█ 腦科學(xué)動(dòng)態(tài)

Cell：阿爾茨海默病并非一種病，蛋白質(zhì)圖譜揭示其三種分子亞型

小鼠與人類大腦老化模式相似

全球數(shù)億人受困擾，國(guó)際專家團(tuán)隊(duì)全面解讀“長(zhǎng)新冠”

咖啡因精準(zhǔn)修復(fù)大腦記憶回路

新工具利用簡(jiǎn)短測(cè)驗(yàn)繪制學(xué)生知識(shí)圖譜

觀眾決定表演質(zhì)量：蜜蜂搖擺舞的精準(zhǔn)度取決于聽(tīng)眾

意外獲得的空閑時(shí)間為何感覺(jué)更長(zhǎng)？

社交媒體成精神健康信息雷區(qū)：TikTok誤導(dǎo)性內(nèi)容比例最高

█ AI行業(yè)動(dòng)態(tài)

定義分布式Attention性能新標(biāo)桿：Sand.ai推出MagiAttention v1.1.0

█ AI驅(qū)動(dòng)科學(xué)

AI精準(zhǔn)定制Ras亞型特異性結(jié)合劑攻克癌癥靶向難題

仿昆蟲(chóng)機(jī)器人實(shí)現(xiàn)單側(cè)傳感器受損下的穩(wěn)健氣味追蹤

突破靜態(tài)限制：人工神經(jīng)網(wǎng)絡(luò)成功重現(xiàn)四足動(dòng)物動(dòng)態(tài)步態(tài)

利用壓電材料開(kāi)發(fā)無(wú)電機(jī)類鳥(niǎo)機(jī)器人

結(jié)合多模態(tài)數(shù)據(jù)的人工智能準(zhǔn)確預(yù)測(cè)高風(fēng)險(xiǎn)駕駛員

語(yǔ)境連貫但用詞相異：GPT-4o在結(jié)構(gòu)化心理治療對(duì)話中的對(duì)齊度測(cè)試

腦科學(xué)動(dòng)態(tài)

Cell：阿爾茨海默病并非一種病，蛋白質(zhì)圖譜揭示其三種分子亞型

神經(jīng)退行性疾病的分子機(jī)制為何如此復(fù)雜難解？為了厘清其背后錯(cuò)綜復(fù)雜的蛋白質(zhì)網(wǎng)絡(luò)，由圣裘德兒童研究醫(yī)院的 Junmin Peng 和西奈山伊坎醫(yī)學(xué)院的 Bin Zhang 領(lǐng)導(dǎo)的多機(jī)構(gòu)團(tuán)隊(duì)，構(gòu)建了一個(gè)名為泛神經(jīng)退行性疾病圖譜（PanNDA）的綜合蛋白質(zhì)數(shù)據(jù)庫(kù)。該圖譜首次系統(tǒng)性地揭示了多種神經(jīng)退行性疾病內(nèi)部的分子亞型，并為精準(zhǔn)診斷和治療提供了新的靶點(diǎn)。

? 流程圖展示了本研究的計(jì)算和實(shí)驗(yàn)工作流程。Credit: Cell (2026).

研究團(tuán)隊(duì)通過(guò)整合多種蛋白質(zhì)組學(xué)策略，對(duì)來(lái)自六種主要神經(jīng)退行性疾病的2279份人腦樣本進(jìn)行了前所未有的深度分析，構(gòu)建了一個(gè)覆蓋超過(guò)10,000種蛋白質(zhì)的泛神經(jīng)退行性疾病圖譜。該圖譜揭示了疾病內(nèi)部存在過(guò)去未知的分子亞型，例如，阿爾茨海默病被分為三種，路易體癡呆分為四種。研究還識(shí)別出超過(guò)20種潛在的生物標(biāo)志物，可用于區(qū)分不同的阿爾茨海默病亞型，為精準(zhǔn)診斷提供了依據(jù)。通過(guò)構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)，團(tuán)隊(duì)不僅發(fā)現(xiàn)了不同疾病間共享和特有的病理通路，還識(shí)別出可能驅(qū)動(dòng)疾病發(fā)展的關(guān)鍵蛋白，這些蛋白有望成為新的治療靶點(diǎn)。研究發(fā)表在 Cell 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #個(gè)性化醫(yī)療 #蛋白質(zhì)組學(xué) #阿爾茨海默病

閱讀更多：

Shrestha, Him K., et al. “Pan-Neurodegeneration Proteomics Reveals Disease Subtypes and Molecular Signatures.” Cell, vol. 0, no. 0, Mar. 2026. www.cell.com, https://doi.org/10.1016/j.cell.2026.02.026

小鼠與人類大腦老化模式相似

人類大腦如何衰老，其復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)如何隨時(shí)間變化？來(lái)自哥倫比亞大學(xué)祖克曼研究所的 Itamar Kahn 和德克薩斯大學(xué)達(dá)拉斯分校的 Gagan S. Wig 團(tuán)隊(duì)通過(guò)研究小鼠，發(fā)現(xiàn)其大腦在網(wǎng)絡(luò)層面的老化模式與人類驚人地相似，這一發(fā)現(xiàn)為加速理解和干預(yù)人類大腦衰老提供了寶貴的動(dòng)物模型。

? 人類（左）和小鼠（右）大腦的功能磁共振成像掃描顯示，連接模式（圓圈）會(huì)隨著年齡而變化。 Credit Ezra Winter-Nelson.

