追問daily | 童顏濾鏡有助于解鎖塵封的童年記憶；AI科研合作者進(jìn)化：新模型統(tǒng)一化學(xué)、生物、材料三大領(lǐng)域

█腦科學(xué)動態(tài)

Nature：腦干中的特定神經(jīng)元可能是治療慢性疼痛的關(guān)鍵

Cell：非神經(jīng)元腦細(xì)胞如何溝通以協(xié)調(diào)大腦的重新連接

你的頭發(fā)和膚色，會影響大腦掃描的準(zhǔn)確性嗎？

大腦芯片技術(shù)揭示敗血癥和神經(jīng)退行性疾病如何損害大腦

眶額皮質(zhì)新功能揭秘：專為應(yīng)對不確定性而生

身體錯覺有助于解鎖塵封的童年記憶

大腦導(dǎo)航新路徑的奧秘：在現(xiàn)實與舊地圖間“閃爍”切換

█AI行業(yè)動態(tài)

Gemini 2.5 Computer Use：AI智能體接管瀏覽器操作

█AI驅(qū)動科學(xué)

Nature：AI驅(qū)動的自動化平臺揭示百年化學(xué)反應(yīng)的隱藏秘密

AI科研合作者進(jìn)化：新模型統(tǒng)一化學(xué)、生物、材料三大領(lǐng)域

數(shù)據(jù)驅(qū)動的AI模型繪制出含1300個區(qū)域的小鼠大腦新圖譜

scHDeepInsight：以圖像識別方式精準(zhǔn)解析免疫細(xì)胞

新的開源平臺實現(xiàn)跨疾病、跨國界的腦信號精準(zhǔn)解碼

腦科學(xué)動態(tài)

Nature：腦干中的特定神經(jīng)元可能是治療慢性疼痛的關(guān)鍵

慢性疼痛為何難以根除？它可能源于大腦中持續(xù)“報警”的神經(jīng)回路。為了找到這個回路的“關(guān)閉開關(guān)”，賓夕法尼亞大學(xué)的 J. Nicholas Betley、Nitsan Goldstein 及匹茲堡大學(xué)和斯克里普斯研究所（Scripps Research Institute）的合作者發(fā)現(xiàn)，腦干中的一個關(guān)鍵神經(jīng)中樞能夠被饑餓等生存需求抑制。

?圖中展示了遍布大腦的 NPY+神經(jīng)元（綠色）的熒光成像，以及向 PBN 發(fā)送投射信號的洋紅色神經(jīng)元。Credit: J Nicholas Betley

研究團隊利用鈣成像技術(shù)，在臨床前模型中實時觀察到，腦干外側(cè)臂旁核（lateral parabrachial nucleus，lPBN）內(nèi)一群表達(dá)Y1受體（Y1 receptor，Y1R）的神經(jīng)元，在慢性疼痛狀態(tài)下會持續(xù)放電，呈現(xiàn)一種“強直性活動”（tonic activity）。這種持續(xù)的神經(jīng)活動，就像一臺無法熄火的引擎，可能是慢性疼痛難以消退的神經(jīng)基礎(chǔ)。更關(guān)鍵的發(fā)現(xiàn)是，大腦擁有一個內(nèi)置的優(yōu)先級排序系統(tǒng)。當(dāng)面臨饑餓、口渴或恐懼等更緊迫的生存威脅時，其他腦區(qū)會釋放一種名為神經(jīng)肽Y（neuropeptide Y，NPY）的信號分子。NPY會作用于lPBN中這群Y1R神經(jīng)元，像一把鑰匙插入鎖孔，有效抑制了它們的活動，從而壓制了疼痛信號。這證明了Y1R神經(jīng)元是一個內(nèi)源性的鎮(zhèn)痛中樞，它整合了疼痛與生存需求信息，確保機體能優(yōu)先處理最緊急的威脅。研究發(fā)表在 Nature 上。

閱讀更多：

Goldstein, Nitsan, et al. “A Parabrachial Hub for Need-State Control of Enduring Pain.” Nature, Oct. 2025, pp. 1–9. www.nature.com, https://doi.org/10.1038/s41586-025-09602-x

Cell：非神經(jīng)元腦細(xì)胞如何溝通以協(xié)調(diào)大腦的重新連接

大腦回路的精確布線依賴于突觸的精細(xì)修剪，但負(fù)責(zé)這項工作的非神經(jīng)元細(xì)胞（神經(jīng)膠質(zhì)細(xì)胞）如何協(xié)同工作一直是個謎。馬薩諸塞大學(xué)陳曾熙醫(yī)學(xué)院的 Dorothy P. Schafer 和 Travis E. Faust 團隊揭示了一種全新的通信機制：大腦中的“免疫細(xì)胞”小膠質(zhì)細(xì)胞通過分泌Wnt蛋白，指揮“輔助細(xì)胞”星形膠質(zhì)細(xì)胞，從而高效地重塑神經(jīng)連接。

?Credit: Cell (2025).

