追問daily | 童顏濾鏡有助于解鎖塵封的童年記憶；AI科研合作者進化：新模型統一化學、生物、材料三大領域

█腦科學動態

Nature：腦干中的特定神經元可能是治療慢性疼痛的關鍵

Cell：非神經元腦細胞如何溝通以協調大腦的重新連接

你的頭發和膚色，會影響大腦掃描的準確性嗎？

大腦芯片技術揭示敗血癥和神經退行性疾病如何損害大腦

眶額皮質新功能揭秘：專為應對不確定性而生

身體錯覺有助于解鎖塵封的童年記憶

大腦導航新路徑的奧秘：在現實與舊地圖間“閃爍”切換

█AI行業動態

Gemini 2.5 Computer Use：AI智能體接管瀏覽器操作

█AI驅動科學

Nature：AI驅動的自動化平臺揭示百年化學反應的隱藏秘密

AI科研合作者進化：新模型統一化學、生物、材料三大領域

數據驅動的AI模型繪制出含1300個區域的小鼠大腦新圖譜

scHDeepInsight：以圖像識別方式精準解析免疫細胞

新的開源平臺實現跨疾病、跨國界的腦信號精準解碼

腦科學動態

Nature：腦干中的特定神經元可能是治療慢性疼痛的關鍵

慢性疼痛為何難以根除？它可能源于大腦中持續“報警”的神經回路。為了找到這個回路的“關閉開關”，賓夕法尼亞大學的 J. Nicholas Betley、Nitsan Goldstein 及匹茲堡大學和斯克里普斯研究所（Scripps Research Institute）的合作者發現，腦干中的一個關鍵神經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+神經元（綠色）的熒光成像，以及向 PBN 發送投射信號的洋紅色神經元。Credit: J Nicholas Betley

研究團隊利用鈣成像技術，在臨床前模型中實時觀察到，腦干外側臂旁核（lateral parabrachial nucleus，lPBN）內一群表達Y1受體（Y1 receptor，Y1R）的神經元，在慢性疼痛狀態下會持續放電，呈現一種“強直性活動”（tonic activity）。這種持續的神經活動，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基礎。更關鍵的發現是，大腦擁有一個內置的優先級排序系統。當面臨饑餓、口渴或恐懼等更緊迫的生存威脅時，其他腦區會釋放一種名為神經肽Y（neuropeptide Y，NPY）的信號分子。NPY會作用于lPBN中這群Y1R神經元，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神經元是一個內源性的鎮痛中樞，它整合了疼痛與生存需求信息，確保機體能優先處理最緊急的威脅。研究發表在 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：非神經元腦細胞如何溝通以協調大腦的重新連接

大腦回路的精確布線依賴于突觸的精細修剪，但負責這項工作的非神經元細胞（神經膠質細胞）如何協同工作一直是個謎。馬薩諸塞大學陳曾熙醫學院的 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“免疫細胞”小膠質細胞通過分泌Wnt蛋白，指揮“輔助細胞”星形膠質細胞，從而高效地重塑神經連接。

?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，從而觸發其大腦桶狀皮層區域的突觸修剪。令人意外的是，他們發現星形膠質細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”是小膠質細胞。進一步探究發現，這一過程是一個精心協調的“兩步走”策略。首先，神經活動降低的神經元發出信號，激活小膠質細胞。隨后，被激活的小膠質細胞會分泌一種名為Wnt（一種在胚胎發育和組織穩態中起關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細胞“請讓開”，星形膠質細胞接收到信號后便從突觸上撤退。這樣一來，就為小膠質細胞進入并吞噬目標突觸創造了暢通無阻的條件。研究發表在 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

你的頭發和膚色，會影響大腦掃描的準確性嗎？

功能性近紅外光譜（fNIRS）作為一種便攜的腦成像技術潛力巨大，但其信號質量常因人而異，可能導致研究帶有偏見。波士頓大學的 Meryem A. Yücel, David A. Boas 及其同事系統性地量化了頭發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科學研究標準提供科學依據。

?研究人員如何收集實驗數據。Credit: Yucel et al.