研究團(tuán)隊(duì)利用先進(jìn)的功能磁共振成像（fMRI）技術(shù)，在小鼠3至20個(gè)月（約相當(dāng)于人類18至70歲）的生命周期中對(duì)其進(jìn)行多次腦部掃描。為確保數(shù)據(jù)可比性，他們克服了巨大技術(shù)挑戰(zhàn)，在小鼠清醒狀態(tài)下完成了高質(zhì)量的成像。分析結(jié)果顯示，和人類一樣，衰老小鼠的大腦功能模塊的特化程度也顯著下降。然而，研究也揭示了關(guān)鍵差異：人類大腦網(wǎng)絡(luò)具有更高的整合度，但其模塊特化性的衰退速度也比小鼠更快，這表明人類大腦為獲得高級(jí)認(rèn)知能力付出的代價(jià)可能是對(duì)衰老過(guò)程更加敏感。這項(xiàng)研究首次在宏觀網(wǎng)絡(luò)層面證實(shí)了小鼠作為人類大腦老化模型的有效性，使科學(xué)家未來(lái)能夠在動(dòng)物身上測(cè)試飲食、基因或藥物干預(yù)對(duì)延緩認(rèn)知衰退的影響。研究發(fā)表在 PNAS 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #腦老化 #比較神經(jīng)科學(xué) #fMRI

閱讀更多：

http://dx.doi.org/10.1073/pnas.2527522123

全球數(shù)億人受困擾，國(guó)際專家團(tuán)隊(duì)全面解讀“長(zhǎng)新冠”

為系統(tǒng)梳理新冠長(zhǎng)期癥狀（長(zhǎng)新冠）對(duì)大腦和心理健康的多重影響，一個(gè)由Jo Ellen Wilson, Clarissa Lin Yasuda, E. Wesley Ely等14位國(guó)際專家組成的團(tuán)隊(duì)，綜合分析了其流行病學(xué)、生物學(xué)機(jī)制、診斷及治療現(xiàn)狀，發(fā)表了一篇權(quán)威綜述，為理解這一復(fù)雜的感染后慢性病提供了全面的科學(xué)視角。

該綜述指出，全球有數(shù)千萬(wàn)至數(shù)億人正受長(zhǎng)新冠困擾，其神經(jīng)精神癥狀尤為突出，包括認(rèn)知功能障礙（cognitive dysfunction，俗稱“腦霧”）、記憶喪失、焦慮和抑郁等。文章深入探討了其復(fù)雜的生物學(xué)根源，認(rèn)為可能涉及SARS-CoV-2病毒持續(xù)存在、潛伏的皰疹病毒被再激活、慢性免疫激活、腸道菌群失調(diào)以及大腦結(jié)構(gòu)和功能連接的異常。目前，長(zhǎng)新冠的診斷完全依賴于臨床評(píng)估，即在感染后出現(xiàn)持續(xù)至少三個(gè)月的癥狀，尚無(wú)獲批的生物標(biāo)志物。研究強(qiáng)調(diào)，除了健康損害，長(zhǎng)新冠還帶來(lái)了嚴(yán)重的社會(huì)經(jīng)濟(jì)后果，包括生產(chǎn)力下降和醫(yī)療負(fù)擔(dān)加重，患者也時(shí)常面臨社會(huì)污名。鑒于尚無(wú)特效療法，專家組強(qiáng)調(diào)避免病毒感染是唯一的預(yù)防手段，并呼吁采用多學(xué)科團(tuán)隊(duì)為患者提供個(gè)性化護(hù)理。研究發(fā)表在 Nature Reviews Disease Primers 上。

#疾病與健康 #心理健康與精神疾病 #新冠后遺癥 #綜述 #公共衛(wèi)生

閱讀更多：

Wilson, Jo Ellen, et al. “COVID-19-Associated Neurological and Psychological Manifestations.” Nature Reviews Disease Primers, vol. 11, no. 1, Dec. 2025, p. 91. www.nature.com, https://doi.org/10.1038/s41572-025-00674-7

咖啡因精準(zhǔn)修復(fù)大腦記憶回路

睡眠不足如何損害社交記憶？咖啡因能否逆轉(zhuǎn)這種損傷？新加坡國(guó)立大學(xué)楊潞齡醫(yī)學(xué)院的Sreedharan Sajikumar和Lik-Wei Wong團(tuán)隊(duì)研究發(fā)現(xiàn)，咖啡因能夠通過(guò)靶向海馬體CA2區(qū)域的特定通路，精準(zhǔn)修復(fù)睡眠剝奪導(dǎo)致的社交記憶缺陷，而不是簡(jiǎn)單地提神醒腦。該研究揭示了咖啡因在分子和行為層面恢復(fù)特定神經(jīng)回路功能的精確機(jī)制。

研究團(tuán)隊(duì)首先通過(guò)讓小鼠經(jīng)歷5小時(shí)的睡眠剝奪，發(fā)現(xiàn)這種短暫的睡眠缺失足以破壞海馬體CA2區(qū)（大腦中對(duì)社交記憶至關(guān)重要的區(qū)域）的神經(jīng)元通訊。電生理記錄顯示，神經(jīng)元之間連接強(qiáng)度的可塑性受到顯著抑制，這直接導(dǎo)致了小鼠在行為測(cè)試中無(wú)法區(qū)分熟悉與陌生的同類，表現(xiàn)出社交記憶障礙。然而，當(dāng)研究人員在小鼠睡眠剝奪前讓其攝入咖啡因后，這些損傷被完全逆轉(zhuǎn)。咖啡因不僅恢復(fù)了CA2區(qū)的突觸可塑性至正常水平，也修復(fù)了小鼠的社交記憶。更重要的是，研究證實(shí)咖啡因的作用具有高度特異性。它并非全局性地刺激大腦，而是像一把“分子鑰匙”一樣，精確作用于因睡眠不足而功能失調(diào)的腺苷受體信號(hào)通路，從而選擇性地修復(fù)受損的神經(jīng)回路，而未對(duì)正常狀態(tài)下的大腦產(chǎn)生過(guò)度興奮。研究發(fā)表在 Neuropsychopharmacology 上。