研究人員通過移除新生小鼠的胡須來模擬感覺輸入的改變，從而觸發(fā)其大腦桶狀皮層區(qū)域的突觸修剪。令人意外的是，他們發(fā)現(xiàn)星形膠質(zhì)細(xì)胞并不直接吞噬廢棄的突觸。相反，它們在突觸被移除前，會先收回包裹著突觸的微小分支。真正的“清理工”是小膠質(zhì)細(xì)胞。進(jìn)一步探究發(fā)現(xiàn)，這一過程是一個精心協(xié)調(diào)的“兩步走”策略。首先，神經(jīng)活動降低的神經(jīng)元發(fā)出信號，激活小膠質(zhì)細(xì)胞。隨后，被激活的小膠質(zhì)細(xì)胞會分泌一種名為Wnt（一種在胚胎發(fā)育和組織穩(wěn)態(tài)中起關(guān)鍵作用的信號蛋白家族）的信號分子。這個Wnt信號就像一個指令，告知鄰近的星形膠質(zhì)細(xì)胞“請讓開”，星形膠質(zhì)細(xì)胞接收到信號后便從突觸上撤退。這樣一來，就為小膠質(zhì)細(xì)胞進(jìn)入并吞噬目標(biāo)突觸創(chuàng)造了暢通無阻的條件。研究發(fā)表在 Cell 上。

閱讀更多：

Faust, Travis E., et al. “Microglia-Astrocyte Crosstalk Regulates Synapse Remodeling via Wnt Signaling.” Cell, vol. 188, no. 19, Sept. 2025, pp. 5212-5230.e21. www.cell.com, https://doi.org/10.1016/j.cell.2025.08.023

你的頭發(fā)和膚色，會影響大腦掃描的準(zhǔn)確性嗎？

功能性近紅外光譜（fNIRS）作為一種便攜的腦成像技術(shù)潛力巨大，但其信號質(zhì)量常因人而異，可能導(dǎo)致研究帶有偏見。波士頓大學(xué)的 Meryem A. Yücel, David A. Boas 及其同事系統(tǒng)性地量化了頭發(fā)和皮膚等生物物理特征對fNIRS信號的影響，旨在為建立更具包容性的神經(jīng)科學(xué)研究標(biāo)準(zhǔn)提供科學(xué)依據(jù)。

?研究人員如何收集實驗數(shù)據(jù)。Credit: Yucel et al.

該研究對115名參與者進(jìn)行了詳細(xì)的生物物理特征記錄，包括頭發(fā)的顏色、密度、類型以及皮膚色素沉著水平，并使用功能性近紅外光譜采集了他們的大腦活動數(shù)據(jù)。通過嚴(yán)謹(jǐn)?shù)慕y(tǒng)計建模，研究團隊首次精確量化了這些特征對信號質(zhì)量的影響。結(jié)果明確指出，深色、濃密的頭發(fā)以及較深的膚色會顯著降低fNIRS信號的質(zhì)量。這是因為近紅外光在穿透頭皮進(jìn)入大腦皮層的過程中，更容易被這些特征吸收或散射，導(dǎo)致探測器接收到的有效信號減弱。這一發(fā)現(xiàn)揭示了一個嚴(yán)峻問題：如果不加以校正，神經(jīng)影像學(xué)研究可能會無意中將擁有這些特征的人群邊緣化，導(dǎo)致研究樣本缺乏多樣性，結(jié)論的普適性也大打折扣。為此，研究團隊不僅記錄了這一技術(shù)上的不平等，還提出了一系列實用建議，例如改進(jìn)光極硬件設(shè)計、優(yōu)化數(shù)據(jù)采集策略以及在論文中更透明地報告參與者的人口學(xué)特征，從而推動整個領(lǐng)域走向更公平和普惠。研究發(fā)表在 Nature Human Behaviour 上。

閱讀更多：

Yücel, Meryem A., et al. “Quantifying the Impact of Hair and Skin Characteristics on fNIRS Signal Quality for Enhanced Inclusivity.” Nature Human Behaviour, Sept. 2025, pp. 1–18. www.nature.com, https://doi.org/10.1038/s41562-025-02274-7

