过去一周,脑科学领域有哪些新发现?| Nature发布肠道好菌健康排名

为什么人类大脑成熟速度比其灵长类近亲慢？

人类之所以拥有卓越的认知能力，与其前额叶皮层独特的发育模式密切相关。北京师范大学和昌平实验室的Jiyao Zhang、Mayuqing Li及Qian Wu等人组成的研究团队，深入比较了人类与猕猴大脑在出生后的发育过程。他们通过构建高分辨率的跨物种发育图谱，揭示了人类大脑“慢工出细活”背后的细胞与分子机制，并探讨了这与神经精神疾病易感性之间的联系。

该研究综合运用了单核RNA测序、单核转座酶可及染色质测序以及单细胞空间转录组学技术，对出生后不同阶段的人类和猕猴前额叶皮层进行了精细分析。研究人员发现，与猕猴相比，人类前额叶皮层的成熟过程显著延长。数据分析显示，人类的神经胶质祖细胞——一种能分化为特定胶质细胞的干细胞样细胞——在发育过程中表现出更强的增殖能力。研究还锁定了调节突触生成和修剪的关键时间窗口，并识别出具有人类特异性表达特征的转录因子。更重要的是，团队通过整合数据，精确定位了那些对神经发育障碍和神经精神疾病最为敏感的细胞类型。这项研究表明，人类特有的调控程序通过协调神经元和胶质细胞的共同发育，延长了皮层成熟时间，这可能是人类高级认知形成的基础，同时也为理解相关疾病提供了新的细胞学视角。研究发表在 Nature Neuroscience 上。

从零构建的仿生大脑：无需数据训练即可匹敌动物学习能力

如何填补微观神经元活动与宏观认知行为之间的鸿沟？来自达特茅斯学院、麻省理工学院和纽约州立大学石溪分校的研究团队开发了一种全新的“仿生”大脑计算模型。该模型在没有任何动物实验数据训练的情况下，仅凭生物学规则就成功模拟了复杂的学习过程，并意外揭示了真实大脑中一种未被发现的神经编码机制。这一突破性成果不仅验证了生物物理模型的有效性，也为神经疗法的开发提供了强大的新工具。

该研究的核心在于构建了一个高度还原生物细节的计算模型，它涵盖了从单个神经元连接到受乙酰胆碱等化学物质调节的宏观脑区网络。在让模型执行视觉分类任务时，研究人员惊讶地发现，模型的学习速度和神经节律（如大脑皮层与纹状体之间的β波段同步）与真实猕猴惊人地一致。更重要的是，模型识别出了一组特殊的“不一致神经元”（incongruent neurons），这些细胞的活动能准确预测即将出现的错误判断。Anand Pathak 和 Richard Granger 等研究人员随后回溯了 Earl K. Miller 实验室的旧数据，证实了这些在真实动物大脑中长期被忽视的神经元确实存在。这种“持续活跃神经元”（tonically active neuron, TAN）结构通过注入微量“噪声”帮助大脑探索不同行为，解释了为何反直觉的细胞活动对适应性学习至关重要。研究发表在 Nature Communications 上。

人类大脑如何解决稳定性与灵活性的两难困境？

如何在瞬息万变的环境中既保持目标明确又灵活应变？Sang Wan Lee、Yoondo Sung（韩国高等科学技术院）与 Mattia Rigotti（IBM人工智能研究院）组成的联合团队，通过研究破解了人脑在不确定性下管理目标变化的机制。他们发现前额叶皮层独特的信息处理方式解决了稳定性与灵活性之间的权衡难题，这一发现有望帮助开发出更接近人类思维方式的下一代人工智能。

该研究结合了功能磁共振成像（fMRI）实验、计算模型模拟以及先进的人工智能分析技术。研究人员对比了人类行为与强化学习模型的表现，发现人类之所以能在复杂环境中胜出，归功于前额叶皮层的一种特殊机制。这种机制类似于通信领域的“多路复用”（Multiplexing），即大脑通过两个独立的神经通道分别处理“目标信息”和“不确定性信息”。

实验结果显示，这两个通道互不干扰：一个通道负责灵敏地追踪目标变化以确保决策的灵活性，另一个通道则负责隔离环境噪声以维持判断的稳定性。这种“因子化嵌入”结构使得大脑不仅能学习“学什么”，还能通过评估环境不确定性来决定“如何学习”（即元学习能力）。这一发现不仅揭示了人类适应性智慧的神经基础，更为解决当前AI系统在复杂环境中容易“迷失”或“死板”的问题提供了新的设计蓝图。研究发表在 Nature Communications 上。

尽管全基因组关联研究已发现大量与人类特征相关的基因变异，但这些变异如何具体影响大脑功能，往往因为位于非编码区而成为未解之谜。为了填补这一“缺失环节”，西湖大学生命科学学院杨剑研究员团队，利用大规模样本构建了人类大脑皮层中非编码RNA的精细遗传调控图谱，揭示了它们在复杂性状调节中的关键作用。

该研究分析了近3000个人类大脑皮层样本的测序数据，系统鉴定了数万个长链非编码RNA（lncRNA）和环状RNA（circRNA），其中大部分是先前数据库未记录的新发现。研究团队利用表达数量性状基因座（eQTL，一种影响基因表达水平的DNA序列变异）分析技术，发现这些非编码RNA的遗传调控机制与邻近的蛋白编码基因相对独立，且往往具有更强的调节效应。研究进一步结合全基因组关联研究（GWAS）的数据，发现许多与大脑疾病相关的遗传信号实际上是通过调控非编码RNA来发挥作用的，例如在与帕金森病相关的VPS45基因附近的lncRNA。这项工作不仅极大地扩展了我们对人脑转录组的认识，也为解析神经精神疾病的遗传机制提供了新的分子靶点。研究发表在 The American Journal of Human Genetics 上。

婴儿期屏幕暴露导致大脑“过度早熟”

过早让婴儿接触电子屏幕会带来什么长远影响？来自新加坡科技研究局（A*STAR）人类发展与潜能研究所和新加坡国立大学杨潞琳医学院的Tan Ai Peng助理教授与Pei Huang博士团队，通过一项跨度超过十年的追踪研究揭示了令人担忧的连锁反应。研究发现，婴儿期的高屏幕暴露会改变大脑发育轨迹，导致认知灵活性下降，并最终增加青少年时期的焦虑风险。

该研究利用了“新加坡健康成长结果”（GUSTO）队列中168名儿童的数据。研究团队不仅记录了儿童在1至2岁时的屏幕使用时间，还在其4.5岁、6岁和7.5岁时进行了多次弥散磁共振成像（dMRI）扫描，以绘制大脑网络的发育图谱。结果显示，婴儿期屏幕时间较长的儿童，其负责视觉处理和认知控制的大脑网络表现出“加速成熟”（accelerated maturation）。这并非好事，这种过早的专业化意味着大脑在尚未建立支持复杂思维的高效连接前就已定型，限制了认知灵活性。行为测试证实，这些大脑网络发生改变的儿童在8.5岁时进行剑桥赌博任务（Cambridge Gambling Task）时表现出决策迟缓，而这种较低的决策效率又与他们在13岁时报告的更高焦虑症状显著相关。值得庆幸的是，研究也指出，积极的亲子共读可以抵消部分由屏幕带来的大脑改变。研究发表在 eBioMedicine 上。

2.7万人大数据揭秘：大脑变老时，视觉区在“拼命”补偿

大脑衰老是结构萎缩还是功能退化？Yuhui Du、Ruotong Li、Ying Xing和Vince D. Calhoun（山西大学等）开发了一个统一的多模态分析框架。该团队利用大规模数据，成功分离并整合了大脑功能与结构的衰老特征，揭示了两者在衰老过程中并非总是同步退化，而是存在复杂的协同与拮抗机制，为理解认知衰退提供了全新的神经生物学视角。

研究团队分析了英国生物银行中27,793名健康中老年受试者的数据，通过嵌套交叉验证Lasso回归模型，分别及联合评估了功能网络连接（FNC）和灰质体积（GMV）对脑龄预测的贡献。研究发现，结合两种特征的多模态模型预测准确度最高。通过深入分析联合变化，团队发现了两种截然不同的衰老模式：一种是协同变化，即在负责运动和高级认知的小脑及额极等区域，功能连接与灰质体积同步下降，这与反应时间延长直接相关；另一种是矛盾变化，主要出现在枕叶等视觉区域，表现为灰质体积减少的同时功能连接反而增强，这表明大脑在结构受损时可能通过增强功能连接来进行适应性补偿，以维持流体智力和视觉处理能力。这一发现打破了大脑结构与功能总是同步衰老的传统认知。研究发表在 Research 上。

SCOPE框架：让AI智能体通过Prompt自我进化大幅提升任务成功率

大语言模型智能体常因“记吃不记打”而备受诟病，它们往往无法从错误日志中吸取教训，导致陷入重复错误的循环。Zehua Pei、Hui-Ling Zhen等（华为诺亚方舟实验室，香港中文大学）联合开发了SCOPE框架。该研究通过让智能体从自身的执行轨迹中自动提炼规则并更新提示，实现了智能体的在线自我进化，显著提升了其在复杂任务中的表现。