#疾病與健康 #神經(jīng)機(jī)制與腦功能解析 #睡眠剝奪 #咖啡因 #社交記憶

閱讀更多：

Wong, Lik-Wei, et al. “Caffeine Reverses Sleep Deprivation-Induced Synaptic and Social Memory Deficits via Adenosine Receptor Modulation in the Male Mouse Hippocampal CA2 Region.” Neuropsychopharmacology, Feb. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41386-026-02362-w

新工具利用簡(jiǎn)短測(cè)驗(yàn)繪制學(xué)生知識(shí)圖譜

傳統(tǒng)的測(cè)驗(yàn)分?jǐn)?shù)如何揭示學(xué)生真正的理解程度？針對(duì)這一教育領(lǐng)域的長(zhǎng)期挑戰(zhàn)，達(dá)特茅斯學(xué)院的Jeremy R. Manning、Paxton C. Fitzpatrick和Andrew C. Heusser團(tuán)隊(duì)報(bào)告了一種創(chuàng)新的數(shù)學(xué)框架。該框架能夠?qū)⒑?jiǎn)單的多項(xiàng)選擇測(cè)驗(yàn)結(jié)果，轉(zhuǎn)化為一幅精細(xì)的學(xué)生個(gè)人知識(shí)地形圖，為實(shí)現(xiàn)真正的個(gè)性化教育和開(kāi)發(fā)下一代AI輔導(dǎo)系統(tǒng)鋪平了道路。

研究的核心方法是利用驅(qū)動(dòng)現(xiàn)代AI的文本嵌入模型，將每一個(gè)知識(shí)概念表示為高維空間中的一個(gè)坐標(biāo)點(diǎn)。在這個(gè)空間里，概念間的關(guān)聯(lián)性由它們的距離決定。研究團(tuán)隊(duì)對(duì)50名本科生在觀看在線物理課程前后的測(cè)驗(yàn)數(shù)據(jù)進(jìn)行了分析。通過(guò)將學(xué)生的回答與概念坐標(biāo)相結(jié)合，該框架為每位學(xué)生生成了一張動(dòng)態(tài)的“知識(shí)地圖”，清晰地標(biāo)示出他們已經(jīng)掌握的知識(shí)領(lǐng)域（高峰）和尚存不足的區(qū)域（山谷）。實(shí)驗(yàn)結(jié)果表明，這些地圖不僅能有效追蹤學(xué)生學(xué)習(xí)過(guò)程中知識(shí)結(jié)構(gòu)的演變，還能精準(zhǔn)預(yù)測(cè)他們?cè)谔囟▎?wèn)題上的表現(xiàn)。這項(xiàng)技術(shù)突破了傳統(tǒng)評(píng)分的局限，它讓教育者能自動(dòng)化地識(shí)別每個(gè)學(xué)生的知識(shí)盲點(diǎn)，并為AI tutors提供深入理解學(xué)生認(rèn)知狀態(tài)的能力，從而提供量身定制的反饋。研究發(fā)表在 Nature Communications 上。

#AI驅(qū)動(dòng)科學(xué) #預(yù)測(cè)模型構(gòu)建 #個(gè)性化教育 #知識(shí)圖譜

閱讀更多：

Fitzpatrick, Paxton C., et al. “Text Embedding Models Yield Detailed Conceptual Knowledge Maps Derived from Short Multiple-Choice Quizzes.” Nature Communications, vol. 17, no. 1, Mar. 2026, p. 2055. www.nature.com, https://doi.org/10.1038/s41467-026-69746-w

觀眾決定表演質(zhì)量：蜜蜂搖擺舞的精準(zhǔn)度取決于聽(tīng)眾

蜜蜂的搖擺舞一直被視為單向信息傳遞的典范，但這種交流是否會(huì)受到觀眾的影響？中國(guó)科學(xué)院西雙版納熱帶植物園的DONG Shihao、TAN Ken及其合作者通過(guò)一系列精巧的實(shí)驗(yàn)揭示，搖擺舞實(shí)際上是一種動(dòng)態(tài)的雙向互動(dòng)，其信息精準(zhǔn)度會(huì)根據(jù)“觀眾”的數(shù)量和構(gòu)成進(jìn)行實(shí)時(shí)調(diào)整。