大腦芯片技術(shù)揭示敗血癥和神經(jīng)退行性疾病如何損害大腦

敗血癥等嚴(yán)重炎癥為何會損傷大腦？為探究血腦屏障（BBB）在其中的作用，羅切斯特大學(xué)的 James McGrath, Kaihua Chen 等研究人員利用先進(jìn)的大腦芯片技術(shù)，成功模擬并揭示了細(xì)胞因子風(fēng)暴導(dǎo)致血腦屏障崩潰的具體機制，并發(fā)現(xiàn)了血液流動在維持屏障韌性中的關(guān)鍵作用。

?流體μSiM-BBB 的開發(fā)。Credit: Advanced Science (2025).

該研究團隊構(gòu)建了一個名為μSiM-BBB的微生理系統(tǒng)，它在微型芯片上利用人類細(xì)胞重建了關(guān)鍵的血腦屏障。通過引入微流體來模擬血液流動產(chǎn)生的剪切應(yīng)力，研究人員發(fā)現(xiàn)，這種物理力能夠顯著強化屏障功能，使其更不易被破壞。實驗中，當(dāng)模擬敗血癥中常見的細(xì)胞因子風(fēng)暴時，高濃度的炎癥信號會摧毀血腦屏障的完整性。

然而，一個更重要的發(fā)現(xiàn)是，僅有炎癥信號并不足以觸發(fā)大腦內(nèi)部的次級損傷。研究人員在芯片的“大腦”一側(cè)加入了星形膠質(zhì)細(xì)胞，發(fā)現(xiàn)它們只有在接觸到炎癥細(xì)胞因子和從“血液”中泄漏過來的纖維蛋白原（fibrinogen，一種血液凝固蛋白）這兩種信號的共同作用下，才會發(fā)生有害的激活。這表明，血腦屏障的崩潰是導(dǎo)致神經(jīng)炎癥的關(guān)鍵第一步。此外，團隊的另一項研究還揭示了周細(xì)胞（pericytes）通過分泌基質(zhì)來修復(fù)屏障缺陷的重要作用。研究發(fā)表在 Advanced Science 上。

閱讀更多：

Chen, Kaihua, et al. Shear Conditioning Promotes Microvascular Endothelial Barrier Resilience in a Human BBB‐on‐a‐Chip Model of Systemic Inflammation Leading to Astrogliosis. advanced.onlinelibrary.wiley.com, https://doi.org/10.1002/advs.202508271. Accessed 10 Oct. 2025

眶額皮質(zhì)新功能揭秘：專為應(yīng)對不確定性而生

大腦如何在充滿不確定性的環(huán)境中做出靈活決策？加州大學(xué)洛杉磯分校的Juan Luis Romero-Sosa和Alicia Izquierdo團隊通過研究大鼠發(fā)現(xiàn)，額葉皮質(zhì)內(nèi)部存在明確分工：眶額皮質(zhì)（OFC）中的一類新發(fā)現(xiàn)神經(jīng)元在結(jié)果不確定時尤為活躍，對靈活學(xué)習(xí)至關(guān)重要；而次級運動皮層（M2）則偏好在確定性條件下工作。

?自由行為、植入晶狀體大鼠的概率逆向?qū)W習(xí)任務(wù)表現(xiàn)。Credit: Nature Communications (2025).

研究團隊設(shè)計了一項觸摸屏任務(wù)，讓大鼠在不同概率下選擇以獲取食物獎勵，從而系統(tǒng)地引入不確定性。他們利用微型顯微鏡進(jìn)行鈣離子成像，實時監(jiān)測大鼠大腦眶額皮質(zhì)和次級運動皮層的神經(jīng)元活動。研究發(fā)現(xiàn)，當(dāng)獎勵結(jié)果變得越來越不確定時（例如，從100%降至70%的成功率），OFC中的一類特定神經(jīng)元反而變得更加活躍。相反，M2的神經(jīng)元則在結(jié)果明確時更為活躍。為了驗證OFC的關(guān)鍵作用，研究者使用化學(xué)遺傳學(xué)暫時抑制了OFC的活動。結(jié)果顯示，大鼠的學(xué)習(xí)能力和決策表現(xiàn)顯著下降，它們難以適應(yīng)環(huán)境變化，也減少了采用“贏則堅持，輸則轉(zhuǎn)換”（Win-Stay, Lose-Shift）這類有效的學(xué)習(xí)策略。這一發(fā)現(xiàn)揭示了大腦處理決策時的精妙分工：OFC如同一個“不確定性專家”，幫助我們在未知中靈活調(diào)整策略，而M2則更像一個“執(zhí)行者”，在情況明朗時高效行動。研究發(fā)表在 Nature Communications 上。

