年前的水母和海葵，证实了保护神经元免受DNA损伤是睡眠进化早期的根本驱动力，这一机制的出现远早于复杂大脑的形成。

该研究选取了两种古老的刺胞动物作为模型：昼行性的倒立水母（*Cassiopea andromeda*）和晨昏性的星状海葵（*Nematostella vectensis*）。研究人员利用红外视频追踪和行为分析发现，尽管这两种生物的生活习性和睡眠调节机制不同（水母主要受光照影响，海葵主要受生物钟控制），它们每天的睡眠时间都约为8小时，且均表现出“睡眠反弹”（sleep rebound）现象。实验显示，神经元内的DNA损伤会在清醒期间积累，而在睡眠期间减少。当研究人员通过紫外线辐射或化学物质人为增加DNA损伤时，动物的睡眠需求显著增加；反之，使用褪黑激素促进睡眠则有效降低了损伤水平。这表明，无论对于拥有简单神经网的原始生物还是人类，睡眠都是维护基因组完整性和神经元健康的关键。研究发表在 Nature Communications 上。

压力如何转化为抑郁症的生物学信号？Yiqing Wu和Yonghe Tang等研究人员（温州医科大学、首都医科大学等）通过一系列实验，揭示了内源性甲醛在这一过程中扮演的关键角色。研究团队发现，压力会诱导大脑特定区域产生甲醛，进而破坏神经递质的平衡并损伤大脑结构，最终导致抑郁症状的出现。这一发现为理解抑郁症的发病机制提供了全新的视角。

为了深入探究这一机制，研究团队利用高灵敏度的化学探针（一种能通过发光检测特定化学物质存在的分子工具）测量了受压小鼠和人体内的甲醛水平。结合膜片钳（patch clamp）技术记录神经元电活动，以及质谱分析技术，研究人员详细追踪了甲醛在大脑中的生化反应。实验结果显示，在急性和慢性应激状态下，海马体CA1区的神经元会产生过量的甲醛。这些过量的甲醛并非无害副产物，它们会与单胺类神经递质发生反应并使其失活，导致细胞外空间中这些关键化学物质的水平显著下降。此外，甲醛积累还直接导致了海马CA1区的结构萎缩和神经兴奋性降低。在临床层面，通过对青少年重度抑郁症患者的磁共振成像（MRI）和血液分析，团队证实了患者体内的高甲醛水平与其海马体萎缩程度及抑郁症状的严重性密切相关。这一研究表明，阻断内源性甲醛的产生或其毒性作用，可能成为治疗抑郁症的新策略。研究发表在 Molecular Psychiatry 上。

在人工智能日益普及的临床医疗时代，如何确保患者最敏感的健康数据不被AI“记住”并泄露？Sana Tonekaboni（麻省理工学院和哈佛大学博德研究所）与Marzyeh Ghassemi（麻省理工学院阿卜杜勒·拉蒂夫·贾米尔健康机器学习诊所）等人组成的团队，深入调查了基于电子健康记录训练的AI基础模型可能存在的隐私隐患。他们发现，尽管数据已去标识化，但模型仍可能通过“记忆”特定患者信息而造成隐私泄露，并为此开发了一套严格的测试框架来评估这一风险。

为了量化这种风险，研究团队开发了一套黑盒评估测试（black-box evaluation tests，即在不知道模型内部参数的情况下，仅通过输入输出进行评估的方法）。他们利用这套工具模拟了不同层级的攻击场景，测试当攻击者掌握不同程度的患者背景信息时，AI模型是否会补全并泄露剩余的敏感数据。研究结果显示，攻击者已知的患者信息越多，诱导模型泄露隐私的可能性就越高。特别是那些患有罕见病或具有独特特征的患者，更容易被模型“记忆”从而被重新识别。此外，研究还区分了不同类型泄露的危害程度，例如泄露艾滋病诊断记录比泄露年龄具有更高的破坏性。该研究强调，在发布医疗AI模型前必须在实际医疗语境下进行严格的隐私“体检”。研究发表在 arXiv 上，并于NeurIPS 2025会议上展示。

基于6G/WiFi信号的非接触式肺部疾病筛查技术

如何实现不接触身体、无辐射且低成本的肺部疾病筛查？来自格拉斯哥大学的Qammer H. Abbasi和巴基斯坦信息技术大学的Muhammad Mahboob Ur Rahman等人组成的国际团队，开发了一套基于无线信号的创新系统。该系统利用未来6G和WiFi7网络技术，成功在不使用侵入性检查手段的情况下，实现了对多种常见呼吸系统疾病的高精度识别，为未来的智能家居健康监测和临床诊断提供了新的解决方案。