研究團(tuán)隊(duì)通過(guò)兩種方式操縱蜂巢內(nèi)的“觀眾”環(huán)境：一是在實(shí)驗(yàn)中直接減少潛在的追隨者數(shù)量；二是在保持蜂巢總數(shù)不變的情況下，增加大量無(wú)法跟隨舞蹈的幼蜂。結(jié)果明確顯示，當(dāng)適齡的追-隨者稀少時(shí)，即使舞池因幼蜂存在而顯得擁擠，舞者傳遞信息的精準(zhǔn)度也會(huì)顯著下降。具體表現(xiàn)為，它們編碼食物方向和距離的動(dòng)作變得更加多變。研究人員發(fā)現(xiàn)，缺乏觀眾的舞者在舞蹈的返回階段會(huì)花費(fèi)更多時(shí)間移動(dòng)，覆蓋更廣的范圍，仿佛在積極尋找能夠接收信息的同伴。這種“尋找觀眾”的行為干擾了其維持精確舞蹈動(dòng)作的能力，從而導(dǎo)致信息傳遞的“失真”。這項(xiàng)研究首次直接證明了蜜蜂搖擺舞中存在“觀眾效應(yīng)”，挑戰(zhàn)了其作為單向廣播的傳統(tǒng)觀點(diǎn)。研究發(fā)表在 PNAS 上。

#認(rèn)知科學(xué) #神經(jīng)機(jī)制與腦功能解析 #動(dòng)物行為 #社會(huì)反饋 #蜜蜂

閱讀更多：

Lin, Tao, et al. “The Audience Shapes the Information Content of the Honey Bee Waggle Dance.” Proceedings of the National Academy of Sciences, vol. 123, no. 14, Apr. 2026, p. e2518687123. www.pnas.org, https://doi.org/10.1073/pnas.2518687123

意外獲得的空閑時(shí)間為何感覺(jué)更長(zhǎng)？

工作安排意外取消為何讓人感到無(wú)比自由？Gabriela Tonietto（羅格斯大學(xué)）及俄亥俄州立大學(xué)、多倫多大學(xué)與北京大學(xué)的團(tuán)隊(duì)發(fā)現(xiàn)，意外獲得的空閑時(shí)間會(huì)引發(fā)主觀時(shí)間膨脹，進(jìn)而改變?nèi)藗兊男袨闆Q策和活動(dòng)選擇。

研究團(tuán)隊(duì)招募超2300名參與者開(kāi)展了七項(xiàng)調(diào)查。前四項(xiàng)調(diào)查讓受訪者對(duì)比意外獲得的空閑時(shí)間與常規(guī)預(yù)期空閑時(shí)間。分析表明，由于與原本無(wú)空閑的預(yù)期形成對(duì)比效應(yīng)，意外獲得的一小時(shí)主觀感覺(jué)比普通一小時(shí)更長(zhǎng)。后三項(xiàng)調(diào)查觀察了這種時(shí)間膨脹感對(duì)行為的影響。結(jié)果顯示，時(shí)間充裕感使人們傾向選擇耗時(shí)更長(zhǎng)的活動(dòng)，例如員工會(huì)用45分鐘任務(wù)替代30分鐘任務(wù)，或步行去買咖啡而非在休息室速飲。無(wú)論活動(dòng)是否有生產(chǎn)力，人們均偏好更耗時(shí)選項(xiàng)。此外，空閑出現(xiàn)得越突然，人們?cè)娇赡軐⑵溆糜谛蓍e而非高效工作。這項(xiàng)研究發(fā)表在 Journal of the Association for Consumer Research 上。

#認(rèn)知科學(xué) #意圖與決策 #時(shí)間管理 #心理學(xué)效應(yīng)

閱讀更多：

Tonietto, Gabriela, et al. “Gained Time Is Expanded: Examining the Psychological and Behavioral Consequences of Gaining Time.” Journal of the Association for Consumer Research, Jan. 2026. journals.uchicago.edu (Atypon), https://doi.org/10.1086/740288

社交媒體成精神健康信息雷區(qū)：TikTok誤導(dǎo)性內(nèi)容比例最高

社交媒體上的心理健康科普真的可靠嗎？Alice Carter等（東安格利亞大學(xué)等機(jī)構(gòu)）評(píng)估了多個(gè)平臺(tái)上相關(guān)信息的質(zhì)量。研究揭示各大平臺(tái)充斥著大量缺乏依據(jù)的誤導(dǎo)性內(nèi)容，其中TikTok表現(xiàn)最差，有關(guān)孤獨(dú)癥和ADHD的內(nèi)容誤導(dǎo)率極高。

研究團(tuán)隊(duì)通過(guò)系統(tǒng)性回顧評(píng)估了27項(xiàng)研究，涵蓋TikTok、YouTube等平臺(tái)上的5057條帖子，涉及神經(jīng)多樣性和抑郁癥等主題。結(jié)果顯示，社交媒體誤導(dǎo)信息比例最高達(dá)56.9%。TikTok表現(xiàn)最差，52%的ADHD視頻和41%的孤獨(dú)癥視頻不準(zhǔn)確；YouTube平均誤導(dǎo)率為22%，F(xiàn)acebook低于15%。此外，專業(yè)人員發(fā)布的內(nèi)容準(zhǔn)確性遠(yuǎn)勝普通創(chuàng)作者。在TikTok的ADHD視頻中，僅3%的專業(yè)內(nèi)容存在誤導(dǎo)，而非專業(yè)內(nèi)容的誤導(dǎo)率達(dá)55%。受嚴(yán)格審核機(jī)制影響，YouTube Kids平臺(tái)表現(xiàn)優(yōu)異，抑郁焦慮內(nèi)容零誤導(dǎo)。研究指出算法推薦極大加速了虛假信息的傳播，呼吁專業(yè)醫(yī)生積極參與內(nèi)容創(chuàng)作，并敦促平臺(tái)加強(qiáng)審核以防延誤患者診治。研究發(fā)表在 Journal of Social Media Research 上。