閱讀更多：

Romero-Sosa, Juan Luis, et al. “Neural Coding of Choice and Outcome Are Modulated by Uncertainty in Orbitofrontal but Not Secondary Motor Cortex.” Nature Communications, vol. 16, no. 1, Oct. 2025, p. 8931. www.nature.com, https://doi.org/10.1038/s41467-025-63866-5

身體錯覺有助于解鎖塵封的童年記憶

我們的身體感知如何影響塵封已久的童年記憶？來自英國安格利亞魯斯金大學(xué)（的 Utkarsh Gupta 和 Jane E. Aspell 等研究人員，通過一項創(chuàng)新的身體錯覺實驗發(fā)現(xiàn)，讓成年人短暫地“擁有”自己童年時的面孔，能夠顯著增強其對早期情景記憶的提取能力。

?烏特卡什·古普塔博士演示了“人臉錯覺”，并在右側(cè)照片上應(yīng)用了濾鏡。Credit: Anglia Ruskin University

該研究對50名成年參與者進(jìn)行了一項“面孔錯覺”（enfacement illusion，一種讓大腦將外部影像感知為自身一部分的現(xiàn)象）實驗。參與者通過電腦屏幕觀看自己面部的實時視頻，并通過同步的頭部運動與屏幕中的影像互動。關(guān)鍵的操縱在于，實驗組看到的影像是被數(shù)字技術(shù)修改過的“童年版”自己，而對照組看到的則是自己當(dāng)下的成年面孔。這種同步互動旨在誘導(dǎo)一種強烈的身體所有權(quán)感。

實驗結(jié)束后，研究人員評估了參與者回憶自傳體記憶的能力。結(jié)果顯示，與對照組相比，體驗了“童顏”錯覺的參與者回憶出的童年情景自傳體記憶（episodic autobiographical memories，指能夠讓人在精神上重溫特定事件的個人經(jīng)歷）細(xì)節(jié)要豐富得多。這一效應(yīng)具有高度特異性，并未影響參與者對近期記憶的回憶。這一發(fā)現(xiàn)表明，大腦在編碼記憶時，可能將當(dāng)時的身體狀態(tài)信息也一并儲存。因此，通過錯覺重新引入相似的身體線索，就像是找到了一把能夠解鎖塵封記憶的鑰匙，這為未來開發(fā)輔助記憶恢復(fù)的干預(yù)手段提供了全新的思路。研究發(fā)表在 Scientific Reports 上。

閱讀更多：

Gupta, Utkarsh, et al. “Illusory Ownership of One’s Younger Face Facilitates Access to Childhood Episodic Autobiographical Memories.” Scientific Reports, vol. 15, no. 1, Oct. 2025, p. 32564. www.nature.com, https://doi.org/10.1038/s41598-025-17963-6

大腦導(dǎo)航新路徑的奧秘：在現(xiàn)實與舊地圖間“閃爍”切換

大腦如何快速學(xué)習(xí)新路線并更新已有的“心理地圖”？耶魯大學(xué)的 Yuchen Zhou, George Dragoi 及其同事，通過研究大鼠導(dǎo)航發(fā)現(xiàn)，大腦在睡眠時已“預(yù)演”未知路徑，并在探索新路時通過在現(xiàn)實與記憶間快速“閃爍”來靈活更新認(rèn)知地圖。

研究團隊在一個四臂迷宮中訓(xùn)練大鼠，并實時記錄其大腦海馬體的神經(jīng)活動。實驗中，他們突然引入了一條U形的繞行路線。令人驚訝的是，在大鼠實際接觸到這條新路之前，它們在睡眠中的大腦活動已經(jīng)自發(fā)產(chǎn)生了能夠編碼這條未來路徑的神經(jīng)序列。這種“預(yù)演”機制使得大鼠僅用一兩次嘗試就能快速學(xué)會繞行。更有趣的發(fā)現(xiàn)是，當(dāng)大鼠在新路線上導(dǎo)航時，其海馬體的神經(jīng)活動并非只關(guān)注當(dāng)前位置，而是在當(dāng)前路線的表征和記憶中那條已不存在的舊路表征之間快速“閃爍”。這種切換由θ序列（theta sequences，一種嵌入海馬體腦電節(jié)律中的神經(jīng)元放電序列，有助于連接空間位置、支持學(xué)習(xí)與導(dǎo)航）的不同相位高度組織，使大腦能并行處理和比較現(xiàn)實與記憶。實驗結(jié)束后，即使迷宮恢復(fù)原狀，繞行的經(jīng)歷也永久地改變了大鼠對原始路徑的神經(jīng)表征，形成了更新版的認(rèn)知地圖。這一機制的失調(diào)或許能解釋創(chuàng)傷后應(yīng)激障礙（PTSD）等疾病中侵入性記憶的產(chǎn)生。研究發(fā)表在 Nature Communications 上。