SCOPE框架的核心在于将上下文管理转化为一个自动优化过程。研究团队提出了一种名为“指导规则合成”（Guideline Synthesis）的方法，即通过生成器分析智能体的执行轨迹，提取出具体的指导规则。这些规则通过“双流路由机制”（Dual-Stream Routing）被分类存储：解决即时错误的规则进入“战术记忆”，而通用的长期原则则进入“战略记忆”。为了防止规则冲突和冗余，系统还引入了记忆优化器进行清理。此外，SCOPE采用“视角驱动探索”（Perspective-Driven Exploration），让智能体同时在效率优先和周全优先等不同策略视角下演化，以找到解决特定任务的最佳路径。实验结果显示，在具有挑战性的HLE基准测试中，SCOPE将任务成功率从14.23%大幅提升至38.64%，在GAIA基准上也取得了显著进步，且61%的规则来自对成功模式的主动增强而非仅仅修复错误。

开车聊天让眼睛“反应迟钝”：说话如何干扰视觉搜索

开车时聊天是否会让你“眼慢手迟”？藤田保健卫生大学的Shintaro Uehara及其团队通过实验给出了肯定的答案。他们发现，说话产生的认知负荷足以干扰大脑对眼球运动的控制，导致驾驶员在察觉危险时出现关键性的视觉延迟，这表明即便是免提通话，其潜在的认知干扰也可能严重威胁驾驶安全。

为了揭示这一机制，研究团队招募了30名健康成年人进行了一项中心向外眼动任务（center-out eye-movement tasks，一种要求受试者从中心点快速准确看向周边目标的测试）。受试者需要在三种不同条件下完成任务：回答基于韦氏成人智力量表的问题（说话条件）、聆听小说《我是猫》的节选（听力条件）以及无任务对照。结果显示，当受试者在说话时，其眼动行为的三个关键阶段——反应时间、运动时间以及视线稳定所需的调整时间——均出现了显著延迟。相比之下，仅仅聆听音频并没有产生这种负面影响。这表明，组织语言和回答问题所需的认知资源会与控制眼动的神经机制产生竞争，导致视觉扫描能力下降。对于需要时刻关注路况（如避让行人或障碍物）的驾驶员而言，这种微小的延迟累积起来可能导致严重的后果。研究发表在 PLOS ONE 上。

不仅仅是左右：数字存在引发独特的垂直注意力偏差

数字不仅仅是数学符号，它们还会潜移默化地改变我们看世界的方式。Ryo Hishiya 和 Masami Ishihara（东京都立大学）组成的研究团队深入探讨了视觉中的数字信息如何干扰人类的空间感知。研究发现，这种影响不仅限于简单的左右方向，在复杂的二维图形中，数字的存在会以一种意想不到的方式“拉动”我们的注意力，揭示了大脑处理物体和数字信息之间复杂的相互作用。

该研究采用了一种经典的心理物理学实验方法——二分任务（bisection tasks，一种要求受试者凭直觉指出线条或图形几何中心点的测试）。研究人员向志愿者展示了填充有不同大小阿拉伯数字的水平线、垂直线和正方形。结果显示，在水平线中，较小的数字会让人们将中心点偏向左侧，这证实了心理数轴（mental number line，人类潜意识中将数字按大小在空间上从左到右排列的心理表征）的存在。然而，在垂直线和正方形中出现了令人惊讶的结果：数字大小的影响减弱，取而代之的是，只要数字存在，人们的注意力就会强烈地向上偏移。研究团队认为，这反映了基于物体的处理（object-based processing，主要由负责识别物体形状和特征的大脑腹侧视觉通路执行的功能）在这种情境下压倒了对数字数值的处理，导致了独特的空间偏差。研究发表在 Scientific Reports 上。

街头骚扰是许多女性的日常噩梦，但男性往往难以感同身受。为了打破这种同理心隔阂，Chiara Lucifora、Aldo Gangemi及其同事（博洛尼亚大学、墨西拿大学、意大利国家研究委员会认知科学与技术研究所）利用虚拟现实技术进行了一项创新研究。他们让年轻男性在虚拟世界中“变身”为女性，亲历街头骚扰，结果发现这种具身体验能引发强烈的道德情绪，为提高社会对骚扰行为的敏感度提供了新途径。

该研究招募了36名平均年龄23岁的男性，通过沉浸式虚拟现实技术让他们化身为女性角色。实验设定了卧室准备和地铁站偶遇两个场景。在地铁站中，部分参与者会遭到男性路人的言语骚扰，如被问“一个人去哪儿”或被要求“笑一个”。研究发现，遭受骚扰的男性主要产生了愤怒和厌恶的情绪，研究人员指出，厌恶促使人们拒绝有辱人格的行为，而愤怒则是改变不公现状的动力。有趣的是，关于恐惧的数据显示，无论是否遭遇言语骚扰，仅仅是作为“单身女性在夜间地铁站”这一情境，就足以让男性参与者感到恐惧。此外，研究还引入了人工智能驱动的方法来模拟相关的认知模式，证实了情绪反应与具身感（embodiment）的强度成正比。这表明VR不仅能作为一种心理学研究工具，更可应用于临床和教育环境，帮助潜在骚扰者建立同理心。研究发表在 Scientific Reports 上。

负负得正：质疑自己的“疑虑”反而能增强目标承诺

在追求长期人生目标的过程中，人们难免会陷入怀疑自我的“行动危机”。俄亥俄州立大学的Patrick Carroll通过两项实验发现了一种反直觉的心理机制：当人们对自己“无法实现目标”的疑虑产生怀疑时，这种元认知层面的不确定性反而能转化为继续前行的动力。这项研究揭示了通过诱导“对疑虑的疑虑”来重建自信的可能性。

该研究引入了“元认知怀疑”（meta-cognitive doubt）的概念，即个体对自己思维有效性的确定程度。研究包含两个部分：在第一项研究中，267名处于“行动危机”（正在犹豫是否放弃目标）的参与者被要求进行写作练习，其中一组回忆对自己想法感到怀疑的经历。结果显示，这组参与者随后对目标的投入程度显著提高。为了验证这一效应，第二项研究采用了一种生理诱导手段：让130名学生使用非惯用手填写问卷。

研究发现，非惯用手造成的颤抖字迹会作为一种潜意识线索，让参与者认为自己的想法（即对目标的疑虑）是无效的。这种“怀疑叠加怀疑”的过程（Doubt + Doubt）并没有导致更多的不确定性，反而产生了“负负得正”的效果——由于质疑了“放弃目标”这一想法的合理性，参与者反而重拾了信心，增强了对目标的承诺。研究者指出，这为心理干预提供了新思路，但也需谨慎使用以免造成盲目自信。研究发表在 Self and Identity 上。

教师合作是激活课堂认知的关键

认知激活教学法虽被视为一种能有效促进学生高阶思维的创新手段，但在全球范围内尚未得到广泛应用。为了探究提升这一教学实践的途径，沙迦大学的Mehmet Şükrü Bellibaş及其团队通过分析大规模跨国数据，发现教师间的积极互动不仅能促进创新策略的使用，且这一过程受到学校集体创新氛围的显著调节。

该研究团队基于经济合作与发展组织（OECD）2018年国际教学与学习调查（TALIS）的数据，对涵盖48个国家和经济体的样本进行了深入分析。研究人员采用多层模型（multilevel modeling）方法，在控制了教师个人特征及学校环境等变量后，证实了教师专业合作是预测认知激活策略使用情况的重要指标。研究进一步揭示了教师集体创新性的关键调节作用：在那些教师普遍愿意接受新想法的学校中，合作对推动创新教学实践的效果更为显著。此外，数据还显示学校规模、地理位置以及社会经济构成等因素也影响着认知激活教学法的普及，这引发了对教育资源公平性的关注。Bellibaş强调，单纯鼓励合作是不够的，必须积极营造让教师感到有权尝试新想法的创新型学校氛围，才能真正推动高影响力教学策略的广泛采用。研究发表在 ECNU Review of Education 上。

为什么我们会主动寻求痛苦的真相？信息回避背后的心理机制

人们为何有时会对关乎健康的体检报告视而不见，却又在理财亏损时执着于查看账户确认损失？特拉维夫大学的Yaniv Shani和蒂尔堡大学的Marcel Zeelenberg通过一项新研究发现，这种看似矛盾的行为实际上源于同一种情绪调节机制。无论是回避有用的信息还是寻求痛苦的真相，本质上都是个体在权衡“真相带来的伤害”与“不确定性带来的煎熬”后，为了维持心理平衡而做出的选择。

研究团队通过对大量近期实证研究及自身过往关于信息回避的研究进行广泛回顾，构建了一个基于“我能否承受不确定性？”和“我能否承受真相？”这两个核心问题的心理模型。传统观点通常认为“故意无知”（willful ignorance）主要是为了逃避对他人的道德责任，但该研究指出，这一行为在纯粹的个人情境中同样存在，本质上是一种情绪调节策略。

结果显示，人们并非单纯基于信息的实用价值来做决定。例如，许多人在度假前会推迟查看体检结果以避免坏心情，但在面对巨大的不确定性时（如查看已购商品价格确认是否亏本，或在灾难后查询亲人下落），即使信息是毁灭性的且无法改变现状，人们仍会主动寻求真相。这是因为此时“不知道”带来的焦虑超过了“知道”最坏结果的痛苦，人们需要通过获取信息来实现心理上的“完结感”。研究表明，信息回避和寻求是帮助个体应对威胁情境的两种心理工具。这一发现对于医疗保健系统和公共机构在传递敏感信息时的时机与方式选择具有重要启示。研究发表在 Current Opinion in Psychology 上。

大语言模型并非认知主体：人机智能之间存在七大认识论断层

尽管大语言模型在各种测试中表现出惊人的类人能力，但它们在本质上真的像人类一样“思考”吗？Walter Quattrociocchi（罗马萨皮恩扎大学）、Valerio Capraro（米兰比科卡大学）和Matjaž Perc（马里博尔大学）组成的跨学科团队对此进行了深入研究。他们指出，虽然机器输出的内容在表面上与人类高度对齐，但这掩盖了两者在判断生成方式上存在的深层结构性不匹配，大模型实际上并不具备人类的认知特征。

