追問daily | 心靈之眼有不同于感知的大腦地圖；不同的敘事策略有不同的記憶通道；

█ 腦科學動態

腦電波如雷達般掃描皮層，讀取工作記憶信息

快處理聲音，慢品味意義：研究揭示大腦處理語言的時間層級性

事實學習的大腦地圖：楔前葉與前顳葉的表征質量決定記憶成敗

故事怎么講，記憶怎么存：大腦為不同敘事方式開啟專屬“記憶通道”

長期記憶中的心理圖像處理不依賴于感知系統

腸道菌群產血清素有望治療腸易激綜合癥

散射測量技術結合機器學習，將神經元三維成像精度提升十倍

解碼幻聽之謎：大腦預測功能障礙導致“心聲”外化

█ AI行業動態

Anthropic 推出生命科學版 Claude：用 AI 連接科研生態系統

深度求索發布OCR新系統，視覺壓縮技術突破LLM記憶瓶頸

█ AI驅動科學

意念控制假肢新進展：虛擬任務揭示大腦如何重新校準運動

AI病理診斷系統SmartPath，提升癌癥診療效率與精度

AI新模型實現密集功能對應，提升機器人工具使用能力

人工智能精準重編程，誘導頑固癌細胞自毀

電子眼植入物結合AR眼鏡可恢復晚期黃斑變性患者的閱讀視力

大語言模型學會“察言觀色”：實時心率數據賦予AI生理感知能力

腦科學動態

腦電波如雷達般掃描皮層，讀取工作記憶信息

我們如何從短暫的記憶中快速準確地提取信息？麻省理工學院皮科威學習與記憶研究所的 Earl K. Miller、首爾國立大學的 Hio-Been Han 及同事發現，大腦中的一種θ頻段腦波扮演了關鍵角色，它像雷達一樣，以行進波的形式自上而下地掃描大腦皮層，從而讀取工作記憶中的信息。

? FEF θ波調節工作記憶任務表現。Credit: Hio-Been Han et al

研究團隊通過一項視覺記憶任務揭示了這一機制。在該任務中，動物需要記住屏幕上的一組色塊，并在其再次出現時找出顏色變化的那一個。通過記錄大腦額葉眼區（frontal eye fields, FEF，一個負責映射視野的腦區）的神經活動，研究人員發現動物的反應速度和準確性與一個關鍵因素緊密相關：當變化色塊出現時，θ波（theta wave，頻率為3-6赫茲）所處的相位。更重要的是，能帶來最佳表現的θ波相位，會隨著目標色塊在屏幕上位置的降低而系統性地推遲。這一現象有力地證明了θ波并非靜止不變，而是像一道行進波，以固定的節奏從上至下“掃描”整個視覺空間，以讀取相應位置的記憶信息。如果信息讀取的“指令”（變化的色塊出現）恰好與掃描波到達該位置的“節拍”同步，任務表現就更好。研究還發現，θ波會協調其他腦波的活動，在興奮期抑制β波以允許感官信息流入，在抑制期則增強β波以維持任務規則。研究發表在 Neuron 上。

閱讀更多：

Han, Hio-Been, et al. “Working Memory Readout Varies with Frontal Theta Rhythms.” Neuron, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.neuron.2025.09.031

快處理聲音，慢品味意義：研究揭示大腦處理語言的時間層級性

人腦如何同時處理連續語音中的聲音和意義等多個信息層次？紐約大學和斯坦福大學的Laura Gwilliams、Alec Marantz、David Poeppel及Meta公司的Jean-Rémi King等人通過研究揭示，大腦通過一種動態編碼機制，讓信息在不同腦區間移動，從而并行處理多重任務。