閱讀更多：

Zhou, Yuchen, et al. “Generative Emergence of Non-Local Representations in the Hippocampus.” Nature Communications, vol. 16, no. 1, Aug. 2025, p. 8012. www.nature.com, https://doi.org/10.1038/s41467-025-63346-w

AI 行業(yè)動態(tài)

DeepMind發(fā)布Gemini 2.5 Computer Use：AI智能體接管瀏覽器操作

DeepMind 近日發(fā)布了基于其旗艦?zāi)Ｐ?Gemini 2.5 的計算機使用模型 Gemini 2.5 Computer Use ，高調(diào)加入 AI 智能體的競爭戰(zhàn)場。該模型的核心功能是賦予人工智能直接操作用戶瀏覽器的能力，類似于 OpenAI 推出的 Computer-Using Agent 。Gemini 2.5 Computer Use 通過視覺理解和推理，能夠執(zhí)行點擊、滾動和輸入等復(fù)雜的 UI 操作，從而幫助用戶完成收集網(wǎng)絡(luò)信息、整理筆記，乃至執(zhí)行一系列跨網(wǎng)站的復(fù)雜動作，例如為特定用戶 Anima Lavar (人名) 設(shè)置跟進(jìn)拜訪。研究人員指出，該模型的誕生緊隨 Chrome DevTools 的發(fā)布，進(jìn)一步深化了谷歌在 AI 驅(qū)動的計算機交互領(lǐng)域的布局。

從技術(shù)實現(xiàn)上看，該模型通過 Gemini API (谷歌的大型語言模型接口) 中新增的 computer_use 工具實現(xiàn)功能，并在一個循環(huán)流程（loop）中運行。輸入信息包括用戶請求、環(huán)境截圖和歷史動作記錄，模型隨后生成代表 UI 動作的函數(shù)調(diào)用。目前，開發(fā)者已可通過 Google AI Studio和 Vertex AI 的 Gemini API 獲取這些能力。然而，在實際測試中，盡管模型能準(zhǔn)確完成“在維基百科上找到 John Wick 頁面”這類簡單任務(wù)，但在面對涉及多步驟操作、需要總結(jié)或跨語言處理的復(fù)雜任務(wù)時，成功率仍有待提高，這顯示出技術(shù)在處理真實世界復(fù)雜情境時的稚嫩。

DeepMind 的研究人員在設(shè)計 Gemini 2.5 Computer Use 時高度重視安全機制，以應(yīng)對惡意使用、意外行為、提示詞注入和詐騙等智能體特有的風(fēng)險。谷歌將安全防護(hù)機制直接融入訓(xùn)練階段，并為開發(fā)者提供了細(xì)致的控制選項，包括逐步安全服務(wù)（Per-step Safety Service）和系統(tǒng)指令（System Instructions）。這些措施旨在防止模型自動執(zhí)行高風(fēng)險操作，例如危及系統(tǒng)完整性或控制醫(yī)療設(shè)備等。谷歌 DeepMind 此次高調(diào)入局，使得 AI 智能體領(lǐng)域的競爭正式進(jìn)入白熱化階段。

.5ComputerUse

閱讀更多：

https://blog.google/technology/google-deepmind/gemini-computer-use-model/

AI 驅(qū)動科學(xué)

Nature：AI驅(qū)動的自動化平臺揭示百年化學(xué)反應(yīng)的隱藏秘密

化學(xué)反應(yīng)如何在一個由溫度、濃度等構(gòu)成的龐大參數(shù)空間中變化？這一直是化學(xué)領(lǐng)域的難題。為了系統(tǒng)解答此問題，韓國基礎(chǔ)科學(xué)研究所（IBS）的 Yankai Jia, Bartosz A. Grzybowski 及其同事開發(fā)了一個機器人與AI結(jié)合的自動化平臺，首次成功繪制出化學(xué)反應(yīng)在高維空間中的“全景地圖”，揭示了隱藏的反應(yīng)規(guī)律。