該研究對115名參與者進行了詳細的生物物理特征記錄，包括頭發的顏色、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據。通過嚴謹的統計建模，研究團隊首次精確量化了這些特征對信號質量的影響。結果明確指出，深色、濃密的頭發以及較深的膚色會顯著降低fNIRS信號的質量。這是因為近紅外光在穿透頭皮進入大腦皮層的過程中，更容易被這些特征吸收或散射，導致探測器接收到的有效信號減弱。這一發現揭示了一個嚴峻問題：如果不加以校正，神經影像學研究可能會無意中將擁有這些特征的人群邊緣化，導致研究樣本缺乏多樣性，結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上的不平等，還提出了一系列實用建議，例如改進光極硬件設計、優化數據采集策略以及在論文中更透明地報告參與者的人口學特征，從而推動整個領域走向更公平和普惠。研究發表在 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

大腦芯片技術揭示敗血癥和神經退行性疾病如何損害大腦

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

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

該研究團隊構建了一個名為μSiM-BBB的微生理系統，它在微型芯片上利用人類細胞重建了關鍵的血腦屏障。通過引入微流體來模擬血液流動產生的剪切應力，研究人員發現，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，當模擬敗血癥中常見的細胞因子風暴時，高濃度的炎癥信號會摧毀血腦屏障的完整性。

然而，一個更重要的發現是，僅有炎癥信號并不足以觸發大腦內部的次級損傷。研究人員在芯片的“大腦”一側加入了星形膠質細胞，發現它們只有在接觸到炎癥細胞因子和從“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，才會發生有害的激活。這表明，血腦屏障的崩潰是導致神經炎癥的關鍵第一步。此外，團隊的另一項研究還揭示了周細胞（pericytes）通過分泌基質來修復屏障缺陷的重要作用。研究發表在 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

眶額皮質新功能揭秘：專為應對不確定性而生

大腦如何在充滿不確定性的環境中做出靈活決策？加州大學洛杉磯分校的Juan Luis Romero-Sosa和Alicia Izquierdo團隊通過研究大鼠發現，額葉皮質內部存在明確分工：眶額皮質（OFC）中的一類新發現神經元在結果不確定時尤為活躍，對靈活學習至關重要；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學習任務表現。Credit: Nature Communications (2025).

研究團隊設計了一項觸摸屏任務，讓大鼠在不同概率下選擇以獲取食物獎勵，從而系統地引入不確定性。他們利用微型顯微鏡進行鈣離子成像，實時監測大鼠大腦眶額皮質和次級運動皮層的神經元活動。研究發現，當獎勵結果變得越來越不確定時（例如，從100%降至70%的成功率），OFC中的一類特定神經元反而變得更加活躍。相反，M2的神經元則在結果明確時更為活躍。為了驗證OFC的關鍵作用，研究者使用化學遺傳學暫時抑制了OFC的活動。結果顯示，大鼠的學習能力和決策表現顯著下降，它們難以適應環境變化，也減少了采用“贏則堅持，輸則轉換”（Win-Stay, Lose-Shift）這類有效的學習策略。這一發現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整策略，而M2則更像一個“執行者”，在情況明朗時高效行動。研究發表在 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（的 Utkarsh Gupta 和 Jane E. Aspell 等研究人員，通過一項創新的身體錯覺實驗發現，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”，并在右側照片上應用了濾鏡。Credit: Anglia Ruskin University

該研究對50名成年參與者進行了一項“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。關鍵的操縱在于，實驗組看到的影像是被數字技術修改過的“童年版”自己，而對照組看到的則是自己當下的成年面孔。這種同步互動旨在誘導一種強烈的身體所有權感。

實驗結束后，研究人員評估了參與者回憶自傳體記憶的能力。結果顯示，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歷）細節要豐富得多。這一效應具有高度特異性，并未影響參與者對近期記憶的回憶。這一發現表明，大腦在編碼記憶時，可能將當時的身體狀態信息也一并儲存。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，這為未來開發輔助記憶恢復的干預手段提供了全新的思路。研究發表在 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

大腦導航新路徑的奧秘：在現實與舊地圖間“閃爍”切換

大腦如何快速學習新路線并更新已有的“心理地圖”？耶魯大學的 Yuchen Zhou, George Dragoi 及其同事，通過研究大鼠導航發現，大腦在睡眠時已“預演”未知路徑，并在探索新路時通過在現實與記憶間快速“閃爍”來靈活更新認知地圖。