? 圖示展示了大腦如何隨時間解碼詞語的不同方面，首先且最快處理的是語音（即聲音），而語義意義則稍后出現，耗時更長。Credit: Laura Gwilliams

研究團隊通過腦磁圖技術，記錄了21名參與者在聽取有聲讀物時的大腦活動，并利用機器學習模型解碼了從聲音到意義的多個語言信息層次。研究發現，大腦處理語言的方式并非將特定功能固定在某個區域，而是采用一種名為層次動態編碼（Hierarchical Dynamic Coding, HDC）的機制。該機制如同一個高效的地鐵系統：不同層級的語言信息（如語音、詞義）就像不同的列車，在多個腦區之間動態傳遞和處理。當一個信息處理完畢后，便會“駛向下一站”，為新的信息騰出“站臺”，從而實現多任務并行處理且互不干擾。研究還揭示，這種信息傳遞的速度與內容的抽象程度有關：基礎的語音信息處理速度快、持續時間短，而更抽象的語義信息則處理得更慢，并在大腦中停留更長時間以便整合。這一發現顛覆了過去認為大腦功能區“一對一”的靜態觀點，為理解大腦如何實時、高效地理解語言提供了全新的動態視角。研究發表在 PNAS 上。

閱讀更多：

Gwilliams, Laura, et al. “Hierarchical Dynamic Coding Coordinates Speech Comprehension in the Human Brain.” Proceedings of the National Academy of Sciences, vol. 122, no. 42, Oct. 2025, p. e2422097122. pnas.org (Atypon), https://doi.org/10.1073/pnas.2422097122

事實學習的大腦地圖：楔前葉與前顳葉的表征質量決定記憶成敗

大腦如何學習與個人經歷無關的新知識？特倫托大學的 Scott Fairhall、Silvia Ubaldi 和 Giuseppe Rabini 團隊利用功能性磁共振成像技術，研究了人們學習虛構事實時的大腦活動，發現學習成功與否取決于特定腦區語義表征的質量而非激活強度，揭示了與傳統情景記憶不同的事實學習機制。

研究團隊讓29名參與者學習關于三個虛構文明的120個事實，內容涉及不同的人物和地點，并在約一天半后測試他們的記憶效果。在學習過程中，功能性磁共振成像實時監測了參與者的大腦活動。研究發現，能否成功記住一個新事實，并不取決于大腦激活的劇烈程度，而是取決于高級皮層區域中信息表征的質量。具體來說，楔前葉（precuneus）和左側前顳葉外側（lateral anterior temporal lobe）對語義內容的表征強度，是預測記憶成功的關鍵指標。這意味著，大腦在編碼新知識時，如果能形成更豐富、更清晰的語義表征，那么這些知識就更有可能被長久記住。這一發現揭示了一條與依賴內側顳葉的傳統情景記憶（如回憶個人經歷）不同的皮層學習路徑，并強調了將新知識與已有概念體系整合的重要性。研究發表在 Journal of Neuroscience 上。

閱讀更多：

Ubaldi, Silvia, et al. “Semantic Representational Strength in the Precuneus and Lateral ATL Predicts Successful Factual Learning.” Journal of Neuroscience, Oct. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1126-25.2025

故事怎么講，記憶怎么存：大腦為不同敘事方式開啟專屬“記憶通道”

人們聽到一個事件的方式是否會塑造其記憶？來自麥吉爾大學的 Signy Sheldon 及其同事通過研究發現，不同的敘事策略會調用大腦中不同的記憶網絡來編碼信息。具體而言，側重于情感和解讀的“概念性”故事與側重于感官觀察的“感知性”故事，在被我們聽到時，會通過不同的海馬體神經網絡通路來塑造最終的記憶。