傳統(tǒng)化學(xué)實驗如同在黑暗中摸索，耗時且低效。該研究團隊構(gòu)建的自動化平臺，利用機器人并行操作數(shù)千個微型反應(yīng)，并通過快速、廉價的紫外-可見光譜（UV-Vis spectroscopy，一種通過測量光吸收來確定物質(zhì)濃度的技術(shù)）進(jìn)行產(chǎn)率分析。關(guān)鍵創(chuàng)新在于，他們開發(fā)了一套強大的AI算法，能夠從混合物的復(fù)雜光譜中“解構(gòu)”出每種產(chǎn)物和副產(chǎn)物的精確產(chǎn)率，并自動標(biāo)記異常數(shù)據(jù)點，這些點往往指向新化學(xué)現(xiàn)象的發(fā)現(xiàn)。

利用該平臺，研究團隊系統(tǒng)地掃描了多種經(jīng)典反應(yīng)。例如，在Ugi反應(yīng)中，他們繪制的產(chǎn)率圖譜呈現(xiàn)出兩個分離的山峰，證明了反應(yīng)在不同條件下會切換到完全不同的機制路徑。在已被研究上百年的Hantzsch反應(yīng)中，該系統(tǒng)甚至發(fā)現(xiàn)了一個前人從未注意到的副產(chǎn)物，并在此基礎(chǔ)上首次構(gòu)建了完整的反應(yīng)網(wǎng)絡(luò)（reaction network，描繪所有可能產(chǎn)物及其轉(zhuǎn)化關(guān)系的路線圖）。這項工作為化學(xué)家提供了導(dǎo)航復(fù)雜反應(yīng)空間的“地圖”，極大地加速了反應(yīng)優(yōu)化和新化學(xué)的發(fā)現(xiàn)。研究發(fā)表在 Nature 上。

閱讀更多：

Jia, Yankai, et al. “Robot-Assisted Mapping of Chemical Reaction Hyperspaces and Networks.” Nature, vol. 645, no. 8082, Sept. 2025, pp. 922–31. www.nature.com, https://doi.org/10.1038/s41586-025-09490-1

AI科研合作者進(jìn)化：SciReasoner模型統(tǒng)一化學(xué)、生物、材料三大領(lǐng)域

如何讓AI真正成為能跨學(xué)科思考的科研“合作者”？面對化學(xué)、生物、材料科學(xué)中異構(gòu)數(shù)據(jù)的挑戰(zhàn)，來自上海人工智能實驗室、香港中文大學(xué)等機構(gòu)的 Yizhou Wang, Chen Tang, Han Deng, Shixiang Tang, Wanli Ouyang, Lei Bai 等人，開發(fā)了一款名為SciReasoner的統(tǒng)一科學(xué)基座模型，旨在打通科學(xué)研究中“讀、思、設(shè)”的全鏈路。

SciReasoner的構(gòu)建始于一個龐大的知識庫，研究團隊在一個包含206B token的混合科學(xué)數(shù)據(jù)集上對其進(jìn)行預(yù)訓(xùn)練，數(shù)據(jù)內(nèi)容不僅有海量科學(xué)文獻(xiàn)，還整合了DNA、蛋白質(zhì)以及化學(xué)分子結(jié)構(gòu)式（SMILES，一種用于表示化學(xué)分子結(jié)構(gòu)的文本格式）等多種科學(xué)序列數(shù)據(jù)。模型的獨特之處在于其創(chuàng)新的“三段式”對齊訓(xùn)練策略。首先進(jìn)行大規(guī)模指令微調(diào)；其次，模型被訓(xùn)練出一種名為自適應(yīng)科學(xué)推理的能力，使其能為分子逆合成等復(fù)雜問題生成詳盡的推理步驟（即思維鏈），同時對性質(zhì)預(yù)測等簡單任務(wù)給出直接答案；最后，在強化學(xué)習(xí)階段，團隊設(shè)計了任務(wù)分組獎勵（Task Grouped Rewarding，為不同類型的科學(xué)任務(wù)設(shè)計專門的獎勵機制）和科學(xué)獎勵軟化（Scientific Reward Softening，將簡單的對/錯信號轉(zhuǎn)化為連續(xù)的評分以穩(wěn)定訓(xùn)練）等機制，確保模型的輸出符合科學(xué)規(guī)范且可被驗證。

最終，這個單一模型成功覆蓋了五大類共103項科學(xué)任務(wù)，從分子式與化學(xué)名的互譯，到預(yù)測材料性質(zhì)，再到可控地設(shè)計新蛋白質(zhì)序列。在性能評測中，SciReasoner在54項任務(wù)上達(dá)到世界頂尖水平，并在101項任務(wù)中位列前二，其強大的跨學(xué)科整合能力顯著優(yōu)于現(xiàn)有專用模型。

