細思極喜！美國發現精神病神經基礎，精準治療時代或將來臨？

重大突破！僅憑幾滴血培養出的“微型大腦”，在經過一次特殊的“電擊”審訊后，竟然能以高達95.8%的驚人準確率，直接識破精神分裂癥的偽裝！

這不僅僅是實驗室里的數據狂歡，這是精神病學診斷史上的一次降維打擊。

2025年9月22日，美國頂尖學府約翰霍普金斯大學的研究團隊在生物工程領域知名期刊《APL Bioengineering》上甩出了一枚重磅炸彈：他們利用患者干細胞培養出的“大腦類器官”，結合人工智能，成功找到了精神分裂癥和雙相情感障礙的客觀生物學指紋。這意味著，困擾人類千年的精神疾病，或許終于要告別“聽患者描述、靠醫生猜謎”的盲盒時代，迎來精準醫療的曙光。

那么，科學家們到底是如何在培養皿里“讀心”的？這背后藏著怎樣驚心動魄的博弈？

長期以來，精神科醫生更像是“靈魂的偵探”。

診斷精神分裂癥或雙相情感障礙，沒有像測血糖、拍CT那樣的一錘定音的指標。醫生只能依靠面談、觀察行為，甚至依靠“試錯法”來開藥——這種藥不行？換那種試試。這對患者來說，往往意味著漫長的痛苦和不確定性。

如果有一樣東西，能像驗血一樣驗出精神病就好了。這是無數醫生和患者的終極夢想。

約翰霍普金斯大學的Annie Kathuria博士和她的團隊，決定挑戰這個“黑盒”。她們不需要打開患者的頭骨，而是做了一件匪夷所思的事：在培養皿里，為患者“復制”了一個大腦。

研究人員從精神分裂癥患者、雙相情感障礙患者和健康人身上采集了皮膚細胞或血細胞，利用重編程技術（iPSC），讓這些細胞“返老還童”，變回干細胞，然后再誘導它們發育成大腦類器官（Cerebral Organoids）

這些只有豌豆大小的“微型大腦”，雖然不會思考人生，但它們完美繼承了患者的遺傳密碼，擁有神經元、膠質細胞，甚至還能像真正的大腦一樣發放電信號。

這就是患者的生物學替身。

但在實驗初期，團隊遇到了一個巨大的挫折：當這些微型大腦靜靜地躺在培養皿里“休息”時，無論是來自精神分裂癥患者，還是健康人，它們的電信號看起來竟然相差無幾

這就好比兩輛停在車庫里的法拉利，一輛發動機壞了，一輛是好的，光看外表，你根本分不出來。

研究陷入了僵局。難道大腦的秘密，真的無法被觀測嗎？

轉折點出現在一個大膽的想法上：既然靜止的時候看不出毛病，那就讓它們“跑”兩步！

研究團隊決定對這些微型大腦進行一次“壓力測試”。他們利用多電極陣列（MEA），向這些微型大腦發送了一系列溫和的電脈沖刺激。

奇跡發生了。

就在電刺激結束后的那一刻，原本平靜的神經網路瞬間暴露了本性。

• 健康的大腦類器官：反應敏捷，信號傳遞井井有條，迅速恢復平衡。
• 精神分裂癥的大腦類器官：亂了套了。神經元的放電時序出現了明顯的錯亂，信息傳遞仿佛陷入了泥潭。
• 雙相情感障礙的大腦類器官：表現出了截然不同的異常，它們的爆發性放電（Burst）中，脈沖數量顯著減少，就像是一把卡殼的機關槍。

平時偽裝得很好，一有壓力就原形畢露。這句職場名言，竟然在神經元身上也應驗了。

雖然肉眼能看到差異，但要達到臨床診斷的精度，還需要更火眼金睛的幫手。團隊引入了機器學習算法（支持向量機）。

他們并沒有只看簡單的放電頻率，而是引入了一個極其硬核的指標——“匯指數”（Sink Index）

簡單來說，如果把大腦看作一個復雜的社交網絡，有些神經元是“大喇叭”（發送者），有些則是“吃瓜群眾”（接收者，即“匯”）。研究發現，患病大腦的信息流動模式，即誰在說、誰在聽、信息流向哪里，與健康大腦有著根本性的數學差異。

數據不會撒謊，結果令人咋舌：

在引入電刺激后的動態數據中，AI區分精神分裂癥與健康樣本的準確率飆升至95.8%；而在區分健康、精神分裂癥和雙相情感障礙這三類復雜情況時，準確率也高達91.6%。

這意味著，我們終于找到了一把能夠精準通過“電生理指紋”解鎖精神疾病謎題的鑰匙。

這項研究的意義，絕不僅僅是診斷。

想象一下，未來一位患者走進醫院，醫生不再需要讓他反復試藥，忍受數月的副作用。醫生只需要采集一點血液，在實驗室里培養出他的“大腦替身”。

然后，在這個“替身”上測試各種藥物。哪種藥能讓“替身”的電生理信號恢復正常，就給患者用哪種藥。

這是真正的個性化精準醫療。

雖然目前這項技術距離臨床普及還有一段路要走，比如成本問題、培養周期問題，但它捅破了那層窗戶紙：精神疾病不是虛無縹緲的“心病”，它是實實在在的神經網絡故障，是可以被看見、被測量、被修復的。

當大腦的迷霧逐漸散去，我們看見的，是無數患者重獲新生的希望。

參考文獻：

Cheng, K., Williams, A., Kshirsagar, A., Kulkarni, S., Karmacharya, R., Kim, D. H., Sarma, S. V., & Kathuria, A. (2025). Machine learning-enabled detection of electrophysiological signatures in iPSC-derived models of schizophrenia and bipolar disorder. APL Bioengineering, 9, 036118.