该研究通过理论建模，将大语言模型的文本生成过程形式化描述为加权图上的随机游走，即模型是在高维语言概率空间中进行路径补全，而非构建世界模型或形成信念。基于此，研究团队系统地映射了人类与AI的认知流程，识别出七条关键的认识论断层（epistemological fault lines），包括基础、经验、因果推理和元认知等方面的根本差异。研究人员提出了Epistemia（认知假象）这一概念，用以描述当语言的流畅性和合理性在结构上取代了实质性的认知评估时所产生的状态，这使用户在没有经历真正判断过程的情况下就产生了“知晓”的错觉。研究强调，LLM本质上是随机模式补全系统（stochastic pattern-completion systems），它们追踪的是统计规律而非真理，所谓的“幻觉”其实是该系统默认的运作模式。研究发表在 OSF Preprints 上。

人的身体素质何时达到巅峰，又将以何种速度衰退？Maria Westerståhl等瑞典研究人员开展了一项历时47年的纵向研究。该研究追踪了427名普通人从青少年到老年的完整轨迹，首次精确绘制出普通人一生中各项核心运动能力的兴衰曲线，证实身体的“黄金时代”在36岁前结束，40岁后衰退将显著加速。

这项研究依托“瑞典体力活动与健康纵向队列研究”（SPAF），对427名参与者从16岁到63岁进行了五次全面的体能评估。结果显示，各项体能指标的巅峰期远比大众认知中更早到来：有氧能力（aerobic capacity）的峰值在男性35岁、女性36岁左右出现；肌肉耐力（muscular endurance）的顶点在男性36岁、女性34岁；而肌肉爆发力（muscular power，下肢瞬间发力能力）的衰退最早开始，男性在27岁、女性在19岁便已登顶。研究的关键发现是，体能衰退并非匀速过程。40岁前，年均下降率仅为0.2%-0.6%，几乎难以察觉；然而，40岁后衰退曲线变得陡峭，到63岁时年均下降速度激增至2.0%-2.5%。从巅峰到63岁，个体的综合运动能力平均损失高达30%-48%。研究还强调，积极的生活方式能有效延缓衰退：无论何时开始运动，身体都会予以积极回应；而更高的教育水平也与更优的身体素质相关。研究发表在 Journal of Cachexia, Sarcopenia and Muscle 上。

当被称为“跳跃基因”的转座子侵入基因组并破坏重要基因时，细胞并非束手无策。Long-Wen Zhao和Scott Kennedy等人（哈佛医学院）发现了一种前所未知的“应急响应”机制，能够在mRNA层面主动切除这些入侵的DNA序列。这项研究揭示了细胞如何在表观遗传防御失效后，利用一套独立的剪接系统来挽救受损的遗传信息，为理解基因组稳定性提供了全新视角。

研究团队在秀丽隐杆线虫中发现，尽管某些基因被转座子插入，但其功能依然保留。通过纳米孔长读长测序（Nanopore long-read sequencing），他们证实转座子序列在mRNA转录本中被高效移除。这一过程被称为“SOS剪接”，它独立于传统的剪接体，而是识别转座子特有的反向末端重复序列（ITR）所形成的RNA发夹结构。通过遗传筛选，研究人员鉴定了三个关键执行者：AKAP17A负责识别“求救信号”即发夹结构，CAAP1作为桥梁招募RTCB，而RTCB（一种RNA连接酶）则负责将切除转座子后的mRNA断片重新连接。虽然这种修复并不完美，常伴随微小的插入或缺失，但它足以恢复部分蛋白质的正常表达。该机制在人类细胞中同样存在，表明这是一种古老且保守的基因保护策略。研究发表在 Nature 上。

Nature：3.4万人大数据揭示肠道微生物健康排名

心血管疾病（CVD）和2型糖尿病（T2D）等心血管代谢疾病已成为全球主要健康负担，而肠道微生物被认为是连接饮食与健康的关键桥梁。然而，由于个体肠道菌群的高度差异性，科学界一直难以定义通用的“健康微生物组”标准。为此，意大利特伦托大学的Nicola Segata、Francesco Asnicar及其团队，基于ZOE PREDICT研究整合了超过3.4万人的大规模数据，旨在破解这一难题并量化肠道微生物与健康的具体联系。

研究团队利用宏基因组测序、饮食记录及多项健康指标，分析了美英两国34,694名参与者的数据，构建了“2025 ZOE 微生物健康排名”。该系统筛选出661个与健康标志物密切相关的物种，明确了“好细菌”（如普拉梭菌 Faecalibacterium prausnitzii）和“坏细菌”（如活泼瘤胃球菌 Ruminococcus gnavus）。在涉及5,348人的独立队列验证中，研究发现健康体重人群拥有更多的“好细菌”，而肥胖及患有2型糖尿病等疾病的人群则富含“坏细菌”。更重要的是，通过对746人进行的饮食干预临床试验，研究证实个性化饮食方案能显著提升有益菌丰度并抑制有害菌。这项研究为通过精准营养改善心血管代谢健康提供了强有力的科学依据。研究发表在 Nature 上。

Nature：首个人类生殖道发育细胞图谱问世

为了解开人类生殖系统发育的谜团，威康·桑格研究所的Valentina Lorenzi和Roser Vento-Tormo等人绘制了首个高分辨率的人类生殖道发育图谱。该研究填补了人类胚胎数据稀缺的空白，通过分析大规模胎儿样本，深入解析了从早期胚胎到性别分化完成的关键过程，为理解不孕症及先天性生殖障碍提供了全新的视角。

研究团队利用单细胞RNA测序和空间转录组学技术，分析了超过50万个细胞，精确追踪了细胞在发育过程中的分化路径和空间定位。研究发现，同源异形基因（HOX genes）在器官定位中起到了类似“邮政编码”的作用，例如胸腔HOX基因被意外发现在输卵管和附睾的头部表达，这修正了以往基于小鼠模型的认知。此外，团队发现输卵管和附睾的功能区域化在胎儿期就已确立。更重要的是，通过使用类器官模型进行毒理学测试，研究人员证实胎儿期的子宫上皮细胞对内分泌干扰物（endocrine-disrupting chemicals）非常敏感，暴露于这些化学物质可能诱导异常发育，从而增加成年后的健康风险。这项研究不仅为生殖医学提供了详尽的参考地图，也为药物安全筛选提供了重要依据。研究发表在 Nature 上。

肾脏如何感知血压变化进而调节体液平衡？这一困扰生理学界数十年的谜题终被解开。由诺贝尔奖得主 Ardem Patapoutian 及其同事 Rose Z. Hill 领导的团队（斯克里普斯研究所）发现，离子通道PIEZO2正是肾脏中的关键“压力传感器”。该研究首次揭示了PIEZO2在球旁细胞中作为“刹车”机制，防止肾素过度释放，从而维持血压稳态。

该研究团队利用基因编辑小鼠和先进的活体多光子显微镜技术，深入探索了PIEZO2的分子机制。研究人员发现，PIEZO2在产生肾素的球旁颗粒细胞（Juxtaglomerular granular cells，位于肾小球旁通过合成和分泌肾素调节血压的特化平滑肌细胞）中大量表达。实验显示，PIEZO2是维持这些细胞内钙离子振荡的关键。在正常压力下，PIEZO2激活导致钙离子内流，抑制肾素释放；而在PIEZO2缺失的小鼠中，这种钙振荡消失，导致肾素水平失控性升高。此外，研究还发现PIEZO2的缺失会通过激活相关通路导致肾小球滤过率（Glomerular filtration rate，单位时间内两肾生成的超滤液量，评价肾功能的指标）异常偏高。这项突破性发现确认了PIEZO2是体内球旁细胞钙活性和肾素的重要调控因子。研究发表在 Cell 上。

中风患者并非“听得慢”，而是“记不住”

中风往往会剥夺幸存者的语言能力，导致失语症，使他们难以理解他人的话语。斯坦福大学的Laura Gwilliams和鲁汶大学的Maaike Vandermosten领导的团队，由第一作者Jill Kries具体执行，深入探索了受损大脑处理语言的动态过程。他们发现，问题的关键不在于处理速度的快慢，而在于大脑能否在关键时刻“留住”语音信息。

研究团队利用脑电图（EEG）记录了39名失语症患者和24名健康老年人在聆听故事时的大脑活动。通过分析大脑对音素（phonemes，语音的最小单位）的反应，研究人员发现了一个令人惊讶的现象：中风患者的大脑识别语音的速度并不比健康人慢，这意味着他们能像常人一样“听到”声音。然而，其神经信号的强度——特别是在左半球——却显著减弱。更关键的是，当故事中出现难以辨认或模糊的词汇时，健康的大脑会自动延长对这些语音特征的编码时间，试图“抓住”声音直到确认词义；相比之下，失语症患者的大脑无法维持这种长时间的编码。这表明，理解障碍的核心可能在于无法将语音信息保留足够长的时间来进行词汇整合。这一发现通过简单的“听故事”实验，为改进语言障碍的诊断提供了新的神经生理学依据。研究发表在 Journal of Neuroscience 上。

长期上夜班或时差导致的生物钟紊乱被证实是侵袭性乳腺癌的催化剂，但其具体机制一直未被完全破解。Tapasree Roy Sarkar 及其团队（德克萨斯农工大学）通过深入研究发现，生物钟紊乱不仅重塑了乳腺组织结构，还通过激活特定的免疫抑制受体削弱了身体的防御能力，从而加速了癌症的扩散。