该研究的核心在于利用5.23GHz频段的微波信号照射患者胸部，通过捕捉反射信号中因呼吸运动产生的细微变化来分析肺部健康状况。研究团队在医院环境中采集了220名参与者的数据，涵盖了哮喘、肺炎等五种疾病。他们采用了普通卷积神经网络的深度学习算法来处理这些正交频分复用（Orthogonal Frequency Division Multiplexing）信号数据。结果显示，该系统对疾病的分类准确率高达98%，对健康个体的识别率更是达到了100%。值得注意的是，这项技术采用了集成感知与通信设计，仅需占用12.5%的通信带宽即可完成高精度传感，剩余带宽仍可用于正常的数据传输。这意味着未来的WiFi路由器或6G基站可能直接具备健康体检功能。研究发表在 Communications Medicine 上。

像分拣系统一样扫描分子：HDR-MS1技术大幅提升检测灵敏度

在复杂的生物样本中寻找微量的关键分子如同大海捞针，现有的质谱技术往往因高丰度物质的干扰而“失明”。针对这一难题，Paolo Cifani及其团队（冷泉港实验室）开发了一种名为HDR-MS1的新型质谱技术。这项创新并未单纯追求扫描速度，而是通过改进离子的积累与检测方式，显著提升了仪器识别稀有分子的能力，有望在药物靶点发现和肿瘤成分分析等领域发挥关键作用。

传统的质谱分析就像对样品池进行一次性“快照”，如果某些离子（如常见的代谢物）过多，它们会占据大部分检测容量，导致那些含量稀少但可能至关重要的分子被忽略。为了解决这个问题，研究团队开发了HDR-MS1（High Dynamic Range MS1）技术。该方法采用了一种类似“分拣系统”的策略：它不再一次性测量所有物质，而是将扫描范围进行气相分割，将离子分配到不同的“箱”中进行处理。这种设计确保了高浓度的分子不会掩盖低浓度的分子，从而极大地提高了检测的动态范围和灵敏度。实验数据显示，在相同的参数设置下，该技术能比传统方法鉴定出更多的肽段和蛋白质，并减少了数据的冗余。这一技术不仅能更精准地测量药物与安慰剂在体内的浓度差异，也为解析肿瘤微环境提供了更强大的工具。研究发表在 Analytical Chemistry 上。

父母感到“钱不够花”会延缓婴儿大脑发育

早期逆境如何具体重塑婴儿的大脑？Haerin Chung、Carol L. Wilkinson和Charles A. Nelson等人（波士顿儿童医院）组成的团队，通过一项创新的纵向研究发现，在众多家庭压力源中，照护者主观感知的“收入充足性”是预测婴儿大脑发育轨迹的最关键指标，揭示了经济压力对神经发育的直接影响。

该研究依托名为“Baby Steps”的项目，对293名来自主要服务低收入家庭诊所的婴儿进行了长达一年的追踪。研究人员在婴儿4、9和12个月大时，利用脑电图测量其神经活动，并结合家长对财务状况和心理压力的调查问卷进行基于网络的分析。结果显示，那些生活在父母感到收入无法满足日常需求家庭中的婴儿，其大脑成熟度出现了明显延迟。具体而言，这些婴儿负责认知处理的阿尔法波和贝塔波（反映大脑皮层发育状态的特定频率脑电波）的功率增长速度显著慢于同龄人。这意味着，仅仅是家庭“入不敷出”的状态，就足以通过某种生物学机制（如影响互动质量或环境刺激），在生命的第一年给大脑发育按下“减速键”。研究发表在 PNAS 上。

母体健康状况如何给胎儿大脑留下不可磨灭的印记？Bharti Kukreja、Shin Jeon和Brian T. Kalish（波士顿儿童医院）的研究团队通过绘制详细的胚胎脑免疫图谱，揭示了孕期压力重塑胎儿神经发育的深层机制，特别是发现雄性大脑在这一过程中表现出特定的脆弱性。

该研究采用了一种先进的双模态方法，将原位空间转录组学与单细胞RNA测序相结合。研究人员构建了小鼠胚胎在妊娠中期和晚期大脑免疫基因表达的高分辨率图谱，并重点观察了母体免疫激活和微生物组耗竭这两种压力因素的影响。结果显示，这些压力源显著改变了胎儿大脑的神经免疫环境，并表现出明显的性别差异。研究团队特别发现，CXCL12/CXCR7信号通路（一种趋化因子网络，指导细胞迁移和定位）在压力环境下发生改变，成为导致神经祖细胞分化异常的关键介质。这意味着母体环境的微小变化可以通过特定的分子通路，精确地调控胎儿大脑的构建过程，为早期干预神经发育障碍提供了潜在靶点。研究发表在 Nature Neuroscience 上。

