追问daily 通过EEG信号重建视觉刺激；使用尖峰神经网络进行预测编码；OpenAI将在两周内发布Strawberry
肌萎缩性侧索硬化症（ALS）是一种严重的神经退行性疾病，影响运动神经元，导致渐进性肌肉无力和瘫痪，患者通常在诊断后的2到5年内死亡。比利时弗拉芒生物技术研究所（VIB）的研究团队针对ALS的病理机制展开了研究，发现了酶EGLN2在其中的关键作用。
研究团队使用了寡核苷酸和基因敲除技术，分别在两种ALS斑马鱼模型和一种小鼠模型中降低了Egln2的表达，结果显示这些模型的ALS症状显著缓解，运动神经元的损伤也得到了保护。通过单核RNA测序技术，研究人员进一步发现，EGLN2酶的抑制能够在ALS小鼠的星形胶质细胞中减少干扰素刺激基因的表达，这表明该酶在调节ALS炎症反应中起到了关键作用。此外，在源自ALS患者的诱导多能干细胞中，EGLN2的基因敲除恢复了干扰素通路，进一步验证了其在炎症调节中的作用。这些发现表明，抑制EGLN2酶有望成为减缓ALS进展的潜在治疗策略。研究发表在 Cell Reports 上。
荷兰神经科学研究所的研究团队最近揭示了大脑在接受闪烁光刺激时产生幻觉的神经机制。自19世纪以来，科学家们已知强光闪烁能诱发几何图形的幻觉，但其背后生理机制的确切证据仍然缺乏。团队通过使用小鼠模型，成功捕捉到了大脑中与幻觉相关的驻波现象（standing waves）。
研究团队使用经过基因改造的小鼠，这些小鼠体内的特定神经元被荧光标记。当这些神经元活动时会发出荧光，研究人员借此通过高空间分辨率的宽视野成像和高时间分辨率的荧光信号记录，观察小鼠初级视觉皮层（V1）在不同频率闪烁光刺激下的反应。
结果显示，小鼠视觉皮层对10Hz、15-20Hz和40-50Hz频率的闪烁光产生了显著的共振反应。这些频率下的脑活动表现出驻波特性，即一些区域的神经活动增强，而其他区域则较为静止。研究还发现，这些驻波现象符合线性波动方程的解，表明这些脑波是由闪烁光频率引发的。虽然无法直接询问小鼠是否产生了几何幻觉，但实验结果与人类的幻觉体验高度一致，这为光闪烁引发幻觉的机制提供了新的实验证据。研究发表在Current Biology上。
巴黎脑研究所的Eric Burguière团队的最新研究表明，通过神经刺激技术可以有效提前阻止强迫行为，尤其是在强迫症（OCD）等疾病中，这些行为会严重影响患者的生活。研究团队通过基因改造小鼠模型，结合光遗传学和人工智能技术，成功阻止了实验小鼠的强迫性梳理行为。
研究团队选用了Sapap3基因敲除小鼠作为强迫行为模型。这些小鼠表现出类似强迫症患者的过度自我梳理行为。团队首先通过光遗传学技术连续激活纹状体中的抑制性神经元，这些神经元的作用是调节纹状体的活动。激活后，小鼠的强迫性梳理行为明显减少，恢复到了正常水平。
为了提高干预的效率，研究人员进一步开发了闭环光遗传刺激系统，基于额叶皮层中1-4Hz的脑波作为行为的预警信号，提前进行神经刺激。结果表明，闭环刺激与连续刺激的效果相同，但所需的刺激时间减少了87%。该研究为未来的神经刺激疗法提供了新的方向，尤其是在降低能耗和减少手术需求方面。这项研究发表在Nature Neuroscience期刊上。
由伦敦大学学院和伯克贝克大学的研究团队领导，这项研究致力于开发一款能在真实世界环境中测量婴儿大脑活动的可穿戴设备。通过这项技术，科学家们首次能够详细观察婴儿在日常互动中的大脑活动，尤其是在社交场景中的情绪处理和认知发展。