研究團隊讓35名參與者收聽具有相同核心情節但細節類型不同的故事，并通過功能性磁共振成像（fMRI，一種通過監測血流變化來測量大腦活動的技術）進行掃描。一類故事富含概念性細節（如角色的感受），另一類則富含感知性細節（如場景的具體樣貌）。結果發現，在記憶編碼階段，不同類型的故事激活了不同的海馬體連接網絡。概念性故事增強了前海馬體與默認模式網絡的連接。而感知性故事則激活了前海馬體與頂葉和外側顳葉等區域的連接。更重要的是，這些在聆聽故事時形成的特定大腦連接模式，能夠準確預測參與者日后對故事核心情節的回憶效果。這一發現表明，我們可以通過調整信息的呈現方式來優化記憶，例如為更偏好概念性思維的老年人提供富含情感解讀的信息，從而提升溝通與學習效率。研究發表在 JNeurosci 上。

閱讀更多：

Ferris, Charles, et al. “Hippocampal-Cortical Networks Predict Conceptual versus Perceptually Guided Narrative Memory.” Journal of Neuroscience, Oct. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.1936-24.2025

長期記憶中的心理圖像處理不依賴于感知系統

人們如何在大腦中探索想象出的畫面，這與我們觀察真實世界時使用的注意力機制是否相同？來自巴黎高等師范學院的 Anthony Clément 和 Catherine Tallon-Baudry 通過研究發現，大腦在處理來自長期記憶的心理圖像時，調動的是與處理真實視覺不同的額葉區域，這一發現挑戰了想象與感知共享神經機制的傳統觀點。

研究團隊通過記錄28名健康參與者在執行任務時的腦電圖，對比了他們在處理心理圖像和真實視覺時的神經差異。在心理圖像任務中，參與者被要求在腦中想象法國地圖，并將注意力集中于地圖的左側或右側，隨后判斷屏幕上出現的兩個城市中哪一個離巴黎更近。結果顯示，雖然空間注意力在兩種情境下都能提升反應速度，但其背后的神經機制截然不同。當處理屏幕上的真實視覺時，大腦依賴于后部區域，特別是頂枕葉α波（parieto-occipital alpha-band activity，一種與視覺處理抑制相關的腦電波）的活動；然而，當探索“心靈之眼”中的心理地圖時，大腦調動的卻是額葉區域的α波活動。這表明，探索長期記憶中的心理圖像并非簡單地重用視覺感知系統，而是依賴一套獨立的、基于額葉的神經機制。該發現為我們理解記憶、思維和意識等內部體驗的獨特性質提供了新的神經科學證據。研究發表在 Journal of Neuroscience 上。

閱讀更多：

Clément, Anthony, and Catherine Tallon-Baudry. “Mental Images from Long-Term Memory Differ from Perception: Evidence for Distinct Spatial Formats and Distinct Mechanisms of Spatial Attention Orientation.” Journal of Neuroscience, Oct. 2025. Research Articles. www.jneurosci.org, https://doi.org/10.1523/JNEUROSCI.0691-25.2025

腸道菌群產血清素有望治療腸易激綜合癥

腸易激綜合癥（IBS）的病因復雜，腸道菌群與關鍵神經遞質血清素被認為是重要因素。瑞典哥德堡大學的 Chiara H. Moretti、Fredrik B?ckhed 和 Magnus Simrén 等人進行的研究首次證實，特定腸道細菌組合能夠直接產生具有生物活性的血清素，這一發現為開發IBS新療法開辟了新途徑。

? Credit: Cell Reports (2025).

研究團隊發現，兩種腸道細菌——*Limosilactobacillus mucosae和Ligilactobacillus ruminis——能夠協同產生血清素。為了驗證其生理功能，研究人員將這兩種細菌引入缺乏血清素的無菌小鼠體內。結果顯示，小鼠腸道內的血清素水平顯著回升，結腸的神經細胞密度增加，腸道傳輸時間也恢復正常，證明了細菌源血清素的生物活性。此外，通過對比人類樣本，研究發現IBS患者糞便中的L. mucosae*細菌水平顯著低于健康對照組，且該細菌恰好擁有合成血清素所需的關鍵酶。這一系列證據表明，某些腸道細菌是生物活性血清素的直接來源，它們在維持腸道健康中扮演著重要角色，也解釋了腸道菌群影響“腸-腦”軸的新機制。研究發表在 Cell Reports 上。