随着人工智能技术深度渗透科研领域，关于AI是否会取代人类科学家的争论从未停止。在《科学》杂志2026年的首篇社论中，主编H. Holden Thorp呼吁科学界保持冷静，并强调要以正确的方式利用AI，同时警惕低质量内容的泛滥。他指出，虽然AI工具能提升效率，但没有任何系统能完全替代人类的判断，维护科学文献的严谨性比以往任何时候都更需要人类的经验与专业知识。

Thorp在社论中透露，期刊已引入iThenticate和Proofig等AI工具来辅助识别抄袭和图像篡改，并明确禁止使用AI生成论文图表或未声明的文本撰写。值得注意的是，期刊与DataSeer合作，利用自然语言处理技术扫描论文并生成“可重复性检查清单”（reproducibility checklist）。数据显示，在2021年至2024年间发表的2680篇论文中，已有69%的论文遵循政策共享了底层数据。Thorp强调，尽管AI帮助发现了许多错误，但评估AI生成的报告实际上需要投入更多的人力。他将当前的AI热潮类比为15年前的大规模在线课程，认为如同在线课程未取代大学一样，AI也不会取代科学家，前提是必须抵制“人工智能垃圾”（AI slop）的堆积，坚持由人类精心策划和审查的出版标准。研究发表在 Science 上。

AI驱动的“代谢性BMI”揭示隐性健康风险：体重正常也可能面临五倍疾病威胁

传统的体重指数（BMI）往往无法识别出那些体重正常但代谢风险极高的“隐性肥胖”人群。Rima M. Chakaroun博士与Fredrik Bäckhed教授（莱比锡大学与哥德堡大学）领导的国际研究团队，开发了一种基于人工智能的新型评估工具——“代谢性BMI”（metBMI）。该研究不仅揭示了隐藏的代谢紊乱，还量化了肠道菌群与身体代谢之间的密切联系，为精准医疗提供了新的视角。

研究团队分析了来自两个瑞典大型队列近2000名参与者的多组学数据，包括血液代谢物和肠道微生物组分析。通过机器学习算法，研究人员从最初的1000多种代谢产物中筛选出66种关键代谢物，构建了metBMI预测模型。结果显示，metBMI比传统BMI能更准确地反映脂肪相关的健康风险：在体重正常但metBMI较高的人群中，患糖尿病、脂肪肝和胰岛素抵抗的风险高达五倍。此外，在接受减重手术的患者中，高metBMI个体的体重减轻幅度比其他人少30%，表明其代谢系统对干预的反应较差。研究还发现，高风险代谢特征与肠道细菌多样性降低显著相关，特别是将膳食纤维转化为有益脂肪酸的能力减弱。这一发现表明，代谢健康是宿主与微生物相互作用的系统性结果。研究发表在 Nature Medicine 上。

像人眼一样观察：SmartEM技术利用AI将大脑绘图速度提升七倍

为了解开大脑的奥秘，绘制高分辨率的神经连接图谱至关重要，但昂贵且缓慢的设备一直是巨大的阻碍。为此，Yaron Meirovitch、Aravinthan Samuel和Jeff Lichtman等人（哈佛大学、麻省理工学院等）开发了一种名为SmartEM的新技术。该技术利用机器学习实时引导显微镜，使其像人眼一样工作——聚焦关键细节而略过背景，从而大幅提升了扫描速度并降低了成本，有望让更多实验室具备绘制大脑图谱的能力。

研究团队开发了一种结合机器学习与单束扫描电子显微镜（scanning electron microscope）的创新方法。SmartEM系统模仿人类视觉的注意力机制，首先对样本进行快速、低分辨率的全局扫描，随后利用神经网络（neural network）实时分析图像，识别出如突触等关键特征或易出错的区域。显微镜随后仅对这些特定区域进行高分辨率的精细扫描，最后通过算法将图像融合。这种“数据感知”成像方式避免了在无关背景上浪费时间。实验数据显示，SmartEM在处理线虫、小鼠和人脑样本时，图像采集速度提高了约7倍。例如，扫描秀丽隐杆线虫的时间从传统的1400小时惊人地缩短至200小时，且数据质量足以支持精确的神经回路重建。这一突破被 Nature Methods 评为2025年度方法。

睡眠不足不仅影响精神状态，还可能预示潜在疾病。为了挖掘多导睡眠图中未被充分利用的生理数据，Emmanual Mignot、James Zou、Rahul Thapa和Magnus Ruud Kjaer等研究人员（斯坦福大学医学院、丹麦技术大学等）开发了一种名为SleepFM的人工智能基础模型，该模型能利用一晚的睡眠数据预测100多种健康状况的风险。