研究团队利用基因工程小鼠模型进行了对比实验，发现生活在节律紊乱环境下的模型在妊娠18周时即出现肿瘤，比正常组提前了约4周，且癌细胞更容易向肺部转移。进一步分析揭示，这一过程的关键在于白细胞免疫球蛋白样受体B4（LILRB4），这是一种在节律紊乱时过度活跃的免疫检查点（immune checkpoint，一类调节免疫系统激活程度的分子）。LILRB4扮演着“关闭开关”的角色，通过非经典WNT信号通路（non-canonical WNT signaling pathway，一种不依赖β-连环蛋白而调节细胞极性和运动的信号传导路径）促进肿瘤生长并抑制免疫监视。重要的是，研究人员发现，即使在生物钟持续紊乱的情况下，使用靶向疗法阻断LILRB4也能有效恢复免疫防御，显著减少癌症转移。这一发现为夜班工作者等高风险人群提供了新的预防和治疗思路。研究发表在 Oncogene 上。

虚拟现实模拟濒死体验可显著降低死亡焦虑

死亡焦虑是一种普遍存在的心理压力，常与抑郁症和各类恐惧症相关。虽然真实的濒死体验（NDEs）往往能赋予亲历者更积极的人生观，但在临床治疗中难以复制。德克萨斯农工大学（Texas A&M University）的Zhipeng Lu博士及其团队开发了一种创新的心理干预方法，利用虚拟现实技术模拟濒死过程，旨在帮助人们克服对死亡的恐惧。研究结果表明，这种沉浸式体验能显著缓解成年人的死亡焦虑和心理压力。

该研究涉及61名成年参与者，他们佩戴VR头显完成了一次约12分钟的模拟体验。体验过程分为三个阶段：首先模拟车祸后的“灵魂出窍”（out-of-body sensation），接着穿过充满回忆的光之隧道，最后到达一片宁静的景象并面对一道象征性的屏障。研究人员对比了有旁白和无旁白两个版本的干预效果。结果显示，单次疗程后，参与者对死亡的恐惧感降低了约75%，压力水平也大幅下降，且两种版本效果相当。许多参与者表示体验后感到放松，并开始重新审视与亲人的关系。尽管少数人出现了焦虑加剧的情况，但该研究证实了VR作为一种可扩展的心理干预工具，在安全环境下帮助人们直面生存恐惧的潜力。研究发表在 Frontiers in Virtual Reality 上。

传统的知识图谱虽然整合了基因与疾病的信息，却往往缺失了器官实际外观与功能的关键细节。针对这一局限，Khaled Rjoob和Declan P. O’Regan等（医学研究委员会（MRC）医学科学实验室）领导的研究团队开发了首个整合医学影像数据的知识图谱，旨在通过详细的心脏结构与功能视图，提升致病基因预测与老药新用的准确性。

该研究构建了名为CardioKG的多模态视觉知识图谱。研究人员利用计算机视觉技术，从英国生物银行（UK Biobank）的近万名参与者（包括健康人群及房颤、心力衰竭患者）的扫描中提取了超过20万个影像特征。通过将这些能够捕捉心脏细微变异的特征与18个生物数据库整合，并利用变分图自编码器（Variational Graph Auto-Encoder，一种能将图结构数据转化为低维向量表示的AI模型）进行分析，CardioKG成功预测了多个新的治疗机会。结果显示，用于治疗类风湿性关节炎的甲氨蝶呤可能对心力衰竭有效，而糖尿病药物格列汀类药物则显示出治疗房颤的潜力。此外，数据还揭示了咖啡因对特定房颤患者具有意外的保护作用，反驳了其通常被认为会增加心脏兴奋性的担忧。这一概念验证技术未来有望应用于大脑或肥胖症研究，加速精准医疗的发展。研究发表在 Nature Cardiovascular Research 上。

告别抗抑郁药的正确姿势：单纯减量不够，心理支持是关键

抑郁症患者在病情好转后如何安全停药，一直是困扰医生和患者的难题，不当停药往往导致高复发率。来自维罗纳大学的Debora Zaccoletti团队通过一项大规模研究给出了明确建议：最佳方案并非单纯依靠药物调整，而是结合心理干预。该研究指出，在心理支持下缓慢减少药物剂量，是预防复发的最有效停药手段。

这项研究采用系统评价和网络荟萃分析的方法，整合了76项随机对照试验的数据，涵盖了17,379名参与者，是目前该领域最全面的证据评估。研究人员对比了突然停药、快速减量（4周以内）和缓慢减量（超过4周）等多种策略。结果显示，“缓慢减量并辅以心理支持”的效果与继续服用抗抑郁药相当，均能显著降低复发风险。具体而言，与突然停药或过快减量相比，该策略能帮助五分之一的患者避免病情反复。值得注意的是，数据表明仅仅进行缓慢减量而缺乏同步的心理支持（psychological support），在预防复发方面并不比突然停药更有效。这一发现强调了在“处方精简”（deprescribing）过程中，医疗专业人员的持续跟进和心理干预至关重要。研究发表在 The Lancet Psychiatry 上。

肠道菌群与血液标志物联合检测有望精准诊断青少年抑郁症

青少年重度抑郁症的诊断长期依赖主观访谈，缺乏客观的生物学依据。Xueer Liu、Aoyi Geng和Xinyu Zhou等研究人员（重庆医科大学精神病中心）通过深入探究“肠脑轴”机制，发现了一组能够精准辅助诊断青少年抑郁症的生物标志物。该研究揭示了肠道菌群失调、肠道屏障受损与全身炎症之间的复杂联系，为开发基于血液和粪便样本的客观诊断工具提供了科学依据。

研究团队招募了46名首次确诊且未接受药物治疗的青少年抑郁症患者以及44名健康对照者，采集并分析了其血液和粪便样本。研究发现，患病青少年的血浆中存在高水平的炎症因子和紧密连接蛋白（tight junction proteins，维持肠道壁完整性的关键蛋白），这表明患者出现了肠道屏障功能障碍和全身性炎症。在微生物层面，患者肠道内的柯林斯菌属（Collinsella）丰度显著降低，而该菌属与炎症水平呈负相关。

进一步的分析表明，肠道菌群的改变影响了短链脂肪酸（short-chain fatty acids，细菌分解纤维产生的代谢物）的生成，进而削弱了肠道屏障功能。最令人振奋的是，研究人员构建了一个整合柯林斯菌属丰度、紧密连接蛋白和炎症标志物的综合诊断模型，该模型的诊断准确率极高，曲线下面积达到了0.964。这一发现意味着，未来通过简单的血液和粪便检测，医生就能更准确地识别青少年抑郁症。研究发表在 Translational Psychiatry 上。

牙齿脱落究竟是通过减少咀嚼刺激直接损伤大脑，还是通过影响进食导致营养不良从而间接影响认知？Rie Hatakeyama, Hiroshi Oue, Miyuki Yokoi, Eri Ishida, Takayasu Kubo, Kazuhiro Tsuga等来自广岛大学的研究人员利用小鼠模型进行了深入探究。研究结果证实，导致记忆力衰退的主要驱动因素是咀嚼功能的丧失，而非蛋白质摄入不足，这为通过口腔护理预防老年认知衰退提供了重要依据。

研究团队选用了一种加速衰老的小鼠模型即SAMP8小鼠（senescence-accelerated mouse prone 8），通过实验性拔除臼齿来模拟牙齿脱落，并将小鼠分为正常蛋白饮食和低蛋白饮食组进行为期六个月的观察。行为学测试显示，无论摄入何种饮食，失去牙齿的小鼠都表现出显著的记忆力下降。在脑组织分析中，研究人员发现牙齿缺失显著增加了Bax/Bcl-2 mRNA比值（Bax/Bcl-2 mRNA ratio），这是一种细胞死亡与存活的标志物，表明大脑出现了促凋亡活动。此外，牙齿脱落还导致海马体的CA1区和齿状回出现了神经元炎症和细胞丢失，而这些区域对记忆形成至关重要。相比之下，低蛋白饮食的影响范围有限，主要集中在CA3区。这些发现表明，咀嚼刺激的减少直接诱导了大脑中的促细胞死亡通路。研究发表在 Archives of Oral Biology 上。

AI模型精准预测人工耳蜗植入儿童的语言发育成果

人工耳蜗是听障儿童重获听力的重要手段，但不同患儿术后的语言恢复效果差异巨大。Yanlin Wang和Nancy M. Young等研究人员（芝加哥安妮和罗伯特·H·卢里儿童医院）联合国际团队，开发了一种基于人工智能的预测工具。该工具旨在通过分析术前影像数据，提前识别出可能面临语言发育障碍的儿童，从而为制定个性化的强化康复方案提供科学依据。

这项研究利用了来自美国、澳大利亚和香港共278名儿童的复杂数据集，涵盖了英语、西班牙语和粤语三种语言环境。面对不同医疗中心采用不同磁共振成像（Magnetic Resonance Imaging）扫描方案所带来的数据异构性挑战，团队采用了深度迁移学习（Deep Transfer Learning）技术。这是一种先进的机器学习形式，能够将从大规模数据集中学到的先验知识迁移应用到新任务中，从而提高模型的适应性。研究人员特别设计了基于双线性注意力机制的融合策略，使模型能够更精准地捕捉大脑解剖结构中的关键特征。结果显示，该AI模型预测患儿术后一至三年口语改善情况的准确率高达92.39%，在灵敏度和特异性上均全面超越了传统的机器学习模型。这一突破使得临床医生有望实现预测即处方（Predict-to-Prescribe）的治疗模式，即根据预测结果为高风险儿童尽早安排高强度的语言训练。研究发表在 JAMA Otolaryngology–Head & Neck Surgery 上。