閱讀更多：

Moretti, Chiara H., et al. “Identification of Human Gut Bacteria That Produce Bioactive Serotonin and Promote Colonic Innervation.” Cell Reports, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.celrep.2025.116434

散射測量技術結合機器學習，將神經元三維成像精度提升十倍

如何無創、清晰地“看”清大腦中單個神經元的精細結構，是解開記憶之謎的關鍵。為突破傳統顯微技術的瓶頸，筑波大學的 Suguru Iwata、Tetsuya Hoshino、Sadao Aoki、Yosuke Takei 和 Masahide Itoh 團隊將半導體領域的精密測量技術與人工智能相結合，開發出一種全新的神經元三維成像方法，將成像分辨率和速度提升了十倍以上。

? 散射測量系統示意圖。Credit: Optics Express (2025).

研究團隊將散射測量技術（scatterometry）應用于神經元成像。這項技術通過分析光線穿過細胞后產生的衍射圖案來重建其三維結構，完全無需熒光標記，避免了傳統方法的生物毒性和標記困難。為解決散射測量技術傳統上只能分析周期性結構的難題，團隊開發了新的計算和分析方法，并引入深度學習模型來半自動解析神經元這種獨立的、不規則的細胞形狀。研究人員使用嚴格耦合波分析（Rigorous Coupled-Wave Analysis, RCWA，一種精確計算光衍射的數值方法）對衍射數據進行解碼，最終獲得了高精度的三維結構信息。結果顯示，對于直徑為2微米的細胞，該方法的測量精度可達0.2微米，且成像速度和分辨率均比傳統光學顯微鏡提升了一個數量級。這項技術未來有望在毫秒級的時間尺度上捕捉到神經元內部的動態變化，為深入探索記憶機制提供了前所未有的工具。研究發表在 Optics Express 上。

閱讀更多：

Moretti, Chiara H., et al. “Identification of Human Gut Bacteria That Produce Bioactive Serotonin and Promote Colonic Innervation.” Cell Reports, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.celrep.2025.116434

解碼幻聽之謎：大腦預測功能障礙導致“心聲”外化

精神分裂癥患者為何會“聽到聲音”？這一長期存在的謎題可能源于大腦無法識別自己的內心想法。新南威爾士大學的 Thomas Whitford 及其團隊通過腦電波研究發現，幻聽患者的大腦在處理自身“心聲”時出現異常，無法像健康人一樣進行抑制，反而將其當作外部聲音處理，為這一經典理論提供了迄今最強的證據。

研究團隊利用腦電圖來探究大腦如何處理內心言語。他們招募了三組參與者：近期經歷幻聽的精神分裂癥患者（55人）、無近期幻聽的患者（44人）和健康對照者（43人）。實驗中，參與者被要求在聽到某個音節的同時，在腦海中想象說出相同或不同的音節。研究聚焦于聽覺誘發電位的N1波成分（一個反映早期聽覺處理的腦電波信號），其振幅減弱通常代表大腦對可預測聲音的抑制效應。結果顯示，健康對照組在想象的音節與聽到的音節匹配時，N1波振幅顯著降低，表明大腦成功預測并“靜音”了自身想法。然而，幻聽患者組的結果截然相反：在相同條件下，他們的N1波振幅反而顯著增強。這表明他們的大腦將本應被識別為“自己人”的內心言語當作了意外的“外來聲音”，從而導致了幻聽的產生。這一發現不僅揭示了幻聽的關鍵神經機制，也為開發精神分裂癥的客觀生物標志物提供了新方向。研究發表在 Schizophrenia Bulletin 上。