閱讀更多：

Wang, Yizhou, et al. “SciReasoner: Laying the Scientific Reasoning Ground Across Disciplines.” arXiv:2509.21320, arXiv, 25 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.21320

數(shù)據(jù)驅(qū)動的AI模型繪制出含1300個區(qū)域的小鼠大腦新圖譜

來自加州大學(xué)舊金山分校的 Reza Abbasi-Asl 和艾倫研究所的 Bosiljka Tasic 等研究人員，利用人工智能技術(shù)開發(fā)了一款名為CellTransformer的模型，它能自動分析海量細(xì)胞數(shù)據(jù)，創(chuàng)建出前所未有、完全由數(shù)據(jù)驅(qū)動的小鼠大腦圖譜。

?使用 CellTransformer 創(chuàng)建的小鼠大腦 1,300 個區(qū)域/亞區(qū)域樣本。Credit: University of California, San Francisco

該研究的核心是一個名為CellTransformer的人工智能模型，它與驅(qū)動ChatGPT的Transformer技術(shù)同源。但不同于分析語言，CellTransformer專注于學(xué)習(xí)空間轉(zhuǎn)錄組學(xué)（spatial transcriptomics，一種能夠揭示細(xì)胞在組織中精確位置及其基因活性的技術(shù)）數(shù)據(jù)中細(xì)胞間的空間關(guān)系。模型通過分析一個細(xì)胞周圍的“鄰居”來預(yù)測其分子特征，從而自主地學(xué)習(xí)并勾勒出大腦的組織邊界，就像根據(jù)建筑類型劃分城市區(qū)域一樣。研究團隊將該模型應(yīng)用于艾倫研究所提供的數(shù)百萬細(xì)胞級別的小鼠大腦數(shù)據(jù)集。結(jié)果，CellTransformer成功生成了一幅包含1300個區(qū)域和亞區(qū)的超高分辨率腦圖譜，其精細(xì)度遠(yuǎn)超以往。這張圖譜不僅準(zhǔn)確地復(fù)現(xiàn)了海馬體等已知結(jié)構(gòu)，更重要的是，它在中腦網(wǎng)狀核（midbrain reticular nucleus）等認(rèn)知尚淺的腦區(qū)發(fā)現(xiàn)了此前從未被記錄的全新亞區(qū)。為驗證其可靠性，研究人員將其結(jié)果與權(quán)威的艾倫通用坐標(biāo)框架（Common Coordinate Framework）進(jìn)行對比，發(fā)現(xiàn)二者高度一致。這項技術(shù)不僅為神經(jīng)科學(xué)提供了探索大腦功能的“高清地圖”，其通用性也使其有望應(yīng)用于癌癥等其他組織的研究。研究發(fā)表在 Nature Communications 上。

閱讀更多：

Lee, Alex J., et al. “Data-Driven Fine-Grained Region Discovery in the Mouse Brain with Transformers.” Nature Communications, vol. 16, no. 1, Oct. 2025, p. 8536. www.nature.com, https://doi.org/10.1038/s41467-025-64259-4

scHDeepInsight：以圖像識別方式精準(zhǔn)解析免疫細(xì)胞

如何快速準(zhǔn)確地對海量免疫細(xì)胞進(jìn)行分類，是免疫學(xué)研究的一大瓶頸。東京大學(xué)的Tatsuhiko Tsunoda, Shangru Jia及其同事開發(fā)了一款名為scHDeepInsight的人工智能框架。該工具創(chuàng)新地將單細(xì)胞基因表達(dá)數(shù)據(jù)轉(zhuǎn)化為圖像，利用深度學(xué)習(xí)模型進(jìn)行分層識別，極大地提升了免疫細(xì)胞自動分類的速度和準(zhǔn)確性。

?單細(xì)胞 RNA 輸入、圖像轉(zhuǎn)換和 CNN 分析與免疫細(xì)胞分級分類的關(guān)聯(lián)流程概述。Credit: 2025 Tsunoda et al.