胶质母细胞瘤（GBM）是致死率极高的脑肿瘤，因其干细胞具有耐药性，现有疗法难以防止复发。俄勒冈健康与科学大学（Oregon Health & Science University）的Alec J. Hirsch与圣路易斯华盛顿大学（Washington University in St. Louis）的Milan G. Chheda和Michael S. Diamond等人组成的团队，研发出一种利用基因改造病毒清除肿瘤干细胞的新策略，并验证了其安全性。

该研究的核心在于利用寨卡病毒（Zika virus）特异性感染并杀灭胶质母细胞瘤干细胞（GSCs）的特性。考虑到天然病毒的风险，团队对病毒进行了基因工程改造，删除了基因组中的关键片段，制造出名为Δ10 3′-UTR ZIKV的变体。这种改造病毒无法通过蚊子传播，且对宿主免疫反应更敏感。为了验证其在临床应用中的潜力，研究人员将该病毒注射到恒河猴的大脑中。结果显示，所有实验动物均未出现神经系统疾病症状；虽然注射部位出现了轻微的炎症，但在两周内自然消退。此外，注射一周后，动物血液中的病毒即被清除，且未在任何器官中检测到残留的感染性病毒。这一发现证实了该疗法在灵长类动物中的颅内安全性，为推进胶质母细胞瘤的临床试验扫清了关键障碍。研究发表在 Cell Reports Medicine 上。

阿尔茨海默病（AD）治疗领域正经历从单一靶点向多维干预的重大转变。Jean-Philippe Courade, Henrik Zetterberg, Günter U. Höglinger, Ilse Dewachter等研究人员（哈瑟尔特大学等）系统回顾了AD疗法的演进，指出虽然抗淀粉样蛋白疗法已获成功，但针对Tau蛋白的免疫治疗正成为阻断疾病进展的新希望。这一综述性研究为下一代AD疗法的开发提供了关键框架。

该研究详细分析了抗淀粉样β蛋白（Amyloid β, Aβ）疗法数十年来的研发路径，认为近期获批药物（如lecanemab和donanemab）的成功为后续试验奠定了基础。然而，Aβ清除并不足以完全治愈疾病，研究重点正转向Tau蛋白（Tau protein），这是一种与认知衰退相关性更强的病理蛋白。文章重点介绍了靶向Tau蛋白微管结合区（MTBR）的新兴抗体，如bepranemab和E2814。初步临床数据显示，这些第二代抗体不仅能显著降低脑脊液中的病理标志物，还在正电子发射断层扫描（PET）成像中显示出减缓Tau蛋白累积的效果，并伴有早期的认知获益迹象。研究团队提出，未来的治疗策略应聚焦于联合疗法，即同时干预Aβ和Tau通路，并结合神经炎症等其他靶点，以实现更高效的疾病修饰。研究发表在 Cell 上。

如何精确地在时间和空间上控制细胞内的生物过程？西湖大学的Cao Longxing与Xie Mingqi团队合作，与来自复旦大学的Jin Qihan和Wang Yukai等人共同攻克了这一难题。他们开发了一种全新的计算方法，成功从头设计出能够响应常见小分子药物的蛋白质寡聚体，相当于为蛋白质装上了可由药物控制的“遥控开关”。这项突破性研究不仅解决了自然界中此类调控系统稀缺的问题，还为生物医学研究和治疗提供了强大的新工具。

研究团队提出了一种名为边对接边结合（docking-while-binding）的计算策略，针对一种FDA批准的抗病毒药物金刚烷胺（Amantadine），设计了能够特异性结合该药物的蛋白质同源三聚体。在设计过程中，算法同时优化了蛋白质之间以及蛋白质与药物分子之间的相互作用。实验结果显示，这些人工设计的蛋白质结构与预测模型高度吻合，并且可以通过金刚烷胺的存在与否来精准控制其组装。研究人员进一步开发了异源二聚体和异源三聚体系统，并证实了通过口服金刚烷胺，可以在小鼠体内实现对基因表达的非侵入性、剂量依赖性控制。此外，该系统还能用于调控蛋白质的细胞定位和无膜凝聚物的形成，展现了在细胞工程和基因治疗领域的广阔应用前景。研究发表在 Science 上。

针对无机晶体材料设计中存在的探索效率低和可解释性差等问题，Izumi Takahara、Teruyasu Mizoguchi和Bang Liu等研究人员（东京大学、蒙特利尔大学）开发了一种名为MatAgent的新型生成式AI框架。该框架成功利用大语言模型的推理能力，实现了对广阔材料空间的自主探索，为加速新一代无机材料的发现提供了强有力的工具。

MatAgent框架的核心在于将通用大语言模型作为生成引擎，并集成了模拟人类专家推理过程的外部认知工具，包括记忆模块和元素周期表等知识库。研究团队将这一逻辑推理核心与基于扩散模型的晶体结构估算器以及性能评估模型相结合。通过这种组合，MatAgent能够执行迭代式的反馈驱动策略，精准地引导材料探索朝向用户设定的目标（如特定的形成能）。实验结果显示，MatAgent不仅能高效提出具有所需性能的材料，还能保证生成材料的高有效性、独特性和新颖性。更重要的是，该系统能够通过自然语言为每一个推荐的材料成分提供明确的推理过程，解决了传统“黑盒”AI模型缺乏可解释性的难题。研究发表在 Cell Reports Physical Science 上。

AI设计的新型蛋白质抗炎效果提升50%

针对现有抗炎药物阿那白滞素（Anakinra）疗效有限且副作用明显的难题，Jiwon Um和Iksoo Chang等人（大邱庆北科学技术院与iProtein Therapeutics）组成的团队利用先进技术开发出了新一代抗炎蛋白。该团队通过结合人工智能与超级计算技术，成功设计出一种新型蛋白质变体，其在动物实验中显示出的抗炎效果比现有治疗方法提高了53%，为风湿病、痛风及阿尔茨海默病等神经炎症相关疾病的治疗带来了新希望。

为了克服传统药物开发的局限，研究团队采用了蛋白质结构导向的设计方法。他们利用分子动力学模拟和热力学分析，精准定位了影响药物与受体结合强度的关键氨基酸位点E127。基于此发现，团队设计并合成了六种蛋白质变体，其中名为E127Q的变体表现最为出色。在针对慢性神经炎症的小鼠模型实验中，E127Q不仅显著降低了炎症水平，还成功将因炎症过度激活的NMDA受体（N-methyl-D-aspartate receptor，一种对神经传导和记忆至关重要的受体）信号恢复至正常水平，展示了其修复受损神经功能的潜力。这一成果证明了AI辅助设计在提升生物药物效力方面的巨大潜力。研究发表在 Theranostics 上。

如何在浩如烟海的化学反应路径中快速找到正确的那一条？Pinku Nath、Masaharu Yoshioka和Satoshi Maeda等研究人员（WPI-ICReDD，化学反应设计与发现研究所）开发了一种名为 ChemOntology 的人工智能系统。该系统成功将人类化学家的“直觉”转化为机器语言，通过引入化学本体知识，大幅提高了复杂化学反应路径搜索的效率和准确性，解决了传统计算方法盲目穷举的难题。

该研究提出了一种全新的计算框架，将 ChemOntology 与现有的自动反应路径搜索技术——人工力诱导反应（AFIR）相结合。传统算法往往因缺乏化学常识而浪费大量算力在不合理的路径上，而 ChemOntology 通过引入基本反应过程本体（ERPOs）和特定的反应规则，明确界定了哪些化学键变化和分子几何结构在化学上是合理的。研究团队以经典的赫克反应（Heck reaction）为例进行了验证，这是一个涉及多种中间体的复杂有机金属反应。结果显示，ChemOntology 辅助的搜索方法不仅成功识别了所有的关键中间体和反应步骤，而且通过剔除无效路径，将完成搜索所需的时间缩短了一半。与依赖大数据的机器学习模型不同，这种基于知识驱动的方法无需预先训练，展示了在机理分析和催化剂设计中的巨大潜力。研究发表在 ACS Catalysis 上。

考古学家利用AI打造“DIY”史前游戏，让文物“开口说话”

长期以来，制作沉浸式的历史数字内容不仅昂贵，而且难以更新，这限制了公众对考古成果的深入理解。Mikkel Nørtoft、Rune Iversen（哥本哈根大学）与Daniela Hofmann（卑尔根大学）组成的研究团队，利用人工智能和免费数字工具，成功开发了一种低成本的“DIY考古游戏”制作模式，让研究人员能够亲自构建具有教育意义的动态3D世界。

该研究的核心在于将专业的考古数据转化为互动体验。团队首先利用3D摄影测量技术对新石器时代的遗址进行扫描，并在虚幻引擎中重建了逼真的三维场景。为了解决传统游戏中NPC对话死板的问题，研究人员引入了Convai工具，利用大语言模型（Large Language Models，简称LLM，一种能理解和生成人类语言的人工智能模型）驱动游戏中的角色。更为关键的是，他们采用了检索增强生成技术（RAG），通过将专业的考古学术文本上传至系统，让AI角色（如游戏中的考古学家和史前女性）能够基于严谨的学术资料与玩家进行非剧本化的实时对话，既保证了互动的自然流畅，又确保了知识的准确性。在案例游戏《Dolmen Game》的测试中，玩家不仅能探索丹麦的巨石墓，还能在AI萨满的引导下解读洞穴壁画。这一成果表明，即使非编程专家的考古学者，也能利用现有技术打破时空界限，为博物馆和教育领域提供极具沉浸感的“数字实操”体验。研究发表在 Advances in Archaeological Practice 上。