閱讀更多：

Whitford, Thomas J., et al. “Corollary Discharge Dysfunction to Inner Speech and Its Relationship to Auditory Verbal Hallucinations in Patients with Schizophrenia Spectrum Disorders.” Schizophrenia Bulletin. academic.oup.com, https://doi.org/10.1093/schbul/sbaf167. Accessed 21 Oct. 2025

AI 行業動態

Anthropic 推出生命科學版 Claude：用 AI 連接科研生態系統

Anthropic 正式宣布推出 Claude for Life Sciences，這是一個專為生命科學研究人員打造的版本，旨在將 Claude 定位為覆蓋早期發現、研究開發、臨床合規乃至商業化完整流程的智能研究伙伴。該模型建立在性能提升的 Claude Sonnet 4.5 基礎上，在實驗協議理解和方法審查等生物科研任務中展現出接近專家級的性能。此次升級的核心在于引入了“科學連接器”，通過 MCP協議，使研究人員能夠通過 Claude 一站式訪問和查詢主流科研生態系統。這些連接器允許 Claude 直接訪問如 PubMed、Benchling等核心工具，并通過自然語言進行大規模生物信息學數據分析（如通過 Databricks）或查詢大型數據庫（如通過 Snowflake）。Anthropic 期望此舉能讓 Claude 從一個簡單的語言模型，轉變為可以“連接科研生態系統”的智能研究操作平臺，從而大幅減少研究人員在多個平臺之間切換的耗時。

為了進一步提升專業化水平，Anthropic 同步推出了 Agent Skills（Agent 技能包，包含特定科研指令和腳本的模塊化文件夾，用于標準化和重復性任務）。這些技能確保 Claude 在執行任務時能夠遵循固定的實驗流程和標準化分析管線，保證結果的可重復性與一致性。例如，官方已發布用于單細胞 RNA 測序數據質量控制的首個技能。此外，研究機構還可以利用定制連接器接入其內部系統或私有數據，例如 LIMS（實驗室信息管理系統）。目前，Claude for Life Sciences 已經在藥物發現、臨床研究和個性化醫療等多個關鍵領域得到應用。該平臺已被 Amgen、Recursion、Bristol Myers Squibb 和 Sanofi 等全球頂尖制藥公司和研究機構采用，表明其已逐步成為生物醫藥企業級 AI 平臺的核心組件。

閱讀更多：

https://www.anthropic.com/news/claude-for-life-sciences

深度求索發布OCR新系統，視覺壓縮技術突破LLM記憶瓶頸

深度求索團隊推出了 DeepSeek-OCR，這是一種新型的光學字符識別（OCR，圖像識字）和文檔理解系統，旨在解決大語言模型在處理超長文本時面臨的計算復雜度高和記憶效率低的兩大根本性問題。研究人員提出了“上下文光學壓縮”（Context Optical Compression）的創新理念，其核心在于將長篇文檔或對話歷史渲染成圖像，隨后通過 DeepEncoder 將其編碼為極少量的高級語義“視覺 token”，再由語言模型進行解碼。這種機制賦予了人工智能一個高效的“視覺記憶壓縮”系統。實驗證明，DeepSeek-OCR 能夠以高達 10 倍的壓縮率恢復接近 97% 的原文信息，幾乎實現無損壓縮。在標準的 OCR 測試中，該系統在使用最少視覺 token 的前提下，仍能達到當前最先進的性能水平，性能表現超越了 GPT-4o 等多模態大模型。

DeepSeek-OCR 的能力遠超傳統 OCR 系統的簡單字符識別，它被設計為一個結構化的視覺語言解析器，具備強大的視覺語言協同理解能力。它不僅支持上百種語言，還能深度解析文檔中的復雜結構，包括識別圖表、公式、幾何圖形，并將非結構化的圖像輸入轉化為結構化的數據輸出，如 Markdown 或 JSON 格式。在技術構成上，解碼器采用了參數總量約 3B 的 DeepSeek3B-MoE，使其能以較低的推理成本獲取強大的表達能力。研究人員指出，這項“光學壓縮”技術不僅是工程上的突破，更具有深遠的理論意義，它可以類比人類的記憶機制——將舊的上下文信息壓縮為低保真的圖像進行存儲，從而為解決 LLM 的“記憶上限”問題、實現超長上下文推理以及構建節能型記憶系統提供了可行路徑。