#疾病與健康 #心理健康與精神疾病 #社交媒體 #誤導(dǎo)信息 #神經(jīng)多樣性

閱讀更多：

Carter, Alice, et al. “Quality, Reliability and Misinformation in Mental Health and Neurodivergence Content on Social Media: A Systematic Review.” Journal of Social Media Research, vol. 3, no. 1, Mar. 2026, pp. 30–47. jsomer.org, https://doi.org/10.29329/jsomer.84

AI 行業(yè)動(dòng)態(tài)

定義分布式Attention性能新標(biāo)桿：Sand.ai推出MagiAttention v1.1.0

人工智能基礎(chǔ)設(shè)施公司Sand.ai近日宣布，其核心組件MagiAttention迎來(lái)v1.1.0版本的重大更新。作為專為超長(zhǎng)序列訓(xùn)練設(shè)計(jì)的分布式注意力系統(tǒng)，此次升級(jí)重點(diǎn)針對(duì)英偉達(dá)Hopper與Blackwell兩代GPU架構(gòu)進(jìn)行深度優(yōu)化。研發(fā)團(tuán)隊(duì)引入了基于Flash-Attention 4的FFA_FA4后端，通過(guò)靈活掩碼支持、高效分塊稀疏生成以及寄存器到謂詞（R2P）指令級(jí)加速等創(chuàng)新技術(shù)，在實(shí)現(xiàn)任意掩碼無(wú)縫兼容的同時(shí)，將性能損耗控制在5%以內(nèi)。這些改進(jìn)使得在處理超長(zhǎng)上下文時(shí)，顯存占用和計(jì)算延遲均達(dá)到極致水平，為大規(guī)模多模態(tài)模型的訓(xùn)練提供了底層算力保障。

在分布式擴(kuò)展層面，MagiAttention v1.1.0構(gòu)建了原生Group Collective通信內(nèi)核，徹底重塑了節(jié)點(diǎn)間與節(jié)點(diǎn)內(nèi)的數(shù)據(jù)交換范式。通過(guò)將數(shù)據(jù)重排直接融合進(jìn)通信算子，并采用“NVLink替代冗余RDMA”的傳輸策略，團(tuán)隊(duì)顯著降低了跨機(jī)通信量和內(nèi)存拷貝開(kāi)銷，性能遠(yuǎn)超傳統(tǒng)AlltoAll-v方案。配合基于最小堆貪心算法的負(fù)載均衡調(diào)度器（Dispatch Solver）與自適應(yīng)多階段流水線重疊（Adaptive Multi-Stage Overlap）技術(shù)，該系統(tǒng)能在任意掩碼條件下實(shí)現(xiàn)線性擴(kuò)展。目前，該版本已在Magi-1等大規(guī)模視頻生成模型訓(xùn)練中得到實(shí)證，并被多家科技公司應(yīng)用于多模態(tài)大模型的實(shí)際生產(chǎn)環(huán)境中。

#MagiAttention #分布式AI訓(xùn)練 #GPU算力優(yōu)化 #Blackwell架構(gòu) #長(zhǎng)上下文模型

閱讀更多：

https://sand.ai

AI 驅(qū)動(dòng)科學(xué)

AI精準(zhǔn)定制Ras亞型特異性結(jié)合劑攻克癌癥靶向難題

針對(duì)Ras蛋白各亞型難以被精確區(qū)分的痛點(diǎn)，Jason Z Zhang和David Baker等團(tuán)隊(duì)利用深度學(xué)習(xí)技術(shù)，從頭設(shè)計(jì)出特異性結(jié)合劑。該工具成功實(shí)現(xiàn)了對(duì)特定Ras亞型的精準(zhǔn)追蹤與活性抑制。

該研究利用先進(jìn)的深度學(xué)習(xí)算法，針對(duì)Ras蛋白高度無(wú)序且?guī)Ц唠姾傻腃端（C-terminus，蛋白質(zhì)多肽鏈的末端區(qū)域）展開(kāi)從頭設(shè)計(jì)。研究人員探索了多種計(jì)算策略，應(yīng)用RFDiffusion（一種基于擴(kuò)散模型的蛋白質(zhì)主鏈生成算法）和ProteinMPNN（一種用于優(yōu)化蛋白質(zhì)序列的深度學(xué)習(xí)網(wǎng)絡(luò)）生成候選庫(kù)。隨后結(jié)合AlphaFold2進(jìn)行結(jié)構(gòu)驗(yàn)證與篩選。體外實(shí)驗(yàn)顯示，這些被稱為RIBs的特異性結(jié)合劑親和力極高，且在細(xì)胞內(nèi)追蹤內(nèi)源性Ras亞型的分辨率遠(yuǎn)超現(xiàn)有傳統(tǒng)抗體。研究進(jìn)一步發(fā)現(xiàn)，表達(dá)RIBs會(huì)促使靶向的Ras亞型從細(xì)胞膜轉(zhuǎn)移至細(xì)胞質(zhì)，顯著降低其GTP（Guanosine triphosphate，一種參與細(xì)胞能量與信號(hào)傳導(dǎo)的分子）負(fù)載活性，進(jìn)而阻斷下游信號(hào)級(jí)聯(lián)反應(yīng)。在細(xì)胞模型中，靶向NRAS亞型的結(jié)合劑有效抑制了表達(dá)突變NRAS的白血病細(xì)胞系的增殖。這項(xiàng)研究不僅印證了定位在Ras功能活化中的決定性作用，更為未來(lái)的靶向癌癥干預(yù)開(kāi)辟了新路徑。研究發(fā)表在 Cell chemical biology 上。