研究团队使用了高密度扩散光学断层扫描（HD-DOT）技术，这是一种通过测量皮层内血红蛋白浓度变化，来追踪功能性大脑活动的光学成像技术。在这项研究中，16名5-7个月大的婴儿参与实验，佩戴该设备时观看模拟社交场景和非社交场景的视频。实验结果表明，在社交刺激下，婴儿的前额皮层出现了意外的活跃信号，这表明婴儿早在五个月大时就能够处理复杂的社交信息。此外，研究还验证了在社交刺激下，大脑活动的区域更加局部化，而非社交刺激引发的活动则较为分散。研究发表在 Imaging Neuroscience 上。
本研究由克利夫兰大学医院和凯斯西储大学的研究团队联合进行，旨在探究创伤性脑损伤（TBI）如何导致慢性神经退行性疾病的发生。研究团队关注线粒体功能失衡，特别是线）的异常表达在TBI后对神经健康的影响。
研究团队通过小鼠实验和人类样本分析，发现TBI会引发线）的表达上升，导致线粒体分裂失衡，并进而引发慢性神经退行性病变。研究人员在TBI发生后使用一种名为P110的小肽药物，在急性期内短期抑制Fis1与其合作蛋白Drp1的结合，成功阻止了慢性神经退行性变化的发展。
具体来说，短期药物干预不仅防止了线粒体功能障碍，还保护了血脑屏障，减少了氧化损伤和轴突退化，并且显著改善了长期的认知功能。重要的是，研究还发现，治疗必须在TBI发生后的早期阶段进行，延迟治疗则未能产生相同的保护效果。这表明TBI后的急性期可能是预防慢性神经退行性病变的关键时间窗口。研究发表在 Cell Reports Medicine 上。
Kessler基金会的研究人员进行了一项关于延迟反馈对中度至重度创伤性脑损伤（TBI）患者学习表现的影响的研究。此前的研究大多关注即时反馈，而延迟反馈对TBI患者的影响尚未得到充分研究。
研究共招募了28名中度至重度TBI患者，参与者完成了一项配对学习任务，并在任务中接受功能性磁共振成像（fMRI）扫描。任务中，反馈分为三种情况：即时反馈、延迟反馈和无反馈（控制组）。研究的主要指标包括学习准确率、任务后自信心评分、问卷调查以及脑部BOLD信号。研究结果表明，延迟反馈显著提升了参与者的学习表现，与即时反馈和无反馈相比，延迟反馈组的学习准确率更高。此外，延迟反馈还提升了参与者的自信心，且在处理延迟反馈时，大脑顶上小叶和角回的激活水平较高。这些区域与记忆检索和增强记忆信心相关。
研究推测，延迟反馈可能绕过了TBI患者中受损的纹状体多巴胺系统（该系统负责即时反馈的学习），从而促进了学习的提升。该研究对于TBI康复具有重要意义，表明在康复训练中适当延迟反馈可能改善患者的学习效果。该研究发表在The Journal of Head Trauma Rehabilitation上。
胶质母细胞瘤是一种致命的脑癌，主要通过大脑白质中的胼胝体入侵扩散。欧洲分子生物学实验室（EMBL）与海德堡大学的科学家们联合开发了一种新的显微成像技术，结合人工智能，能够在深脑组织中长时间追踪胶质母细胞瘤的扩散行为。
该研究基于活体成像技术和人工智能分析流程Deep3P，成功克服了以往显微技术在大脑白质中的成像深度和信噪比问题。研究团队在小鼠胼胝体的白质区域内，对深达1.2毫米的胶质母细胞瘤进行了长时间成像，发现肿瘤细胞主要沿血管周围路径入侵。此外，研究揭示了两种肿瘤细胞在白质中的迁移机制，并首次观察到肿瘤细胞在侵入白质后的形态变化，这一变化可能成为早期诊断的影像学生物标志物。通过AI去噪与组织结构识别，研究团队清晰地辨别出髓鞘化纤维与血管结构，为胶质母细胞瘤的早期检测和治疗提供了新途径。研究发表在 Nature Communications 上。