该研究利用来自约65,000名参与者的近60万小时多导睡眠图（Polysomnography，一种通过传感器记录脑活动、心率、呼吸等信号的综合睡眠评估）数据对SleepFM进行了训练。为了整合脑电图、心电图等多种异构数据流，团队开发了一种名为“留一对比学习”（leave-one-out contrastive learning，隐藏一种数据模态并利用其他信号重建缺失部分的技术）的新训练方法。研究人员将这些睡眠数据与长达25年的电子健康记录相结合，发现该模型能准确预测130种疾病的风险。特别是在帕金森病、痴呆症、心脏病发作和多种癌症的预测中，其C指数（C-index，衡量模型预测一致性的指标）均超过0.8，意味着高准确度。结果表明，相比单一信号，综合分析大脑、心脏和呼吸等多模态数据能显著提升预测能力，使睡眠记录成为检测未来健康隐患的有力工具。研究发表在 Nature Medicine 上。

AI助力脑成像去噪：DeepCor将fMRI数据清晰度提升两倍

功能性磁共振成像（fMRI）长期以来受困于运动和生理因素产生的“噪声”，难以获取纯净的大脑活动数据。Yu Zhu、Aidas Aglinskas和Stefano Anzellotti（波士顿学院）开发了一种名为DeepCor的新技术。该技术利用先进的人工智能算法，成功将fMRI数据的信噪比大幅提升，使去噪效果比现有标准方法提高了两倍以上，为精准解析大脑功能开辟了新路径。

fMRI研究的核心挑战在于，关于大脑反应的真实磁共振数据往往与受试者头部运动、心跳以及仪器扰动产生的噪声混合在一起。为了更有效地分离这些信号，研究团队开发了DeepCor方法，该方法基于生成式人工智能，特别是利用了对比自编码器技术。DeepCor的工作原理是让AI学习区分两类脑区的模式：一类是包含神经元的区域，另一类是不含神经元的区域（如脑室）。由于噪声通常会同时影响这两组区域，DeepCor通过识别并剔除它们共有的模式，从而使包含神经元的区域所特有的神经活动信号得以突显。在对比实验中，DeepCor展现了惊人的效果：在去除真实fMRI数据中面部反应的噪声时，其表现比目前广泛使用的CompCor方法高出215%；而在处理模拟真实数据特性的合成数据时，其清晰度提升了339%。这一大幅度的性能飞跃超出了研究团队最初10%到50%的预期，有望让科学家利用现有的公共数据集和未来的实验获得更纯净的大脑视图。研究发表在 Nature Methods 上。

合成代谢的“导航仪”：评估55条非天然路径的算法实战

自然进化的初衷是生物生存，而非为人类工业生产特种化学品。中国科学院的马宏武（Hongwu Ma）团队联合南京农业大学的研究人员，对计算生物学在非天然途径设计中的应用进行了深入研究。他们旨在解决如何利用现代算法系统地设计出自然界中不存在的化合物合成路线，并将这些计算蓝图转化为实验室中可行的生物制造方案。这项旨在弥合计算预测与实验现实之间差距的

该研究聚焦于计算“生物逆合成”技术，这是一种从目标产物反推酶促步骤的方法。研究团队深入剖析了两大类主流策略：依赖预定义化学规则的“基于模板”方法，以及由深度学习驱动的“无模板”方法。为了客观评估这些工具的效能，团队构建了一个包含55条经实验验证的非天然途径的基准数据集。对比分析发现，尽管无模板方法扩展了化学空间，但目前的算法常因过度简化的剪枝策略而丢弃可行路径，且在处理辅因子和模拟自然代谢逻辑方面存在明显缺陷。研究指出，未来的突破在于将人工智能与热力学、酶动力学及全基因组代谢模型深度融合，从而将路径设计从理论推测转变为精准的工程学科。重要成果发表在 BioDesign Research 上。

基于碳纳米管和Mini-LED的“光速学习”类脑芯片

现代计算机难以匹敌人脑的能效，主要受限于存储与计算分离的架构。中国科学院苏州纳米技术与纳米仿生研究所（Suzhou Institute of Nano-Tech and Nano-Bionics, Chinese Academy of Sciences）的Jianwen Zhao教授团队开发了一种全新的神经形态芯片。该团队摒弃了碎片化的传统架构，设计出一种将信号生成、传输和学习功能紧密集成在同一物理平台上的系统，成功模拟了生物神经元的高效运行模式。