#疾病與健康 #預(yù)測(cè)模型構(gòu)建 #分子靶向治療 #深度學(xué)習(xí) #計(jì)算生物學(xué)

閱讀更多：

Zhang, Jason Z., et al. “De Novo Design of Ras Isoform Selective Binders.” bioRxiv, Feb. 2025, p. 2024.08.29.610300. PubMed Central, https://doi.org/10.1101/2024.08.29.610300

仿昆蟲(chóng)機(jī)器人實(shí)現(xiàn)單側(cè)傳感器受損下的穩(wěn)健氣味追蹤

傳統(tǒng)的嗅覺(jué)引導(dǎo)機(jī)器人通常依賴對(duì)稱且完好的雙側(cè)傳感器，一旦部分傳感器在復(fù)雜環(huán)境中受損便會(huì)導(dǎo)致定位失敗。Shunsuke Shigaki、Keisuke Yokota、Ryoko Sekiwa、Daisuke Kurabayashi和Dai Owaki等（日本國(guó)立信息學(xué)研究所、東京理科大學(xué)工學(xué)部和東北大學(xué)工學(xué)研究生院）提出了一種基于家蠶單側(cè)觸角導(dǎo)航機(jī)制的新型仿生策略，成功開(kāi)發(fā)出即使在單側(cè)傳感器失效時(shí)也能精準(zhǔn)追蹤氣味源的機(jī)器人系統(tǒng)。

? 闡明昆蟲(chóng)的適應(yīng)性氣味追蹤機(jī)制：生物分析與工程重建相結(jié)合的方法。Credit: NII

研究團(tuán)隊(duì)以成年雄性家蠶（Bombyx mori）為模式生物，去除了它們的一側(cè)觸角以觀察其對(duì)性信息素的追蹤行為。實(shí)驗(yàn)揭示，家蠶能夠動(dòng)態(tài)整合剩余單側(cè)觸角上探測(cè)到氣味的空間位置信息以及當(dāng)前的飛行航向角，從而靈活調(diào)整行為決策，高精度地抵達(dá)氣味源?；谶@一生物學(xué)發(fā)現(xiàn)，研究人員構(gòu)建了一個(gè)模擬單側(cè)觸角氣味位置估計(jì)功能的系統(tǒng)，并將這種感覺(jué)運(yùn)動(dòng)策略植入一臺(tái)配備嗅覺(jué)傳感器的四足機(jī)器人中。在室內(nèi)受控環(huán)境和存在顯著風(fēng)力干擾的室外復(fù)雜環(huán)境中進(jìn)行的測(cè)試表明，即使人為關(guān)閉機(jī)器人的一側(cè)傳感器，該系統(tǒng)依然能保持與傳感器完好時(shí)相當(dāng)?shù)亩ㄎ恍阅芎透叱晒β?。這種受昆蟲(chóng)啟發(fā)的自適應(yīng)行為補(bǔ)償策略，克服了傳統(tǒng)氣味定位算法在感覺(jué)功能受損時(shí)極易失效的缺陷，為開(kāi)發(fā)適用于災(zāi)害響應(yīng)等長(zhǎng)期任務(wù)的穩(wěn)健自主系統(tǒng)提供了重要指導(dǎo)。研究發(fā)表在 npj Robotics 上。

#認(rèn)知科學(xué) #機(jī)器人及其進(jìn)展 #仿生學(xué) #嗅覺(jué)導(dǎo)航 #自適應(yīng)行為

閱讀更多：

Shigaki, Shunsuke, et al. “Insect-Inspired Adaptive Behavioral Compensation Strategy against Olfactory Sensory Deficiency for Robotic Odor Source Localization.” Npj Robotics, vol. 4, no. 1, Feb. 2026, p. 12. www.nature.com, https://doi.org/10.1038/s44182-026-00080-5

突破靜態(tài)限制：人工神經(jīng)網(wǎng)絡(luò)成功重現(xiàn)四足動(dòng)物動(dòng)態(tài)步態(tài)

如何讓靜態(tài)模型生成動(dòng)態(tài)行為節(jié)律是一個(gè)長(zhǎng)期存在的計(jì)算難題。布朗大學(xué)與北科羅拉多大學(xué)的 Juliana Londono Alvarez 、 Katherine Morrison 和 Carina Curto 開(kāi)發(fā)出一種人工神經(jīng)網(wǎng)絡(luò)，成功重現(xiàn)了四足動(dòng)物的多種步態(tài)模式及其無(wú)縫轉(zhuǎn)換。