研究團隊在一個四臂迷宮中訓練大鼠，并實時記錄其大腦海馬體的神經活動。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自發產生了能夠編碼這條未來路徑的神經序列。這種“預演”機制使得大鼠僅用一兩次嘗試就能快速學會繞行。更有趣的發現是，當大鼠在新路線上導航時，其海馬體的神經活動并非只關注當前位置，而是在當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律中的神經元放電序列，有助于連接空間位置、支持學習與導航）的不同相位高度組織，使大腦能并行處理和比較現實與記憶。實驗結束后，即使迷宮恢復原狀，繞行的經歷也永久地改變了大鼠對原始路徑的神經表征，形成了更新版的認知地圖。這一機制的失調或許能解釋創傷后應激障礙（PTSD）等疾病中侵入性記憶的產生。研究發表在 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 行業動態

DeepMind發布Gemini 2.5 Computer Use：AI智能體接管瀏覽器操作

DeepMind 近日發布了基于其旗艦模型 Gemini 2.5 的計算機使用模型 Gemini 2.5 Computer Use ，高調加入 AI 智能體的競爭戰場。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，能夠執行點擊、滾動和輸入等復雜的 UI 操作，從而幫助用戶完成收集網絡信息、整理筆記，乃至執行一系列跨網站的復雜動作，例如為特定用戶 Anima Lavar (人名) 設置跟進拜訪。研究人員指出，該模型的誕生緊隨 Chrome DevTools 的發布，進一步深化了谷歌在 AI 驅動的計算機交互領域的布局。

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

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

.5ComputerUse

閱讀更多：

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

AI 驅動科學

Nature：AI驅動的自動化平臺揭示百年化學反應的隱藏秘密

化學反應如何在一個由溫度、濃度等構成的龐大參數空間中變化？這一直是化學領域的難題。為了系統解答此問題，韓國基礎科學研究所（IBS）的 Yankai Jia, Bartosz A. Grzybowski 及其同事開發了一個機器人與AI結合的自動化平臺，首次成功繪制出化學反應在高維空間中的“全景地圖”，揭示了隱藏的反應規律。

傳統化學實驗如同在黑暗中摸索，耗時且低效。該研究團隊構建的自動化平臺，利用機器人并行操作數千個微型反應，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濃度的技術）進行產率分析。關鍵創新在于，他們開發了一套強大的AI算法，能夠從混合物的復雜光譜中“解構”出每種產物和副產物的精確產率，并自動標記異常數據點，這些點往往指向新化學現象的發現。

利用該平臺，研究團隊系統地掃描了多種經典反應。例如，在Ugi反應中，他們繪制的產率圖譜呈現出兩個分離的山峰，證明了反應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反應中，該系統甚至發現了一個前人從未注意到的副產物，并在此基礎上首次構建了完整的反應網絡（reaction network，描繪所有可能產物及其轉化關系的路線圖）。這項工作為化學家提供了導航復雜反應空間的“地圖”，極大地加速了反應優化和新化學的發現。研究發表在 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科研合作者進化：SciReasoner模型統一化學、生物、材料三大領域

如何讓AI真正成為能跨學科思考的科研“合作者”？面對化學、生物、材料科學中異構數據的挑戰，來自上海人工智能實驗室、香港中文大學等機構的 Yizhou Wang, Chen Tang, Han Deng, Shixiang Tang, Wanli Ouyang, Lei Bai 等人，開發了一款名為SciReasoner的統一科學基座模型，旨在打通科學研究中“讀、思、設”的全鏈路。

SciReasoner的構建始于一個龐大的知識庫，研究團隊在一個包含206B token的混合科學數據集上對其進行預訓練，數據內容不僅有海量科學文獻，還整合了DNA、蛋白質以及化學分子結構式（SMILES，一種用于表示化學分子結構的文本格式）等多種科學序列數據。模型的獨特之處在于其創新的“三段式”對齊訓練策略。首先進行大規模指令微調；其次，模型被訓練出一種名為自適應科學推理的能力，使其能為分子逆合成等復雜問題生成詳盡的推理步驟（即思維鏈），同時對性質預測等簡單任務給出直接答案；最后，在強化學習階段，團隊設計了任務分組獎勵（Task Grouped Rewarding，為不同類型的科學任務設計專門的獎勵機制）和科學獎勵軟化（Scientific Reward Softening，將簡單的對/錯信號轉化為連續的評分以穩定訓練）等機制，確保模型的輸出符合科學規范且可被驗證。

最終，這個單一模型成功覆蓋了五大類共103項科學任務，從分子式與化學名的互譯，到預測材料性質，再到可控地設計新蛋白質序列。在性能評測中，SciReasoner在54項任務上達到世界頂尖水平，并在101項任務中位列前二，其強大的跨學科整合能力顯著優于現有專用模型。