该研究的核心在于一种单片集成系统，它结合了单壁碳纳米管薄膜晶体管（SWCNT TFTs）与微型发光二极管（Mini-LEDs）。在这个闭合的“电-光-电”回路中，碳纳米管晶体管扮演了双重角色：它既是驱动器，以约1伏的低电压控制LED发光；又是人工突触，通过与有机半导体层结合，对产生的光信号做出响应并模拟学习行为。这种设计消除了对笨重外部光源的依赖，实现了全片上的光信号处理。实验显示，该器件具有高稳定性，并能模拟短期和长期记忆等关键突触功能。基于该硬件特性的五层卷积神经网络仿真表明，该系统在图像识别任务中达到了92.02%的准确率，且无需外部存储或计算单元。这项成果展示了未来硬件向感存算一体化发展的潜力。研究发表在 International Journal of Extreme Manufacturing 上。

人类的行踪看似随机，实则有迹可循。为了更精准地掌握这种规律以优化交通规划及应对自然灾害，东北大学的Haoyu He和Qi R. Wang等人开发了一种名为RHYTHM的创新AI工具。该团队利用大语言模型技术，成功构建了一个不仅能理解日常通勤模式，还能预测未来行动轨迹的系统，在处理不规律的人类活动数据方面取得了显著突破。

这项研究的核心在于将处理语言的大模型应用于时空数据。研究人员开发了层级时间标记化（Hierarchical Temporal Tokenization）技术，该方法将人类连续的移动轨迹切分为每日片段，并将其转化为离散的“标记”，类似于语言模型处理单词的方式，从而有效捕捉每日及每周的周期性依赖关系。此外，团队采用了冻结大语言模型主干（Frozen LLM backbone）的策略，即在训练过程中保持核心大模型的参数不变，仅调整输入嵌入，这极大地降低了计算负担。实验结果显示，RHYTHM在三个真实数据集上的总体预测准确率比现有最先进方法提高了2.4%，而在行为模式最难预测的周末时段，其准确率更是提升了5.0%。同时，该模型的训练时间缩短了24.6%，证明了其在效率和性能上的双重优势。研究发表在 Advances in Neural Information Processing Systems 39 (NeurIPS) 2025 上。

梅奥诊所开发集成电子病历的AI代理MedEduChat，助力前列腺癌个性化教育

面对复杂的诊疗信息和医生有限的问诊时间，癌症患者常感到无助。为了解决这一痛点，Yuexing Hao和Wei Liu等（梅奥诊所）研究团队开发了一种创新的解决方案：MedEduChat。该工具利用人工智能技术，结合经过验证的临床数据，旨在为患者提供精准、及时的个性化医疗教育，从而弥补医患沟通中的鸿沟并减轻临床团队的负担。

该研究的核心是开发了名为MedEduChat的智能代理，它将大型语言模型与电子健康记录深度集成。在涉及15名前列腺癌患者的混合方法研究中，参与者与该系统进行了约20至30分钟的互动。结果显示，患者的健康信心评分（Health Confidence Score）从基线的9.9分跃升至13.9分，且系统获得了83.7分的高易用性评分。患者普遍反映，该工具能将晦涩的医学术语转化为通俗易懂的语言。为确保安全性，专家团队对85组问答进行了严格审查，结果表明MedEduChat在正确性方面得分极高（2.9/3），在完整性和安全性方面也表现优异（均为2.7/3）。尽管如此，研究人员也指出，需警惕因电子病历记录不完整可能导致的潜在错误，并建议建立持续的监控机制。研究发表在 npj Digital Medicine 上。

强化学习助力光学AI：UCLA团队实现光处理器无模型原位高效训练

光计算虽具备高速低能耗的优势，但基于模拟模型的训练常因无法精确捕捉现实硬件的微小误差而导致实际表现不佳。加州大学洛杉矶分校（UCLA）的Aydogan Ozcan、Yuhang Li及其团队开发了一种全新的训练框架，通过让设备从实验经验中直接学习，成功克服了物理模型与现实环境之间的鸿沟。

该研究引入了近端策略优化（PPO，一种在人工智能领域广泛应用的高效强化学习算法），构建了一个无需物理模型的原位训练系统。不同于传统依赖数字孪生的方法，该系统将光学硬件视为黑盒，直接利用真实的光学测量数据来优化衍射光网络（一种利用光波衍射进行计算的物理神经网络）。在实验中，研究人员测试了该系统穿越随机漫射器聚焦光束、生成全息图以及进行像差校正的能力。结果显示，该方法不仅能自动适应未知的硬件缺陷和噪声，还在手写数字分类等任务中表现出比传统策略梯度优化更快的收敛速度和更高的准确性。这意味着未来的智能物理系统可以在不依赖详细物理模型的情况下，实现自我学习和实时调整。研究发表在 Light: Science & Applications 上。