间隔效应提升生物与AI系统的泛化能力

泛化能力是衡量智能的关键，生物大脑在此方面远超现有AI。为了缩短这一差距，Guanglong Sun 和 Yi Zhong 等研究人员深入探究了生物学中的“间隔效应”，并试图将其机制引入人工智能。他们发现，无论是生物还是人工系统，通过在学习过程中引入适当的时间间隔和变异，都能显著提升对新场景的适应能力，揭示了两者共有的计算原理。

该研究基于编码变异性理论（encoding variability theory），即间隔重复引入了输入或内部状态的自然变化。研究团队在人工神经网络（ANNs）的神经元、突触和网络三个层面分别实施了时间集成策略，对应采用了Dropout、权重平均（WA）和知识蒸馏（KD）等技术，在间隔训练中引入可控变异。实验结果显示，泛化性能与变异强度及间隔时间呈U型关系，只有两者达到平衡时效果最佳。为了验证这一计算发现的生物学基础，团队对果蝇进行了嗅觉条件反射实验。结果证实，增加训练间隔或改变训练线索的变异性，同样能帮助果蝇应对与训练环境略有不同的新测试场景。这项属于神经人工智能的研究表明，结构化地接触变异是智能系统实现高效泛化的通用法则。

6小时完成博士3个月工作量，AI物理学家重新定义科研效率

物理学研究通常结合了极其抽象的理论推导与繁琐的数值计算，这对现有的AI系统构成了巨大挑战。上海交通大学的Tingjia Miao、Siheng Chen以及中国科学院的Kun Chen等人组成的团队，开发了一款名为PhysMaster的自主AI物理学家。该智能体不再仅仅是辅助工具，而是具备了独立进行理论与计算物理研究的能力。研究团队通过整合顶尖的物理学思维与AI技术，成功让PhysMaster在多个物理学前沿领域展现出媲美甚至超越人类研究效率的潜力。

PhysMaster的核心优势在于其独特架构，它不仅拥有基于大语言模型的理论推理能力，还集成了数值计算技术。为了克服AI常有的“幻觉”问题，研究团队为其配备了一个名为LANDAU（Layered Academic DAta Universe，分层学术数据宇宙）的系统。该系统像一个严谨的知识库，保存着精确的论文数据、先验知识以及经过验证的方法论路径，供智能体在决策时调用。此外，PhysMaster采用了自适应的蒙特卡洛树搜索（MCTS）策略，使其能够在超长周期的研究任务中保持高效探索。在测试中，PhysMaster展现了惊人的效率：它将通常需要高级博士生耗费1-3个月的复杂研究任务压缩到了6小时以内；在没有任何人类干预的情况下，它甚至独立探索了一个未解决的科学问题并提出了创新方法，实现了从“AI助手”到“AI科学家”的质变。

单细胞扰动分析统一框架pertpy

面对单细胞扰动实验产生海量且复杂的数据，现有的碎片化工具难以满足统一分析的需求。Lukas Heumos和Fabian J. Theis等（德国慕尼黑亥姆霍兹中心、慕尼黑工业大学）开发了一种名为pertpy的端到端计算框架。该工具旨在统一管理、分析和解释大规模单细胞扰动数据，填补了该领域通用性分析平台的空白。

该研究团队推出的pertpy是一个基于Python的模块化框架，属于scverse生态系统的一部分。为了应对基因组规模的数据挑战，研究人员利用JAX库（JAX）实现了GPU加速，使计算速度较原始方法提升了数量级。该平台集成了超过100种分析功能，涵盖了从数据导入、自动元数据注释、质量控制到可视化和比较分析的全流程。在验证实验中，团队利用pertpy分析了CRISPR激活筛选（CRISPRa）和大规模药物筛选数据集，成功构建了可解释的扰动空间，并精准分离了药物反应中与细胞存活性相关的特征。此外，该框架支持将实验数据与公共数据库进行比对，极大地增强了结果的生物学背景解读能力。pertpy的开源和可扩展特性，使其成为解析药物机制和基因功能的强大工具。研究发表在 Nature Methods 上。

摆脱人类干预后，生成式AI陷入“视觉电梯音乐”陷阱

人工智能是否真的具备无限的创造力？瑞典达拉纳大学（Dalarna University）的Arend Hintze及其团队通过一项创新实验给出了审慎的答案。他们研究了当生成式AI在没有人类干预的情况下独立进行内容创作循环时会发生什么，结果发现这些智能体并不能维持长期的创造性，反而迅速陷入了平庸和重复的模式。

为了测试AI在完全自主状态下的表现，研究人员设计了一种视觉“传话游戏”。他们将图像生成模型Stable Diffusion XL与大型语言视觉模型LLaVA配对，建立了一个封闭的反馈回路：先由文本生成图像，再由AI描述该图像，随后将描述传回生成模型产生新图像，如此循环。研究团队使用了100个主题各异的初始提示词，并进行了多达1000次的迭代。结果显示，无论最初的指令多么独特或复杂，也无论是否在模型设置中增加了随机性，AI在经过约100轮交互后，都会不可避免地偏离原始主题。所有实验轨迹最终都收敛到了12个特定的通用主题，如哥特式大教堂、暴风雨中的灯塔、体育场景或豪华客厅。研究人员形象地将这种现象称为“视觉电梯音乐”（visual elevator music），指出这反映了AI模型训练数据中隐含的人类审美偏好和统计学吸引子。这表明，目前的AI架构倾向于回归到训练数据中最常见的模式，若无人机协作或反趋同机制，AI可能导致文化内容的同质化。研究发表在 Patterns 上。

警惕人工智能“野蛮”八卦：无约束的传播将带来技术社会危害

随着生成式人工智能的广泛应用，聊天机器人制造的虚假信息已不再局限于无害的错误，而是演变成了具有破坏性的“八卦”。埃克塞特大学的Joel Krueger和Lucy Osler团队进行了一项深入分析，指出ChatGPT、Claude和Gemini等聊天机器人正在生成并传播包含负面评价的谣言。研究发现，这些不受社会规范约束的“野蛮”八卦（feral gossip）不仅会误导用户，还可能导致严重的名誉损害、羞辱和心理焦虑，揭示了人工智能在社会互动层面潜在的新危机。

该研究通过结合哲学理论与现实案例，重新定义了人工智能生成内容的性质。研究团队区分了“胡说八道”（bullshit，指不关心真理的陈述）与“八卦”，并分析了如《纽约时报》记者Kevin Roose被聊天机器人指责缺乏职业道德等实际案例。结果显示，人工智能的八卦行为具有独特的危险性：由于缺乏人类社会中的道德和规范约束，聊天机器人之间的交流会形成一种“野蛮”的传播模式，迅速夸大和歪曲事实，且这种传播往往在后台进行，难以被察觉。研究进一步提出了“技术社会危害”这一概念，用以概括此类行为对现实世界造成的具体伤害，包括名誉受损、社会动荡以及个人的羞耻感和痛苦。此外，研究还发现，为了增强用户粘性而设计的个性化功能，反而加剧了风险，因为用户往往因信任看似权威的机器人而全盘接受其传播的偏见或歧视性信息。研究发表在 Ethics and Information Technology 上。

新型AI模型精准批改潦草手写数学题并解析错误

面对批改潦草手写数学作业这一耗时且充满挑战的任务，蔚山国立科学技术大学（UNIST）的金泰焕（Taehwan Kim）教授与浦项科技大学（POSTECH）的高成汉（Sungahn Ko）教授领导的团队开发了一种名为VEHME的新型人工智能系统。该系统不仅能像人类教师一样识别复杂、不规范的数学答案，还能提供详细的错误分析与反馈，成功解决了传统自动化评分工具难以处理非结构化内容的难题。

VEHME是一个专门设计的视觉语言模型，旨在高效评估手写数学表达式。为了克服高质量标注数据稀缺的障碍，研究团队利用大语言模型生成了大量合成训练数据。该系统的核心创新在于引入了“表达式感知视觉提示模块”（Expression-aware Visual Prompting Module），这项技术能够虚拟“框选”复杂的多行表达式，使模型能够清晰理解答案的空间布局和逻辑结构。通过结合监督微调和强化学习的两阶段训练，VEHME不仅能判断答案的正确性，还能精准定位并解释解题步骤中的具体错误。测试结果显示，尽管VEHME仅拥有70亿参数，远小于GPT-4o和Gemini 2.0 Flash等大型商业模型，但其在广泛的数学测试中表现出了相当的准确率，特别是在处理严重旋转或书写极度潦草的答案时，其错误检测能力甚至优于这些商业模型。

超越复杂设计：引入短卷积与截断反向传播的通用推理模型

在人工智能的复杂推理任务中，小型模型能否战胜庞大的语言模型？九坤投资（Ubiquant）的Zitian Gao、Lynx Chen及Bryan Dai等研究人员给出了肯定的答案。他们深入探究了通用Transformer在处理如ARC-AGI和数独等复杂任务时的优势来源，发现其核心竞争力并非来自繁复的架构设计，而是源于循环归纳偏置和强大的非线性计算。基于这一洞察，团队开发了全新的通用推理模型（Universal Reasoning Model, URM），在不依赖大规模预训练的情况下，显著提升了机器的抽象推理能力。