長(zhǎng)期以來(lái)，神經(jīng)科學(xué)家多利用吸引子網(wǎng)絡(luò)來(lái)模擬靜態(tài)大腦行為，如提取記憶信息。為了突破這一限制，研究團(tuán)隊(duì)利用閾值線性網(wǎng)絡(luò)構(gòu)建了一個(gè)僅包含24個(gè)人工神經(jīng)元的精簡(jiǎn)動(dòng)態(tài)模型。該模型創(chuàng)造性地分為兩個(gè)模塊：一個(gè)是負(fù)責(zé)接收外部輸入信號(hào)的計(jì)數(shù)器網(wǎng)絡(luò)，另一個(gè)是將跳躍、踱步、小跑、行走和彈跳等五種步態(tài)編碼為極限環(huán)（limit cycles，動(dòng)力系統(tǒng)中的一種閉合軌跡）的運(yùn)動(dòng)網(wǎng)絡(luò)。研究人員引入了一種全新的分層融合架構(gòu)，將這兩個(gè)模塊結(jié)合起來(lái)。結(jié)果顯示，該網(wǎng)絡(luò)能夠在無(wú)需調(diào)整任何參數(shù)的情況下，自主生成這五種截然不同的四足動(dòng)物步態(tài)，并能精準(zhǔn)捕捉它們之間的快速轉(zhuǎn)換，例如從小跑到行走的瞬間切換。這表明控制記憶編碼的底層原理同樣適用于生成復(fù)雜的動(dòng)態(tài)節(jié)律。此外，與當(dāng)前依賴龐大算力和互聯(lián)網(wǎng)連接的控制程序相比，這種小型且高效的神經(jīng)網(wǎng)絡(luò)為機(jī)器人領(lǐng)域提供了新思路，有望使未來(lái)的四足機(jī)器人實(shí)現(xiàn)完全離線運(yùn)行。研究發(fā)表在 Neural Computation 上。

#神經(jīng)科學(xué) #計(jì)算模型與人工智能模擬 #吸引子網(wǎng)絡(luò) #步態(tài)模式 #四足機(jī)器人

閱讀更多：

Alvarez, Juliana Londono, et al. “Attractor-Based Models for Sequences and Pattern Generation in Neural Circuits.” Neural Computation, vol. 38, no. 3, Feb. 2026, pp. 257–91. Silverchair, https://doi.org/10.1162/NECO.a.1492

利用壓電材料開(kāi)發(fā)無(wú)電機(jī)類鳥(niǎo)機(jī)器人

傳統(tǒng)無(wú)人機(jī)依賴電機(jī)與齒輪傳動(dòng)，難以媲美鳥(niǎo)類的高效飛行。羅格斯大學(xué)的Xin Shan與Onur Bilgen提出了固態(tài)撲翼機(jī)設(shè)計(jì)方案，成功利用智能材料的形變直接驅(qū)動(dòng)機(jī)翼拍打，大幅提升了飛行器的靈活性。

? 奧努爾·比爾根教授（圖中）正與羅格斯大學(xué)工程系學(xué)生合作，研發(fā)一種由電壓驅(qū)動(dòng)智能材料驅(qū)動(dòng)的類鳥(niǎo)機(jī)器人原型。（從左至右）研究生艾漢·奧澤爾、達(dá)里奧·戈塞夫斯基、貝扎維特·格布雷和巴圖漢·耶爾德勒姆展示了即將進(jìn)行風(fēng)洞試驗(yàn)的模型。Credit: Bilgen Lab

該研究摒棄了傳統(tǒng)的電機(jī)驅(qū)動(dòng)機(jī)制，轉(zhuǎn)而利用壓電效應(yīng)開(kāi)發(fā)新型撲翼機(jī)。研究人員將宏觀纖維復(fù)合材料直接粘貼在柔性碳纖維機(jī)翼上。當(dāng)施加電流時(shí)，機(jī)翼無(wú)需任何額外的關(guān)節(jié)或連接件即可產(chǎn)生拍動(dòng)與扭轉(zhuǎn)。為了解決這種無(wú)齒輪復(fù)雜系統(tǒng)的設(shè)計(jì)難題，團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)強(qiáng)大的多物理場(chǎng)有限狀態(tài)全耦合模型。該模型結(jié)合了瑞利-里茲法（Rayleigh-Ritz method，一種用于求解復(fù)雜結(jié)構(gòu)變形及自振頻率的近似計(jì)算數(shù)學(xué)方法）和經(jīng)驗(yàn)狀態(tài)空間西奧多森函數(shù)（empirical state space Theodorsen function，用于計(jì)算非定?？諝鈩?dòng)力學(xué)氣動(dòng)力響應(yīng)的函數(shù)模型），將機(jī)翼形變、多體動(dòng)力學(xué)、流固耦合以及機(jī)電耦合緊密結(jié)合在一起。結(jié)果表明，這種固態(tài)設(shè)計(jì)消除了機(jī)械部件的摩擦與重量負(fù)擔(dān)，系統(tǒng)可以借助通電材料直接在真實(shí)環(huán)境中高效響應(yīng)。模型幫助工程師在軟件中虛擬測(cè)試并優(yōu)化了機(jī)身慣性、壓電裝置位置及激發(fā)電壓頻率等關(guān)鍵變量，證明了無(wú)機(jī)構(gòu)設(shè)計(jì)在微型航空系統(tǒng)領(lǐng)域的巨大潛力。研究發(fā)表在 Aerospace Science and Technology 上。

#其他 #機(jī)器人及其進(jìn)展 #壓電效應(yīng) #多物理場(chǎng)仿真 #撲翼機(jī)

閱讀更多：

Shan, Xin, and Onur Bilgen. “Multi-Physics Finite State Fully Coupled Modeling of Mechanism-Free Induced-Strain Actuated Ornithopters.” Aerospace Science and Technology, vol. 166, Nov. 2025, p. 110573. ScienceDirect, https://doi.org/10.1016/j.ast.2025.110573

結(jié)合多模態(tài)數(shù)據(jù)的人工智能準(zhǔn)確預(yù)測(cè)高風(fēng)險(xiǎn)駕駛員

道路交通事故常源于人為失誤，傳統(tǒng)基于經(jīng)驗(yàn)的駕駛員篩選方法難以有效預(yù)警風(fēng)險(xiǎn)。Malek Masmoudi與Imad Alsyouf等人（沙迦大學(xué)）開(kāi)發(fā)出一種整合心理、生理及人口統(tǒng)計(jì)學(xué)特征的機(jī)器學(xué)習(xí)框架，成功在上路前精準(zhǔn)分類并預(yù)測(cè)高風(fēng)險(xiǎn)駕駛員。

? 城市汽車駕駛模擬軟件駕駛員視角。Credit: Engineering Applications of Artificial Intelligence (2025).