SeedFold：超越AlphaFold3的蛋白质结构预测新模型

如何突破现有蛋白质结构预测模型的规模化瓶颈？字节跳动 Seed 团队（Quanquan Gu等）提出了一种名为 SeedFold 的新模型，成功实现了模型容量的有效扩展。该研究针对现有折叠模型在计算复杂度和隐藏维度上的局限性，开发了新的架构和训练策略，在多项关键任务上超越了目前的行业标杆 AlphaFold3，为生物分子基础模型的构建提供了新的扩展思路。

研究团队通过三项核心技术创新实现了这一突破。首先，他们发现扩展 Pairformer（Pairformer，一种用于提取氨基酸对特征的模块）的宽度比单纯增加深度更能有效提升模型表征能力，将隐藏维度扩展至512维。其次，为了解决计算瓶颈，团队引入了线性三角注意力（Linear Triangular Attention，一种降低计算复杂度的注意力机制），将计算复杂度从随序列长度的三次方增长降低至二次方，从而实现了高效的规模化。最后，研究人员构建了一个包含2650万个样本的大规模蒸馏数据集，是实验结构数据的147倍，显著增强了模型的泛化能力。在 FoldBench 基准测试中，SeedFold 在多数任务上优于 AlphaFold3、Boltz-1 等开源模型。有趣的是，标准版模型在抗体-抗原预测中表现更佳，而采用线性注意力的变体则在蛋白质-配体相互作用中更具优势。

告别暴力计算：高效多模态AI的架构革命

随着人工智能规模的不断扩大，高昂的计算成本成为了阻碍其普及的主要壁垒。来自Shanghai Jiao Tong University的Lizhuang Ma和East China Normal University的Xin Tan等研究人员组成的团队进行了深入探索，系统梳理并提出了高效多模态大型语言模型的设计蓝图。该研究旨在通过优化模型架构与数据流，降低计算门槛，使先进的AI技术能够惠及更广泛的群体。

这项综述研究指出，提升多模态模型的效率不能仅依赖于压缩语言模型，核心挑战在于处理图像产生的大量视觉标记（visual tokens，即图像被数字化分割后的基本信息单元）。研究团队详细分析了视觉标记压缩技术，该技术能在信息进入语言模型前大幅减少冗余，从而显著降低推理复杂度。此外，文章重点探讨了重构模型架构的策略，例如采用轻量级视觉编码器和混合专家模型，在不增加计算负担的前提下提升模型容量。通过这种全流程的协调优化，多模态模型将不再局限于昂贵的云端服务器，而是能够部署在移动设备和边缘计算平台上。这不仅解决了能源消耗和隐私问题，更为医疗、遥感等资源受限领域的实时应用提供了可能，标志着AI创新正从单纯追求规模向追求现实世界的高效应用转变。研究发表在 Visual Intelligence 上。

神经科学启示录：融合行动、组合结构与情景记忆构建类人AI

当前的人工智能虽然在语言处理上表现出色，但仍面临幻觉频发、缺乏常识性物理认知以及能耗巨大等问题。Rajesh P.N. Rao及其团队（华盛顿大学）提出，AI的发展应当重新审视并借鉴神经科学的核心原理。他们指出，尽管大语言模型的预测机制与大脑的“预测编码”有相似之处，但现有的AI架构忽略了生物大脑中至关重要的三个要素：行动、层级化的组合结构以及情景记忆。团队认为，填补这些空白是构建安全、可解释且真正具有类人智能的AI系统的关键。

该研究深入分析了当前Transformer架构的局限性，并提出了基于“主动预测编码”（Active Predictive Coding, APC）的改进方案。首先，针对AI缺乏“身体感”的问题，研究指出大脑通过行动来验证感知并学习因果关系。现有的AI是被动的观察者，缺乏与环境互动的策略网络；团队建议引入独立的策略网络来指导生成模型，使其能像生物一样通过“尝试”来理解物理世界，从而减少逻辑谬误。其次，针对处理复杂任务的效率问题，研究提倡引入分层组合结构（Compositional Structure）。大脑通过将复杂任务分解为子任务（如将“去超市”分解为“走路”、“开车”等）来高效处理信息，而目前的AI依赖扁平的长上下文窗口，效率低且易在长文本中“迷失”。最后，关于情景记忆，研究建议模仿海马体的功能，赋予AI可写入的长期记忆库，并通过类似生物“睡眠”的离线阶段进行记忆重放和整合，以实现持续学习。这种受大脑启发的架构有望大幅提升AI的鲁棒性和能源效率。

如何打破大型语言模型对昂贵数据中心的高依赖并降低运营成本？韩国科学技术院（KAIST）的Dongsu Han、Jinwoo Park和Seunggeun Cho等人开发了一项名为“SpecEdge”的新技术，通过整合个人电脑和移动设备中的消费级显卡，成功构建了低成本的AI基础设施。该研究不仅大幅降低了AI服务的算力成本，还解决了在普通网络环境下利用边缘计算资源进行大模型推理的延迟难题。