该研究团队在标准通用Transformer的基础上进行了两项关键改进。首先，他们引入了ConvSwiGLU模块，这是一种结合了短卷积（Short Convolution，一种在局部范围内进行特征混合的卷积操作）与SwiGLU激活函数的机制，旨在增强模型捕捉局部上下文交互的能力和非线性表达。其次，为了解决深度循环网络训练不稳定的问题，研究人员采用了截断循环反向传播（Truncated Backpropagation Through Loops，TBPTL），即在训练时仅对推理过程的后半段循环进行梯度计算。实验结果显示，URM在ARC-AGI 1基准测试中达到了53.8%的pass@1准确率，创下了新的世界纪录；在更具挑战性的ARC-AGI 2测试中，其得分（16.0%）几乎是此前最优模型的三倍。这项工作证明了通过优化循环机制和非线性组件，小型模型在特定推理任务上具有超越传统大型语言模型的潜力。

为什么Transformer无法学习乘法？逆向工程揭示长程依赖陷阱

当下的大型语言模型虽然能够进行复杂的代码编写和逻辑推理，却在小学水平的四位数乘法面前束手无策。Xiaoyan Bai和Chenhao Tan（芝加哥大学）联合来自麻省理工学院、哈佛大学、滑铁卢大学和Google DeepMind的研究人员，深入探索了人工智能在处理“长程依赖”任务时的局限性。他们发现，标准训练方法会导致模型陷入局部最优解，无法像人类一样“记住”进位和部分积，而通过逆向工程成功的模型，团队揭示了AI掌握算术背后的独特机制。

研究团队对比了准确率不足1%的标准微调模型与准确率达到100%的隐式思维链模型。通过分析，他们发现ICoT模型学会了将中间推理步骤内化，并利用一种类似文件系统的注意力路径来存储和检索信息。更令人惊讶的是，该模型在没有预先编程的情况下，自然演化出了一套高效的数学语言：它使用波形模式的傅里叶基（Fourier bases）来编码数字，并通过闵可夫斯基和来处理数字对的乘积。基于这些发现，研究人员为标准模型引入了一个简单的训练目标，即教会模型追踪每一步的累加总和。这一简单的修正赋予了模型处理长程依赖的能力，使其在无需显式思维链监督的情况下，将准确率从不到1%提升至99%。

大模型推理速度提升4.6倍，NPR框架实现原生并行思考

为了解决大语言模型在复杂任务中单线思考容易出错且效率低下的问题，Tong Wu、Song-Chun Zhu和Zilong Zheng等研究人员（北京通用人工智能研究院）开发了一种名为原生并行推理器（NPR）的全新框架。该框架无需依赖外部教师模型的监督，便能让智能体像人类一样在一次思考中同时探索多条路径，通过自我演化具备原生的并行推理能力，显著提升了模型解决复杂问题的准确性和效率。

该研究提出了一套渐进式的三阶段训练范式。首先，通过格式跟随强化学习让模型掌握并行表达结构；其次，利用自蒸馏技术（Self-distillation）让模型从自身的生成结果中筛选高质量轨迹，内化并行逻辑；最后，采用一种新颖的并行感知策略优化算法（PAPO），直接在执行图中优化分支策略。为了支撑这一过程，团队还开发了NPR-Engine，通过优化键值缓存和内存管理，解决了并行计算中的工程瓶颈。实验结果显示，在Qwen3-4B模型上应用NPR框架后，其在数学竞赛等8个推理基准上的准确率提升了24.5%，推理速度加快了4.6倍，并且实现了100%的真正并行执行，不再退回到传统的串行解码模式。这一突破为构建更通用、可扩展的智能体提供了新的技术路径。

深度序列模型倾向于以几何方式记忆

深度序列模型究竟是如何“记住”知识的？是像查字典一样死记硬背，还是在脑海中构建了一张地图？来自卡内基梅隆大学（Carnegie Mellon University）的Shahriar Noroozizadeh与谷歌研究院（Google Research）的Vaishnavh Nagarajan、Elan Rosenfeld和Sanjiv Kumar组成的团队，通过一项创新研究挑战了传统的“关联记忆”观点。他们发现，深度模型在记忆原子事实时，倾向于自发形成一种包含全局关系的“几何记忆”，而非简单地存储局部共现信息。

研究团队设计了一种特殊的“路径星图”（path-star graphs）任务，要求模型将图的连接关系存储在权重中并进行路径推理。在传统的关联记忆（Associative Memory）视角下，模型需要通过类似于暴力查找的方式处理信息，这是一项极其复杂的任务。然而，实验结果显示，无论是Transformer还是Mamba架构，都能在没有显式指导的情况下轻松完成大规模图的推理。这表明模型在训练过程中，自发地将孤立的知识点通过神经嵌入（Neural Embedding）组织成了具有几何结构的“地图”，将复杂的逻辑推理转化为简单的几何距离计算。进一步分析发现，这种几何特性与Node2Vec算法中的谱偏差（Spectral Bias）有关，且在缺乏特定优化压力的情况下依然自然涌现。这一发现不仅揭示了AI模型内部运作的新机制，也为提升模型的知识推理和存储效率指明了方向。

高质量视频生成往往受限于算力瓶颈，难以突破15秒的时长限制。针对这一痛点，斯坦福大学的Lvmin Zhang（ControlNet创作者）及其团队提出了一种全新的解决方案。他们开发了一种能够高效压缩长视频历史的神经网络架构，旨在解决自回归视频生成模型中长上下文与计算成本之间的矛盾，在大幅降低显存需求的同时，实现了连贯且高保真的长视频生成。

该研究团队提出了一种名为PFP（Pretraining Frame Preservation）的记忆压缩系统。该系统采用轻量级的双路径架构，将一段20秒的视频压缩为仅约5000个token的上下文长度。与传统丢弃细节的压缩方法不同，研究人员设计了一种显式的预训练目标：强制模型从高度压缩的历史记录中，重建任意时间点的单帧高频细节。实验表明，这种预训练模型可以直接作为记忆编码器集成到现有的视频扩散模型中。结果显示，即便是使用RTX 4070等消费级显卡，也能在保持低上下文成本的同时，生成角色、场景和情节高度一致的长视频，显著减少了画面伪影和细节丢失。

LeCun团队新作：JEPA架构如何成为物理规划的“通关秘籍”？

为了打破传统强化学习在物理世界中试错成本高昂的僵局，Basile Terver, Yann LeCun等（Meta FAIR等）深入研究了联合嵌入预测世界模型（JEPA-WM）在物理规划中的核心机制。团队通过系统性地拆解模型架构与规划算法，提出了一套“终极指南”，旨在揭示驱动智能体直观理解物理规律并进行有效规划的关键因素，最终构建出性能超越现有基线的机器人“大脑”。

该研究详细对比了不同技术路径对物理规划成功率的影响。研究人员发现，在视觉编码方面，使用预训练的图像编码器DINO（一种自监督视觉Transformer模型）比专门的视频编码器效果更好，因为前者具备更强的物体分割能力。在动作调节机制上，团队确认了自适应层归一化（AdaLN，Adaptive Layer Norm，一种根据输入动态调整网络层参数的技术）是防止控制信号在深层网络中消失的最优解。此外，实验表明规划算法的选择需视环境而定：基于梯度的优化器在平滑任务中表现出色，而面对复杂障碍物时，基于采样的交叉熵方法更具优势。最终，融合了这些最优策略的模型在模拟环境和真实机械臂任务中，均击败了DINO-WM等前沿基线模型。

为了解决大规模模型训练中因超连接技术导致的数值不稳定和高昂系统开销问题，DeepSeek的Zhenda Xie、Yixuan Wei、Huanqi Cao以及DeepSeek创始人Wenfeng Liang等人组成的团队，提出了一种全新的架构——流形约束超连接（mHC）。该研究旨在在保持模型性能显著增益的同时，修复传统超连接在大规模扩展时面临的“显存墙”和信号失真难题，为基础模型的架构演进提供了新的方向。

研究团队开发了mHC框架，其核心思想是将残差连接矩阵投影到一个特定的流形上，以恢复对深度网络训练至关重要的“恒等映射”属性。为此，团队利用Sinkhorn-Knopp算法（一种用于将矩阵调整为双随机矩阵的迭代算法）将连接矩阵约束为双拟随机矩阵（Doubly Stochastic Matrix，即行和与列和均为1的非负矩阵）。这种数学约束确保了信号在多层传播过程中的能量守恒，有效防止了梯度爆炸。为了抵消加宽通道带来的计算和内存负担，团队还引入了算子融合（Kernel Fusion，将多个计算步骤合并以减少内存访问）和扩展的DualPipe策略。实验结果显示，在27B参数的模型上，mHC不仅彻底解决了训练不稳定性，而且在将通道扩展4倍的情况下，仅增加了6.7%的训练时间开销，便实现了显著的性能提升。

可穿戴医疗设备正在彻底改变健康管理方式，但其快速迭代带来的环境代价却鲜为人知。芝加哥大学的Bozhi Tian和康奈尔大学的Fengqi You等人组成的团队，通过一项开创性的跨学科研究，首次量化了此类设备的全球生态足迹，并颠覆了传统认知：导致环境问题的罪魁祸首并非塑料，而是电路中的贵金属。