据科技媒体 The Information 报道，两位测试过该模型的人士表示，OpenAI 计划在未来两周内将Strawberry作为 ChatGPT 服务的一部分发布。Strawberry旨在提升AI的推理能力，采用类似心理学家Daniel Kahneman所提的“系统2”思维模式，即一种慢速、深思熟虑、分析性强的思维方式，与OpenAI现有的GPT-4模型相比，Strawberry需要更多时间（10至20秒）来处理输入和生成更精确的输出。
Strawberry的核心在于其增强的推理与问题解决能力，尤其是在解决数学问题方面表现突出。此外，Strawberry可能会融入到OpenAI未来的语言模型中，比如被称为Orion或GPT-5的模型。
这一模型的推理机制与2022年发表的“自学推理器”（STaR）研究存在相似之处。STaR通过生成逐步推理过程来提升语言模型的推理能力，并通过自我学习的迭代过程，不断优化模型的表现。STaR和Strawberry都证明了通过链式推理，AI在解决复杂问题时的高效性与透明度。
随着AI模型的不断升级，训练成本也备受关注。据OpenAI CEO Sam Altman透露，训练GPT-4的成本已超过1亿美元，未来的模型可能需要数亿美元甚至更高的投入。
近日，Chai Discovery公司推出了一款名为Chai-1的多模态基础模型，专注于分子结构预测，旨在加速药物研发进程。该模型支持预测蛋白质、小分子、DNA、RNA等多种生物分子结构，并在多项关键任务中表现优异，达到行业最前沿水平。Chai-1在PoseBusters基准测试中取得了77%的成功率，超越了AlphaFold3的76%。在CASP15蛋白质单体结构预测任务中，其Cα LDDT得分为0.849，也显著高于ESM3-98B。
Chai-1的一个独特优势是能够在无需多序列比对（MSA）的情况下完成高精度预测，尤其是在多聚体结构预测中，其表现超过了MSA依赖的AlphaFold-Multimer模型。此外，该模型还具备多模态能力，能够通过实验室提供的约束数据提升预测精度。例如，在抗体-抗原结构预测任务中，Chai-1在结合少量接触位点数据的条件下，将预测准确率提升了一倍。
Chai-1目前已免费开放供研究和商业用途，用户可以通过网页界面或GitHub仓库获取模型及推理代码。Chai Discovery团队表示，该模型只是开始，未来将继续开发更多AI基础模型，以推动生物分子相互作用的预测和再编程，为生物学转化为工程学铺平道路。
南加州大学的Maryam Shanechi教授及其团队开发了一种名为DPAD的新型AI算法，旨在解决如何从复杂脑活动中分离出与特定行为相关的模式。这一技术突破将为脑机接口的发展提供重要帮助，特别是在帮助瘫痪患者恢复运动能力方面。
该研究采用DPAD算法，针对大脑在执行不同任务时的神经活动进行分析。该算法通过非线性动力学建模，利用神经网络架构优先学习与目标行为（如手臂运动）相关的脑电活动模式，并剔除其他无关的脑电活动。研究分析了皮层尖峰活动和局部场电位（LFP）的神经信号，发现DPAD算法能够比传统方法更准确地预测行为。此外，研究还证明DPAD算法能有效地减少神经信号的维度，揭示神经-行为转换中的非线性特征。
这项研究的一个重要发现是，神经活动中的非线性主要集中在从大脑皮层的潜在动态到具体行为的映射上。DPAD算法不仅可以用于运动任务，还能扩展到解码心理状态（如抑郁或疼痛），为精神健康问题的个性化治疗提供数据支持。研究发表在Nature Neuroscience上。
弗里德里希-亚历山大大学埃尔朗根-纽伦堡分校的研究团队与埃尔朗根大学医院的癫痫中心合作，使用从癫痫患者大脑中植入电极的数据，揭示了大脑在无外部刺激时的自发活动对认知和情感处理的关键作用。