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

數據驅動的AI模型繪制出含1300個區域的小鼠大腦新圖譜

來自加州大學舊金山分校的 Reza Abbasi-Asl 和艾倫研究所的 Bosiljka Tasic 等研究人員，利用人工智能技術開發了一款名為CellTransformer的模型，它能自動分析海量細胞數據，創建出前所未有、完全由數據驅動的小鼠大腦圖譜。

?使用 CellTransformer 創建的小鼠大腦 1,300 個區域/亞區域樣本。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，它與驅動ChatGPT的Transformer技術同源。但不同于分析語言，CellTransformer專注于學習空間轉錄組學（spatial transcriptomics，一種能夠揭示細胞在組織中精確位置及其基因活性的技術）數據中細胞間的空間關系。模型通過分析一個細胞周圍的“鄰居”來預測其分子特征，從而自主地學習并勾勒出大腦的組織邊界，就像根據建筑類型劃分城市區域一樣。研究團隊將該模型應用于艾倫研究所提供的數百萬細胞級別的小鼠大腦數據集。結果，CellTransformer成功生成了一幅包含1300個區域和亞區的超高分辨率腦圖譜，其精細度遠超以往。這張圖譜不僅準確地復現了海馬體等已知結構，更重要的是，它在中腦網狀核（midbrain reticular nucleus）等認知尚淺的腦區發現了此前從未被記錄的全新亞區。為驗證其可靠性，研究人員將其結果與權威的艾倫通用坐標框架（Common Coordinate Framework）進行對比，發現二者高度一致。這項技術不僅為神經科學提供了探索大腦功能的“高清地圖”，其通用性也使其有望應用于癌癥等其他組織的研究。研究發表在 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解析免疫細胞

如何快速準確地對海量免疫細胞進行分類，是免疫學研究的一大瓶頸。東京大學的Tatsuhiko Tsunoda, Shangru Jia及其同事開發了一款名為scHDeepInsight的人工智能框架。該工具創新地將單細胞基因表達數據轉化為圖像，利用深度學習模型進行分層識別，極大地提升了免疫細胞自動分類的速度和準確性。

?單細胞 RNA 輸入、圖像轉換和 CNN 分析與免疫細胞分級分類的關聯流程概述。Credit: 2025 Tsunoda et al.

該研究的核心創新在于將單細胞RNA測序數據轉換成二維圖像。通過將功能相關的基因在圖像上進行空間排布，研究人員得以利用強大的卷積神經網絡來分析這些基因圖譜。這種方法能有效捕捉傳統數據表難以揭示的復雜基因間相互作用。scHDeepInsight的另一大特點是其分層分類架構，它模仿了免疫系統的天然譜系結構，能夠同時識別大的細胞類別（如淋巴細胞）和更精細的亞型（如輔助T細胞）。為了攻克稀有或相似細胞亞型難以區分的難題，團隊還設計了一種自適應學習算法，使模型能夠自動聚焦于更具挑戰性的分類任務。在對七個不同組織數據集的測試中，scHDeepInsight表現出色，平均準確率高達93.2%，比現有方法高出5.1%。它能精準區分50種不同的免疫細胞亞型，且處理約一萬個細胞的注釋任務僅需幾分鐘。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鍵，為生物學發現提供了線索。研究發表在 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發布，實現跨疾病、跨國界的腦信號精準解碼

如何讓腦機接口擺脫“一人一策”的漫長訓練困境？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，為智能神經調控療法鋪平了道路。

研究團隊開發了一個標準化的開源解碼平臺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據上進行了驗證。該平臺的核心創新在于整合了機器學習與大腦連接組學，不再孤立地分析單個電極信號，而是考量其在全腦網絡中的連接特性。在運動解碼方面，團隊利用該方法成功訓練出一個“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練，運動檢測準確率便達到了81%，其性能甚至優于在新患者身上花費數分鐘訓練的傳統模型。在針對重度抑郁癥患者的情緒解碼任務中，解碼器不僅能以62%的準確率區分情緒狀態，還定位到了一個與治療效果密切相關的左側前額葉網絡，為深部腦刺激的精準靶點選擇提供了客觀生物標志物。此外，在癲癇治療中，平臺通過數據驅動的優化，將響應性神經刺激系統的癲SESSION發作檢測性能指標（F1分數）從0.41提升至了驚人的0.92，實現了更精準、高效的閉環治療。研究發表在 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、、、大圓鏡科普等。