研究团队开发了SpecEdge系统，核心在于应用了推测解码（Speculative Decoding）技术。该方法让位于用户端的边缘GPU（edge GPUs）运行较小的语言模型，快速生成高概率的词元序列草稿，随即由数据中心的大规模模型进行批量验证。为了克服互联网传输的延迟，团队引入了主动边缘草图生成（Proactive Edge Drafting），使边缘设备在等待服务器响应时仍能持续生成内容，同时配合流水线感知调度（Pipeline-aware Scheduling）优化服务器处理多用户请求的效率。实验结果显示，该系统将每个词元的生成成本降低了约67.6%，成本效益提升1.91倍，服务器吞吐量增加2.22倍，且在标准网速下即可流畅运行。这一成果为将智能手机、个人电脑等设备纳入AI算力网络提供了可行方案。

Deep Delta Learning：通过几何变换重塑深度残差网络

深度残差网络虽然通过恒等连接解决了深层训练难题，但其固有的加性偏置限制了对复杂动态系统的建模能力。来自普林斯顿大学的 Yifan Zhang、Mengdi Wang 与加州大学洛杉矶分校的 Yifeng Liu、Quanquan Gu 组成的团队，提出了一种基于几何线性代数的全新架构——Deep Delta Learning (DDL)。该研究旨在通过引入通过数据驱动的几何变换，赋予网络更强的状态转换模拟能力。

研究团队设计了一种名为“Delta Residual Block”的新型模块，其核心是“Delta 算子”。该算子对标准的恒等矩阵进行了秩-1扰动，引入了一个可学习的反射方向向量和一个标量门控beta。通过光谱分析，研究人员证明了该架构的灵活性：当beta趋近于 0 时，网络保持标准的恒等映射，确保深层信号传播；当beta趋近于 1 时，算子变为正交投影，能够主动“遗忘”特定方向的信息；当beta趋近于 2 时，则实现几何反射。这种机制将信息的擦除与写入统一为同步操作，类似于优化理论中的 Delta 规则（Delta Rule）。实验与理论推导表明，DDL 使得神经网络能够显式控制层级转换的特征值谱，从而在保持门控残差架构训练稳定性的同时，具备了模拟复杂非单调动力学的能力。

小型模型“蒙对”答案背后的隐忧：过程验证重于结果准确性

将小型语言模型部署为自主智能体时，我们能否信任它们的判断？Laksh Advani 针对这一关键问题进行了深入研究，揭示了一个被称为“错误理由下的正确”（Right-for-Wrong-Reasons, RWR）的严重可靠性危机。研究发现，即使这些模型给出了正确的最终答案，其背后的推理逻辑往往也是根本错误的。这一发现挑战了仅依赖准确率的传统评估范式，强调了在金融计算、医疗建议等关键领域部署智能体时，验证其推理过程的必要性。

该研究分析了三个主流小型模型在数学、问答和常识推理任务中的10,734条推理轨迹。为了量化推理质量，研究者开发了推理完整性评分（Reasoning Integrity Score, RIS），并邀请独立评估者进行了验证。数据显示，50%至69%的“正确”答案实际上包含了逻辑缺陷。在探索解决方案时，研究发现检索增强生成能有效提升推理完整性，因为它利用外部证据修正了计算错误；然而，对于容量有限的小模型，要求其进行“自我批评”的元认知干预反而会引发更多混乱，导致性能下降。为了解决这一问题，研究团队提炼出一个基于神经网络的轻量级分类器，该工具能够以比传统大模型评估快100倍的速度，精准识别出有缺陷的推理过程（F1分数达0.86），为构建可信赖的智能体提供了实用的安全层。

不同的AI模型是否在以相同的方式“理解”世界？Sathya Edamadaka、Soojung Yang、Rafael Gómez-Bombarelli和Ju Li团队（麻省理工学院）通过分析近六十种科学模型，发现尽管这些模型在输入形式和架构上千差万别，但它们正在学习一种共同的物质底层表征。这一发现表明，随着性能的提升，科学基础模型正在独立地趋向于对物理现实的统一理解。

该研究对59个科学基础模型进行了大规模的比较分析，这些模型涵盖了分子、材料和蛋白质领域，输入模态包括一维字符串（如SMILES）、二维图结构和三维原子坐标等。研究人员利用QM9、RCSB等多个数据集，提取了每个模型最后一层隐藏层的数值嵌入，并使用多种度量方法分析了这些表征之间的对齐程度。