閱讀更多：

https://github.com/deepseek-ai/DeepSeek-OCR

AI 驅動科學

意念控制假肢新進展：虛擬任務揭示大腦如何重新校準運動

大腦如何學習通過腦機接口控制假肢，以及額葉和頂葉皮層在此過程中的具體功能尚不明確。德國靈長類動物中心（DPZ）的Enrico Ferrea、Pierre Morel和Alexander Gail等研究人員通過對猴子的研究發現，額葉和頂葉皮層共同編碼修正后的運動指令，挑戰了二者功能分離的傳統觀點。

研究團隊訓練恒河猴僅憑意念通過腦機接口在三維虛擬環境中移動光標。為了研究大腦的學習過程，研究人員在解碼算法中引入了系統性偏差，使得猴子在屏幕上看到的光標運動與其真實意圖不符，從而迫使大腦不斷調整神經活動以糾正錯誤。團隊同步記錄了其額葉和頂葉皮層的神經活動。研究發現，大腦能夠通過調用已有的運動指令庫進行快速調整，而無需大規模重組神經網絡，這對于假肢學習非常有利。關鍵發現顛覆了傳統認知：以往認為頂葉皮層主要反映運動的預期感覺結果，而額葉皮層發出運動指令。但數據顯示，這兩個腦區共同編碼了經過修正的運動指令，表明它們在運動規劃中的功能劃分并不明確。這種廣泛、統一的適應機制揭示了大腦在應對變化時的高度可塑性，為開發更智能、更易于學習的神經假體鋪平了道路。研究發表在 PLOS Biology 上。

閱讀更多：

Ferrea, Enrico, et al. “Frontal and Parietal Planning Signals Encode Adapted Motor Commands When Learning to Control a Brain–Computer Interface.” PLOS Biology, vol. 23, no. 9, Sept. 2025, p. e3003408. PLoS Journals, https://doi.org/10.1371/journal.pbio.3003408

香港科技大學開發AI病理診斷系統SmartPath，提升癌癥診療效率與精度

如何提升癌癥診斷的效率和準確性是臨床病理學面臨的挑戰。香港科技大學的Chen Hao教授團隊聯合南方醫科大學南方醫院的Liang Li教授團隊等開發了一套名為SmartPath的綜合人工智能系統。該系統旨在變革從診斷到治療的全流程病理學工作，為癌癥患者提供更快速、更精準的個性化診療方案。

? 可推廣病理學基礎模型概述。Credit: Nature Biomedical Engineering (2025).

研究團隊基于一個包含超過50萬張病理切片圖像的大規模數據集，開發了SmartPath系統。該系統由兩個核心AI模型驅動：可泛化病理學基礎模型（Generalizable Pathology Foundation Model, GPFM）和多模態知識增強型全切片病理學基礎模型（mSTAR）。GPFM通過創新的統一知識蒸餾框架學習，能夠精準識別不同癌癥組織的腫瘤、進行亞型分類和量化生物標志物。mSTAR則融合了病理圖像與報告、基因轉錄組學等多維數據，實現了分鐘級自動生成綜合病理報告和可視化問答功能。在多中心臨床驗證中，SmartPath表現卓越，對肺癌、乳腺癌等多種癌癥的診斷準確率超過95%。在其核心模型GPFM的基準測試中，該系統在72項任務中的42項排名第一，顯著優于現有模型，證明了其在提升診斷效率和精度方面的巨大潛力。研究發表在 Nature Biomedical Engineering 上。

