一鍵關注，點亮星標 ?? 前沿不走丟！

認知神經(jīng)科學前沿文獻分享

基本信息

Title:Adversarial AI reveals mechanisms and treatments for disorders of consciousness

發(fā)表時間：2026.3.24

發(fā)表期刊:Nature Neuroscience

影響因子：20.0

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

研究背景

意識是如何產(chǎn)生的，又是如何在昏迷等狀態(tài)下消散的，這始終是腦科學與認知神經(jīng)科學領域最迷人也最難解的謎題之一。對于昏迷、植物狀態(tài)和微意識狀態(tài)等意識障礙（DOC）患者，臨床上目前主要依賴“中介環(huán)路假說”來理解其發(fā)病機制。該假說認為，廣泛的前腦損傷會導致皮層、紋狀體、蒼白球和中央丘腦之間的大范圍神經(jīng)環(huán)路功能異常，進而削弱大腦的覺醒與意識水平。

然而，這一領域長期存在一個局限：由于缺乏合適的意識障礙實驗模型，科學家一直難以在真實大腦中直接驗證這些神經(jīng)環(huán)路層面的理論，這也導致了深部腦刺激（DBS）等臨床干預手段缺乏精準的靶點依據(jù)和機制解釋。

為了打破這一僵局，Daniel Toker及其團隊近期在Nature Neuroscience上發(fā)表了一項極具開創(chuàng)性的研究。他們巧妙地引入了生成對抗人工智能（AI）框架，將超過68萬份跨越人類、猴子、老鼠和蝙蝠的真實神經(jīng)電生理數(shù)據(jù)喂給深度神經(jīng)網(wǎng)絡，讓其與具有生物物理學意義的計算神經(jīng)模型進行“對抗”。通過這種無需顯式人工編程的迭代進化，AI不僅在數(shù)字世界中逼真地重構了清醒與昏迷的大腦狀態(tài)，還為理解無意識的底層神經(jīng)機制以及尋找新的神經(jīng)調(diào)控療法提供了顛覆性的視角。

Fig. 1 | DCNN-based consciousness detection across species and brain regions.

研究核心總結

一、AI重構并拓展經(jīng)典神經(jīng)環(huán)路假說

研究表明，這套生成對抗AI模型在未經(jīng)過顯式編程的情況下，自動推演出了意識障礙患者大腦中已知的病理特征。結果顯示，昏迷大腦中皮層對丘腦和紋狀體的驅動減弱，同時紋狀體至蒼白球通路也發(fā)生了中斷，這與經(jīng)典的“中介環(huán)路假說”高度吻合。通過這種宏觀的計算模擬，研究不僅證實了該假說的核心邏輯，還為后續(xù)揭示更微觀的認知神經(jīng)機制奠定了基礎。

Fig. 2 | A generative AI model of the conscious thalamocortical–basal ganglia system.

二、發(fā)現(xiàn)大腦皮層抑制性突觸的異常增強

研究發(fā)現(xiàn)了一個全新的無意識驅動機制，即大腦皮層中抑制性神經(jīng)元之間的突觸耦合出現(xiàn)了異常增強。為了驗證這一前衛(wèi)的理論預測，研究人員對急性創(chuàng)傷性昏迷患者的皮層組織進行了單核RNA測序分析。結果顯示，在這些患者的快速發(fā)放型小白蛋白（PV）中間神經(jīng)元中，與突觸生成相關的VGF和SCG2基因表達顯著上調(diào)。這一跨越計算腦網(wǎng)絡建模與分子生物學的交叉驗證，直擊了意識喪失的微觀神經(jīng)機制。

Fig. 3 | An AI-driven mesocircuit model of DOC.

三、精準鎖定基底神經(jīng)節(jié)“間接通路”的選擇性受損

結果顯示，意識喪失還與基底神經(jīng)節(jié)內(nèi)部一條特定通路的斷裂密切相關。AI模型預測，從表達D2受體的紋狀體神經(jīng)元投射到外部蒼白球（GPe）的連接出現(xiàn)了選擇性退化。研究團隊隨后通過對51名意識障礙患者的彌散張量成像（DTI）影像數(shù)據(jù)進行深入分析，證實了植物狀態(tài)患者的左側紋狀體至外部蒼白球的結構連通性確實顯著降低。這種對特定通路受損的精準定位，為理解覺醒水平的持續(xù)下降提供了直接的結構解剖學證據(jù)。

Fig. 4 | Upregulation of cortical PV → PV synaptogenic genes, an AI-predicted driver of pathological unconsciousness, in acute traumatic coma and severe ischemic stroke.

四、發(fā)現(xiàn)喚醒意識的深部腦刺激新靶點

該研究不僅揭示了致病機制，更找到了極具潛力的臨床干預策略。通過在數(shù)字大腦中模擬不同腦區(qū)和頻率的深部腦刺激，AI模型識別出對丘腦底核（STN）進行高頻刺激是恢復意識的最優(yōu)干預手段。這一計算預測在隨后的人類清醒患者腦電圖數(shù)據(jù)中得到了初步的轉化驗證，接受高頻丘腦底核刺激的患者，其AI預測的意識水平指數(shù)出現(xiàn)了顯著的提升。

Fig. 5 | Structural connectivity between the striatum and the GPe is reduced in patients in a VS, matching AI predictions.

研究意義

該研究首創(chuàng)性地利用生成對抗AI框架，不僅在環(huán)路和分子層面上揭示了意識障礙的全新認知與神經(jīng)病理機制，更精準鎖定了丘腦底核作為恢復意識的潛在治療靶點，為復雜腦系統(tǒng)科學的因果推斷和腦機接口療法開發(fā)開辟了全新的范式。

Fig. 6 | Effect of DBS on AI-predicted levels of consciousness.

Abstract

Understanding disorders of consciousness (DOC) remains one of the most challenging problems in neuroscience, hindered by the lack of experimental models for probing mechanisms or testing interventions. Here, to address this, we introduce a generative adversarial artificial intelligence (AI) framework that pits deep neural networks—trained to detect consciousness across more than 680,000 ten-second neuroelectrophysiology samples and validated on 565 patients, healthy volunteers and animals—against interpretable, machine learning-driven neural field models. This adversarial architecture produces biologically realistic simulations of both conscious and comatose brains that recapitulate empirical neurophysiological features across humans, monkeys, rats and bats. Without explicit programming, the AI model retrodicts known DOC responses to brain stimulation and generates testable predictions about the mechanisms of unconsciousness. Two such predictions are validated here: selective disruption of the basal ganglia indirect pathway, supported by diffusion magnetic resonance imaging in 51 patients with DOC, and increased cortical inhibitory-to-inhibitory synaptic coupling, supported by RNA sequencing of resected brain tissue from 6 human patients with coma and a rat stroke model. The model also identifies high-frequency stimulation of the subthalamic nucleus as a promising intervention for DOC, supported by electrophysiological data from human patients. This work introduces an AI framework for causal inference and therapeutic discovery in consciousness research, as well as in complex systems more broadly.

請打分

這篇剛剛登上Nature Neuroscience的研究，是否實至名歸？我們邀請您作為“云審稿人”，一同品鑒。精讀全文后，歡迎在匿名投票中打分，并在評論區(qū)分享您的深度見解。

分享人：飯鴿兒

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經(jīng)科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及 Nat Neurosci, Nat Hum Behav, Neuron, Sci Adv 等核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」，為你打破信息差

科研是一場探索未知的長跑，但你無需獨行。歡迎志同道合的你加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵分享，讓更多人了解前沿