结果显示，不同模型在广泛的化学体系中表现出惊人的表征一致性。更有趣的是，随着模型预测性能的提高，它们在表征空间中越发趋于收敛，暗示高性能模型正在逼近物理现实的某种“真理”。研究还揭示了模型的局限性：在处理熟悉的训练分布内数据时，高性能模型高度一致；但面对从未见过的分布外结构时，几乎所有模型都会坍缩成低信息量的表征。这项工作将表征对齐确立为评估科学AI模型通用性的新基准。

RLPP模型：无需下游数据即可重建受损神经通路

当大脑内部的通讯线路因中风或损伤而中断，我们能否在不依赖受损区域原始数据的情况下重建连接？Shenghui Wu 与 Yiwen Wang（香港科技大学）、Dario Farina（帝国理工学院）以及 Jose C. Principe（佛罗里达大学）等人组成的跨国研究团队，提出了一种基于行为反馈的创新计算模型。该研究成功绕过了对受损下游脑区神经记录的依赖，利用行为结果直接驱动神经脉冲的生成，为恢复大脑跨区域功能连接提供了全新的解决方案。

传统的神经旁路系统试图在受损部位建立人工通道，但这通常需要下游脑区的正常信号作为训练参照，而这在疾病状态下往往无法获取。为此，研究团队开发了基于强化学习的点过程（Point Process，一种用于描述神经脉冲等离散事件发生概率的统计模型）框架（RLPP）。该方法不再模仿缺失的下游信号，而是模拟生物脑的“试错学习”机制：模型接收上游信号并生成脉冲，若产生的行为结果（如运动）正确，模型便获得奖励并强化该模式。在大鼠的内侧前额叶皮层到初级运动皮层（M1）通路的实验中，RLPP生成的脉冲序列在行为解码成功率上显著优于监督学习方法，并展现出与健康大脑相似的生物仿生特性。这一突破意味着，未来利用行为反馈驱动的神经刺激，有望在临床上帮助患者重建受损的神经环路。研究发表在 Nature Computational Science 上。

计算模型揭示高级冥想的核心机制：主动推理与精确度加权

如何用数学语言描述“无我”或“止息”等深层冥想体验？Hagar Tal和Matthew D. Sacchet等研究人员通过回顾计算现象学领域的最新进展，试图搭建一座连接主观冥想体验与客观科学数据的桥梁。该团队发现，尽管存在多种理论模型，但通过引入主动推理（Active Inference）框架，可以从计算角度对冥想过程中的意识状态变化进行形式化描述。

该研究深入分析了现有的计算模型，发现了一个贯穿始终的核心机制：精确度加权。在计算神经科学中，这指的是大脑对预测误差或感官输入的“置信度”。研究指出，早期的冥想模型主要关注如何通过调节精确度来增强对内感受的注意力控制，从而解释正念带来的平静。然而，随着研究的深入，最新的模型开始探索更复杂的现象，如感知的“去虚构化”（defabrication）。这意味着冥想者通过改变层级生成模型（hierarchical generative model）中特定层的精确度权重，逐渐松动原本僵化的感知结构，从而产生认知灵活性的提升甚至极简的现象体验。尽管如此，研究也强调，目前对于非二元性体验、情感转化机制以及日常生活中的非正式冥想练习，现有的计算模型仍有待进一步完善。研究发表在 Neuroscience & Biobehavioral Reviews 上。

深部脑刺激与聚焦超声结合有望突破帕金森病治疗瓶颈

帕金森病的治疗长期面临两难选择：深部脑刺激虽有效但需侵入性手术，聚焦超声无创但应用范围受限。Iqra Bano、Jaison Jeevanandam和Grygoriy Tsenov的研究团队通过综述提出了一种创新思路，即“混合神经调控”。他们发现将这两种技术结合，不仅能互补各自的短板，还能产生协同效应，为更全面地管理帕金森病的复杂症状提供了可能。

该团队针对帕金森病治疗中现有的深部脑刺激（DBS）和聚焦超声（FUS）技术进行了详尽的评估与文献计量分析。研究指出，传统的DBS主要针对基底神经节的运动回路进行持续管理，但往往难以改善焦虑、认知迟缓等非运动症状。而聚焦超声（FUS）作为一种非侵入性技术，不仅能提高精准度，还能通过暂时打开血脑屏障，协助神经营养因子或基因疗法进入黑质等深层脑区，这是单纯电刺激无法实现的。研究结果表明，这种混合策略能够利用FUS调节DBS难以触及的边缘和皮层网络，同时可能降低DBS所需的刺激强度，从而减少副作用。这种“电-声”结合的方法有望从单纯的症状控制转向对神经元的保护与修复，解决单一疗法无法应对的复杂系统性问题。研究发表在 3 Biotech 上。