閱讀更多：

Ma, Jiabo, et al. “A Generalizable Pathology Foundation Model Using a Unified Knowledge Distillation Pretraining Framework.” Nature Biomedical Engineering, Sept. 2025, pp. 1–20. www.nature.com, https://doi.org/10.1038/s41551-025-01488-4

AI新模型實現密集功能對應，提升機器人工具使用能力

當前AI雖能識別物體，卻難以理解其功能，限制了機器人泛化使用工具的能力。為解決此問題，斯坦福大學的Stefan Stojanov、Linan Zhao、Jiajun Wu及同事開發出一種創新的計算機視覺模型。該模型能識別不同物體的功能部件并建立像素級的“功能對應”，有望讓機器人通過類比推理更智能地選擇和使用工具。

? Credit: arXiv (2025).

研究團隊致力于解決計算機視覺中最具挑戰性的問題之一：功能對應（functional correspondence），即理解并匹配不同物體上功能相似的部分。由于手動進行像素級標注不切實際，團隊提出了一種高效的弱監督學習方法。他們首先利用視覺語言模型自動為物體的功能區域生成偽標簽，再結合基于預訓練模型DINOv2的密集對比學習框架，將功能性和空間性知識整合到一個新模型中。該模型能夠成功建立跨物種類的密集功能對應，例如，能將茶壺壺嘴的每一個像素精確地映射到玻璃瓶瓶口對應的像素上。這種從結構推斷功能的能力，超越了傳統的模式識別，使AI能夠理解物體的真實用途。實驗證明，該模型的性能優于現有基線方法，為機器人實現工具使用的泛化和技能遷移奠定了基礎。

閱讀更多：

Stojanov, Stefan, et al. “Weakly-Supervised Learning of Dense Functional Correspondences.” arXiv:2509.03893, arXiv, 4 Sept. 2025. arXiv.org, https://doi.org/10.48550/arXiv.2509.03893

人工智能精準重編程，誘導頑固癌細胞自毀

癌癥干細胞因其強大的隱匿、耐藥和再生能力，成為癌癥治療的“圣杯”難題。為攻克這一難題，加州大學圣地亞哥分校的 Pradipta Ghosh、Saptarshi Sinha 及同事開發了一款名為 CANDiT 的人工智能工具，通過識別特定基因網絡中的薄弱環節，找到能夠精準“策反”癌細胞的藥物靶點，最終誘導這些頑固細胞自我毀滅。

? 這幅圖展示了患者來源的腫瘤類器官在治療前（上）和治療后（下）的形態。顏色顯示了癌癥干細胞中與細胞分化相關的通路的激活情況。拍攝這些圖像后不久，癌癥干細胞就自發性崩潰了。Credit: Pradipta Ghosh/HUMANOID

研究團隊首先開發了一個名為 CANDiT 的機器學習框架，它能基于腫瘤獨特的基因信息尋找新的治療靶點。研究人員以結直腸癌中一個關鍵的抑癌基因 CDX2 為切入點，利用 CANDiT 分析了超過 4600 個腫瘤樣本，最終鎖定了一個意想不到的靶點：一個幫助細胞應對壓力的蛋白 PRKAB1。隨后，團隊使用一種已有的藥物來激活該蛋白，并在患者來源的類器官等模型中進行測試。結果顯示，該藥物不僅成功恢復了 CDX2 基因的功能，使癌干細胞的行為變得更像正常細胞，更出乎意料的是，這些被“重編程”的細胞隨后竟觸發了自我毀滅程序。為評估其臨床潛力，團隊還開發了一種基因特征來預測哪些患者最能受益，計算機模擬臨床試驗表明，該療法可將高危患者的復發和死亡風險降低約50%。研究發表在 Cell Reports Medicine 上。

閱讀更多：

Sinha, Saptarshi, et al. “CANDiT: A Machine Learning Framework for Differentiation Therapy in Colorectal Cancer.” Cell Reports Medicine, vol. 0, no. 0, Oct. 2025. www.cell.com, https://doi.org/10.1016/j.xcrm.2025.102421