該研究構(gòu)建了一個(gè)數(shù)據(jù)驅(qū)動(dòng)的多模態(tài)評(píng)估框架。研究團(tuán)隊(duì)招募了80名參與者，首先通過(guò)結(jié)構(gòu)化問(wèn)卷收集包括尋求刺激、盡責(zé)性在內(nèi)的9項(xiàng)心理特征及人口統(tǒng)計(jì)學(xué)數(shù)據(jù)。隨后參與者在高度還原迪拜擁堵路況的駕駛模擬器中完成10分鐘測(cè)試。測(cè)試期間系統(tǒng)利用可穿戴設(shè)備追蹤心率、眨眼頻率、瞳孔直徑以及視線偏移等生理與視覺(jué)指標(biāo)。結(jié)合模擬測(cè)試中記錄的客觀事故結(jié)果，研究采用K近鄰算法等進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)。結(jié)果表明K近鄰算法表現(xiàn)最佳，預(yù)測(cè)準(zhǔn)確率達(dá)百分之九十三點(diǎn)七五，且假陰性率為零。特征分析證實(shí)視線偏移、尋求刺激傾向、盡責(zé)性以及性別是預(yù)測(cè)安全風(fēng)險(xiǎn)的最佳指標(biāo)。天性自律者傾向謹(jǐn)慎駕駛，而頻繁視線游離的駕駛員發(fā)生事故的概率顯著攀升。這項(xiàng)研究發(fā)表在 Engineering Applications of Artificial Intelligence 上。

#AI驅(qū)動(dòng)科學(xué) #預(yù)測(cè)模型構(gòu)建 #交通安全 #機(jī)器學(xué)習(xí) #心理特征

閱讀更多：

Masmoudi, Malek, et al. “Driver Risk Classification for Transportation Safety: A Machine Learning Approach Using Psychological, Physiological, and Demographic Factors with Driving Simulator.” Engineering Applications of Artificial Intelligence, vol. 162, Dec. 2025, p. 112585. ScienceDirect, https://doi.org/10.1016/j.engappai.2025.112585

語(yǔ)境連貫但用詞相異：GPT-4o在結(jié)構(gòu)化心理治療對(duì)話中的對(duì)齊度測(cè)試

大語(yǔ)言模型在心理健康領(lǐng)域的廣泛應(yīng)用引發(fā)了關(guān)于其能否遵循循證心理治療原則的擔(dān)憂。Bazen Gashaw Teferra、Sandra Huang和Nabil Johny等評(píng)估了模型在動(dòng)機(jī)訪談中的表現(xiàn)，發(fā)現(xiàn)大模型能夠生成符合語(yǔ)境的響應(yīng)，但在語(yǔ)義對(duì)齊和長(zhǎng)對(duì)話連貫性上仍存在明顯局限。

該研究交叉分析了154次高保真動(dòng)機(jī)訪談（Motivational Interviewing，一種旨在促進(jìn)患者行為改變的協(xié)作式結(jié)構(gòu)化溝通方法）記錄中的3706次對(duì)話。研究團(tuán)隊(duì)使用GPT-4o模型生成回復(fù)，并通過(guò)兩種自動(dòng)化指標(biāo)進(jìn)行評(píng)估。結(jié)果顯示，基于深度學(xué)習(xí)的上下文連貫性指標(biāo)平均得分為0.72，顯著高于平均得分為0.29的余弦相似度。這表明模型生成的回復(fù)在語(yǔ)境上是恰當(dāng)?shù)?，但遣詞造句與人類不同。此外，當(dāng)人類治療師的主題一致性較高時(shí)，模型的表現(xiàn)也隨之提升。然而，隨著對(duì)話延長(zhǎng)，模型表現(xiàn)輕微下降，回復(fù)變得冗長(zhǎng)。研究還發(fā)現(xiàn)，模型偏向共情反饋，而人類更注重對(duì)話節(jié)奏。研究發(fā)表在 JAMA Netw Open 上。

#大模型技術(shù) #心理健康與精神疾病 #動(dòng)機(jī)訪談 #自然語(yǔ)言處理 #人工智能評(píng)估

閱讀更多：

Teferra, Bazen Gashaw, et al. “Alignment of Large Language Model Responses With Human Therapists in Motivational Interviewing.” JAMA Network Open, vol. 9, no. 3, Mar. 2026, p. e262750. PubMed, https://doi.org/10.1001/jamanetworkopen.2026.2750

整理｜ChatGPT

編輯｜丹雀、存源

關(guān)于追問(wèn)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(wèn)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。歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。您也可以在后臺(tái)提問(wèn)，我們將基于追問(wèn)知識(shí)庫(kù)為你做出智能回復(fù)哦~

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?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

研究院在華山醫(yī)院、上海市精神衛(wèi)生中心分別設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工陳天橋雒芊芊神經(jīng)科學(xué)研究院。

研究院還建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、、科普視頻媒體「大圓鏡」等。