该研究提出了一个融合生命周期评估（Life Cycle Assessment，一种评估产品从原料获取到最终处置全过程环境影响的方法）与巴斯扩散模型（Bass Diffusion Model，一种预测新产品在市场中被采用和扩散过程的数学模型）的系统工程框架。研究人员对无创连续血糖监测仪等四种代表性设备进行了从摇篮到坟墓的深度分析。结果显示，虽然单台设备的碳排放看似不高，但由于柔性印刷电路板（Flexible Printed Circuit Board）组装过程中大量使用金等贵金属以及高能耗工艺，其贡献了绝大部分的碳足迹和生态毒性。研究预测，到2050年全球此类设备年消费量将激增至20亿台，带来巨大的环境压力。重要的是，数据表明目前流行的使用可生物降解塑料的策略收效甚微，而用银或铜替代金、优化电路设计才是降低环境影响的关键路径。这项为绿色电子设计提供科学依据的研究发表在 Nature 上。

读懂乘客的恐惧：大脑信号助力自动驾驶汽车避险

当自动驾驶汽车面临复杂路况时，车内乘客的紧张情绪或许能救命。为了解决当前自动驾驶系统在极端风险场景下决策能力不足的问题，Xiaofei Zhang及其团队（清华大学等）开发了一种全新的交互系统，将乘客的大脑活动直接纳入汽车的决策回路中。该研究表明，利用乘客对风险的生理反应作为反馈，可以显著提升自动驾驶车辆的安全性。

研究团队利用功能性近红外光谱（fNIRS）技术实时监测乘客的大脑活动，这是一种非侵入性的测量手段，能够捕捉与压力和风险感知相关的脑血流变化。团队构建了一种基于双延迟深度确定性策略梯度（TD3）的智能决策算法，这是一种深度强化学习形式，旨在让机器通过试错来学习最优策略。在该系统中，当算法通过fNIRS数据检测到乘客因路况产生焦虑或感知到高风险时，车辆会自动调整为更谨慎的驾驶模式。在自动紧急制动、车辆切入和行人过马路等模拟测试中，这种“人车合一”的方法表现出了比传统算法更快的学习速度、更高的安全性和更好的舒适度。这表明，乘客不仅是使用者，其大脑的直觉反应也能成为增强自动驾驶系统鲁棒性的关键数据源。研究发表在 Cyborg and Bionic Systems 上。

重庆侵入式脑机接口团队实现意识障碍解码与调控

药物难治性癫痫的治疗一直面临挑战，尤其是如何精准识别有效的干预靶点。Shanshan Liang、Lukang Wang、Xiaowei Chen等研究人员（重庆脑与智能科学中心、陆军军医大学新桥医院）组成的研究团队，通过结合脑机接口技术与临床数据，成功解码了癫痫患者的意识障碍机制，并开发了一种通过刺激特定大脑网络节点来减少癫痫发作的新疗法。这一成果为个性化精准治疗癫痫提供了全新的范式。

该研究利用颅内脑电图（SEEG）记录了51名患者的脑电数据，发现一种名为快速涟漪（Fast Ripple）的高频振荡活动（250-500 Hz）与癫痫发作期间的意识障碍严重程度高度相关。研究团队基于这种电生理特征构建了功能网络图谱，识别出每位患者大脑中独特的网络枢纽节点（hubs），这些节点通常位于岛叶或扣带回等区域。在对8名患者进行的临床试验中，刺激这些关键节点表现出显著疗效：87.5%的患者癫痫发作频率减少了50%以上，且诱发癫痫的风险仅为10%，远低于刺激传统癫痫发作起始区（Seizure Onset Zone）的风险（47.5%）。此外，该疗法还能改善患者的睡眠质量。这一“信号解码—网络建模—靶点识别—精准干预”的闭环技术路径，标志着癫痫治疗从“一刀切”向“量体裁衣”的重大转变。研究发表在 Science Translational Medicine 上。

当机器人走出实验室进入家庭，如何确保它们在意外碰撞中自我保护并避免伤人？Yuyu Gao、Xinge Yu及其团队（香港城市大学）研发出一种具有“痛觉”的神经形态电子皮肤，不仅能像人类一样对疼痛做出本能的快速反射，还具备模块化自我修复能力。这一突破使机器人不再是冷冰冰的预编程机器，而是具备生物般敏锐感知能力的智能助手。

传统的机器人皮肤类似于被动的压力垫，必须将触觉信号传输至CPU分析后才能做出反应，这种处理延迟往往会导致损坏。为了解决这一问题，研究团队开发了神经形态机器人电子皮肤（NRE-skin）。该皮肤采用模仿人体神经系统的分层架构：当受到轻微触碰时，它会将包含压力信息的脉冲信号发送给CPU进行常规处理；一旦传感器检测到超过预设阈值的“疼痛”压力，皮肤会直接向驱动电机的致动器发送高压尖峰信号。这种机制绕过了CPU的决策过程，触发类似人类脊髓反射的瞬间“缩手”反应，极大降低了受损风险。此外，该皮肤具有独特的“心跳”监测功能，每隔75至150秒发送一次电脉冲以确认完好，一旦信号中断即提示受伤位置。得益于其磁性连接的乐高式设计，用户只需几秒钟即可拆下受损模块并换上新贴片，实现了高效的维护与修复。研究发表在 PNAS 上。

针对临床颅内压监测中存在的有线连接导致感染风险高、患者活动受限等痛点，复旦大学的Song Enming团队开发出一种能够与人体软组织无缝集成的无线监测系统。该研究不仅解决了传统刚性传感器难以长期植入的问题，还通过创新的无电池设计，实现了对大脑内部压力的高精度、实时追踪。

该研究团队创新性地利用超薄铌酸锂单晶压电薄膜（LNTF）作为核心材料，构建了一种厚度仅约10微米的柔性压电谐振器。这种传感器的工作原理基于电感耦合（inductive coupling）和压电效应，当生物组织发生微小的机械形变时，会引起薄膜谐振频率的偏移，外部天线即可无线捕捉这一变化从而读取压力数值。实验数据显示，该传感器的颅内压检测极限低至0.15 mmHg，灵敏度比现有医疗器械高出一个数量级，且测量范围覆盖0-240 mmHg。在大鼠模型实验中，该器件成功监测了由腹部压迫引起的急性颅内压变化以及模拟脑积水病理模型中的压力波动，并实现了长达1个月的稳定体内监测。此外，该系统还可作为可穿戴皮肤贴片，用于监测脉搏和呼吸等生命体征。研究发表在 Nature Communications 上。

告别“一刀切”：斯坦福团队重塑老年脑疾病无创神经调控新法则

针对老年相关神经精神疾病治疗中“千人一面”导致疗效不佳的难题，Sa Zhou和Corey J. Keller等人（斯坦福大学）提出了一项突破性的解决方案。团队通过系统性回顾与分析，开发了一套“以人为本”的无创脑刺激多维框架，旨在通过精准定制治疗方案，解决患者因大脑萎缩和功能差异导致的治疗瓶颈，为精准医疗提供了新的设计蓝图。

无创脑刺激（NIBS）技术如经颅磁刺激（TMS）和经颅直流电刺激（tDCS）虽然在治疗神经退行性疾病方面前景广阔，但临床应用中常因忽视个体差异而受挫。例如，研究显示对于46%的痴呆症患者，由于脑萎缩导致头皮与大脑距离增加，标准方案无法产生足够的电流强度；而老年抑郁症患者中仅约50%对标准治疗有反应，这与额叶萎缩程度密切相关。研究团队构建了一个包含四个核心维度的个性化框架。首先，利用结构和功能磁共振成像（MRI）进行精准靶点定位，计算适合特定脑解剖结构的电流强度；其次，采用闭环脑刺激（Closed-loop NIBS）技术，结合脑电图（EEG）实时监测神经生理状态，将刺激与患者的震颤相位或步态节奏同步；第三，建立剂量-反应模型，根据个体累积的神经可塑性动态调整参数；最后，整合药物或行为训练进行协同干预。这一框架将治疗从“试错”转变为“设计”，通过最大化神经资源的参与度来提升疗效。研究发表在 Neuroscience & Biobehavioral Reviews 上。

给大脑装上“数字护盾”：AI平台BrainGuard实时守护脑机接口安全

侵入式脑机接口面临着长期植入引发脑组织损伤的严峻挑战，且现有监测手段难以兼顾速度与可解释性。北京大学的Chensen Ding、Chufan He联合中南大学的Yanjun Ding以及德国包豪斯大学的Timon Rabczuk等人开发了一款名为BrainGuard的人工智能平台。该平台利用基于特征的高斯过程模拟器，成功克服了生物力学数据稀缺和高噪声的限制，为脑机接口植入后的脑损伤提供了可解释的、个性化的实时监测方案。

为了解决传统“黑盒”AI模型不可信以及数值模拟计算过慢的问题，研究团队提出了一种基于特征的高斯过程模拟器（Feature-based Gaussian process emulators，一种结合概率论与核函数的机器学习方法，具有良好的可解释性），并在此框架下构建了BrainGuard平台。团队首先利用非线性有限元模拟（Nonlinear Finite Element Simulation，一种利用数学近似求解复杂物理系统力学行为的计算方法）生成高保真数据集，并通过模型降维技术构建特征空间，在保留全场冯·米塞斯应变（von Mises strain，用于判定材料发生塑性变形或损伤的物理指标）关键信息的同时极大降低了计算复杂度。实验结果显示，BrainGuard预测全脑超过30万个节点的损伤分布仅需0.22秒，速度是传统方法的1600倍。更重要的是，在信噪比低至5 dB的恶劣噪声环境下，该平台仍能保持极高的稳定性，预测误差控制在2.5%以内。这项技术通过构建患者大脑的“数字孪生”，为脑机接口的长期安全运行提供了可靠的决策依据。研究发表在 Advanced Science 上。