該研究的核心創(chuàng)新在于將單細(xì)胞RNA測序數(shù)據(jù)轉(zhuǎn)換成二維圖像。通過將功能相關(guān)的基因在圖像上進(jìn)行空間排布，研究人員得以利用強大的卷積神經(jīng)網(wǎng)絡(luò)來分析這些基因圖譜。這種方法能有效捕捉傳統(tǒng)數(shù)據(jù)表難以揭示的復(fù)雜基因間相互作用。scHDeepInsight的另一大特點是其分層分類架構(gòu)，它模仿了免疫系統(tǒng)的天然譜系結(jié)構(gòu)，能夠同時識別大的細(xì)胞類別（如淋巴細(xì)胞）和更精細(xì)的亞型（如輔助T細(xì)胞）。為了攻克稀有或相似細(xì)胞亞型難以區(qū)分的難題，團隊還設(shè)計了一種自適應(yīng)學(xué)習(xí)算法，使模型能夠自動聚焦于更具挑戰(zhàn)性的分類任務(wù)。在對七個不同組織數(shù)據(jù)集的測試中，scHDeepInsight表現(xiàn)出色，平均準(zhǔn)確率高達(dá)93.2%，比現(xiàn)有方法高出5.1%。它能精準(zhǔn)區(qū)分50種不同的免疫細(xì)胞亞型，且處理約一萬個細(xì)胞的注釋任務(wù)僅需幾分鐘。此外，該工具還具備可解釋性，能夠明確指出哪些基因是分類決策的關(guān)鍵，為生物學(xué)發(fā)現(xiàn)提供了線索。研究發(fā)表在 Briefings in Bioinformatics 上。

閱讀更多：

Jia, Shangru, et al. “scHDeepInsight: A Hierarchical Deep Learning Framework for Precise Immune Cell Annotation in Single-Cell RNA-Seq Data.” Briefings in Bioinformatics, vol. 26, no. 5, Aug. 2025. academic.oup.com, https://doi.org/10.1093/bib/bbaf523

開源平臺py_neuromodulation發(fā)布，實現(xiàn)跨疾病、跨國界的腦信號精準(zhǔn)解碼

如何讓腦機接口擺脫“一人一策”的漫長訓(xùn)練困境？來自德國、美國和中國的 Timon Merk, Wolf-Julian Neumann 等研究人員組成的國際團隊解決了這一難題。他們開發(fā)了一個名為py_neuromodulation的開源平臺，首次成功打造出可跨越不同疾病、人種和國家的“通用”大腦信號解碼器，為智能神經(jīng)調(diào)控療法鋪平了道路。

研究團隊開發(fā)了一個標(biāo)準(zhǔn)化的開源解碼平臺py_neuromodulation，并在涵蓋帕金森病、抑郁癥和癲癇的73名患者、總計時長超123小時的侵入性腦電數(shù)據(jù)上進(jìn)行了驗證。該平臺的核心創(chuàng)新在于整合了機器學(xué)習(xí)與大腦連接組學(xué)，不再孤立地分析單個電極信號，而是考量其在全腦網(wǎng)絡(luò)中的連接特性。在運動解碼方面，團隊利用該方法成功訓(xùn)練出一個“即插即用”的通用解碼器。在跨國多中心測試中，該解碼器無需任何個體化訓(xùn)練，運動檢測準(zhǔn)確率便達(dá)到了81%，其性能甚至優(yōu)于在新患者身上花費數(shù)分鐘訓(xùn)練的傳統(tǒng)模型。在針對重度抑郁癥患者的情緒解碼任務(wù)中，解碼器不僅能以62%的準(zhǔn)確率區(qū)分情緒狀態(tài)，還定位到了一個與治療效果密切相關(guān)的左側(cè)前額葉網(wǎng)絡(luò)，為深部腦刺激的精準(zhǔn)靶點選擇提供了客觀生物標(biāo)志物。此外，在癲癇治療中，平臺通過數(shù)據(jù)驅(qū)動的優(yōu)化，將響應(yīng)性神經(jīng)刺激系統(tǒng)的癲SESSION發(fā)作檢測性能指標(biāo)（F1分?jǐn)?shù)）從0.41提升至了驚人的0.92，實現(xiàn)了更精準(zhǔn)、高效的閉環(huán)治療。研究發(fā)表在 Nature Biomedical Engineering 上。

閱讀更多：

Merk, Timon, et al. “Invasive Neurophysiology and Whole Brain Connectomics for Neural Decoding in Patients with Brain Implants.” Nature Biomedical Engineering, Sept. 2025, pp. 1–18. www.nature.com, https://doi.org/10.1038/s41551-025-01467-9

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。如果您有進(jìn)一步想要討論的內(nèi)容，歡迎評論區(qū)留言，或后臺留言“社群”即可加入社群與我們互動。

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創(chuàng)建的世界最大私人腦科學(xué)研究機構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎勵計劃、、、大圓鏡科普等。