電子眼植入物結合AR眼鏡可恢復晚期黃斑變性患者的閱讀視力

地圖狀萎縮（geographic atrophy）是干性年齡相關性黃斑變性（AMD）的晚期階段，它會導致不可逆的中心視力喪失且目前無有效療法。由波恩大學的 Frank G. Holz 和倫敦大學學院的 Mahi Muqit 等人領導的一個國際研究團隊，通過臨床試驗證明一種名為PRIMA的電子眼植入系統，能夠成功幫助多數失明患者恢復有意義的閱讀視力。

? 患者眼內芯片圖像。Credit: Science Corporation

這項研究為38名因地圖狀萎縮導致中心視力完全喪失的患者植入了PRIMA系統。該系統包含一個僅2毫米寬、30微米厚的無線光伏微芯片，通過外科手術植入患者的視網膜下方。患者佩戴一副集成了攝像頭的增強現實眼鏡，眼鏡捕捉外部影像，通過一個腰帶式小型計算機中的人工智能算法處理后，將視覺信息以近紅外光的形式投射到視網膜下的芯片上。芯片如同微型太陽能板，將光信號轉化為電信號，刺激剩余的視網膜神經細胞，最終由大腦解析為視覺。在為期12個月的隨訪中，81%的患者視力獲得了具有臨床意義的顯著改善，平均能夠讀出視力表的五行。多數參與者重獲閱讀字母和單詞的能力，且原有周邊視力未受影響。研究發表在 The New England Journal of Medicine 上。

閱讀更多：

Holz, Frank G., et al. “Subretinal Photovoltaic Implant to Restore Vision in Geographic Atrophy Due to AMD.” New England Journal of Medicine, vol. 0, no. 0. Taylor and Francis+NEJM, https://doi.org/10.1056/NEJMoa2501396. Accessed 21 Oct. 2025

大語言模型學會“察言觀色”：實時心率數據賦予AI生理感知能力

大型語言模型的交互局限于文本，無法感知用戶的真實生理狀態。為了打破這一局限，來自德國波鴻魯爾大學和瑞士蘇黎世大學的 Morris Gellisch 與 Boris Burr 開發了一套技術接口，成功將實時心臟數據接入大模型，讓AI能夠“感知”用戶情緒與壓力，為更智能的醫療和護理應用開辟了新道路。

研究團隊通過一個佩戴在胸前的傳感器來測量心率變異性（Heart Rate Variability, HRV，指心跳間隔時間的自然波動），并以此作為反映自主神經系統活動的指標。傳感器采集的原始數據通過藍牙傳輸，由一個定制的Python腳本進行實時解碼和處理，計算出多個核心HRV指標，例如反映放松與恢復狀態的RMSSD（連續差值的均方根），以及代表整體自主神經調節能力的SDNN（NN間隔的標準差）。這些處理后的生理數據通過一個技術后端被實時輸入到GPT-4語言模型中。實驗結果表明，這套系統成功實現了概念驗證。GPT-4不僅能直接對接收到的心率數據進行分析、制表和可視化，更關鍵的是，它能夠根據用戶的生理變化做出動態響應。例如，在認知壓力測試中，AI能識別出用戶在面對不同難度任務時的心率模式差異，并相應地調整其反饋內容和語氣。研究發表在 Frontiers in Digital Health 上。

閱讀更多：

Gellisch, Morris, and Boris Burr. “Establishing a Real-Time Biomarker-to-LLM Interface: A Modular Pipeline for HRV Signal Acquisition, Processing, and Physiological State Interpretation via Generative AI.” Frontiers in Digital Health, vol. 7, Sept. 2025. Frontiers, https://doi.org/10.3389/fdgth.2025.1670464

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。如果您有進一步想要討論的內容，歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。

關于天橋腦科學研究院

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

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。