研究团队使用了自编码器（auto-encoder），这是一种能够发现复杂数据中模式的高级人工智能技术，用以分析局部场电位（local field potential, LFP）事件。这些LFP事件是大脑在没有外部刺激的情况下自发产生的电生理信号，研究发现这些事件可能是理解人类认知过程的关键。在研究中，LFP事件的形状可以指示信号在大脑不同区域间的流向，这有助于揭示大脑如何在不同情况下处理信息。此外，研究还证明了LFP形状的多样性，可以帮助识别大脑在单次事件中的信息处理模式。这一发现为未来的脑疾病诊断和治疗方法提供了重要启示，并可能推动新的人工智能系统发展，使其具备类似大脑的持续预测能力。研究发表在 NeuroImage 上。
随着生成式人工智能（AI）工具如ChatGPT的广泛应用，科学界面临着越来越多的AI生成虚假文章威胁。为了解决这一问题，研究团队开发了xFakeSci算法，旨在识别和区分AI生成的虚假科学内容与真实的科学文章。研究团队通过网络模型和数据驱动的校准步骤，提高了算法的准确性。
研究团队首先利用提示工程生成了关于癌症、抑郁症和阿尔兹海默病的假文章，随后通过训练模型分析AI生成内容与人类撰写内容的差异。xFakeSci算法基于网络驱动的标签预测，能够区分AI生成的文章和真实的科学文章。训练过程中，研究人员采用了3952篇假文章，并使用100篇文章进行校准，以避免过拟合现象。
测试中，算法使用了来自PubMed和ChatGPT生成的文章，分别分析了各自的节点和边缘数量差异。xFakeSci在抑郁症、癌症和阿尔兹海默病领域的F1评分分别为80%、91%和89%，显著高于传统算法如支持向量机、朴素贝叶斯（Naive Bayes）等，后者的F1得分在38%-52%之间。此外，研究指出AI生成的内容在文档结构上与真实科学文章存在显著差异，xFakeSci能够有效识别这些差异。研究发表在 Scientific Reports 上。
随着神经网络技术的飞速发展，突触预测编码作为一种模仿大脑功能的计算模型，正引起越来越多的关注。突触预测编码在理论上承载着极高的期望，它能够在硬件上实现高效的信息处理，尤其是在能效边缘计算平台上显示出巨大的潜力。
研究者们将突触预测编码的发展历程概括为三大类方法。第一类方法通过显式定义错误神经元来编码预测误差，这些模型可以模拟生物学中观测到的现象，例如错配负性（MMN）。第二类方法则利用神经元的膜电位作为预测误差的代表，显示出预测编码不能独立于解码算法制定，而且编码与解码紧密相关。第三类方法中，预测误差通过突触神经网络的激发与抑制突触之间的竞争隐式编码，展示了无需显式错误单元也能实现预测误差编码的可能。
此外，研究还探讨了突触预测编码在神经形态学硬件上的应用。通过将预测编码的算法映射到突触神经元上，研究者们尝试在硬件上复现大脑处理信息的方式，以达到提高计算效率和降低能耗的目的。虽然这一领域的研究还处于起步阶段，但已经展现出将深度学习技术与神经形态学硬件结合的巨大潜力。
研究的未来方向包括进一步探索预测编码模型在实际应用中的表现，以及如何优化这些模型以适应不同的硬件平台。随着研究的深入，突触预测编码有望成为连接人工智能与生物学原理的重要桥梁。
在最新的研究中，研究团队开发了一种名为“BrainDecoder”的新方法，它通过电脑和大脑的接口技术，能够从脑电图（EEG）信号中重建视觉刺激。这项技术不仅能够复原被试者看到的图像内容，还能重建图像的风格，如颜色和纹理。
研究团队通过将EEG信号与CLIP（Contrastive Language–Image Pretraining）模型的图像和文本嵌入进行对齐，提出了一种新的框架。这一双重对齐策略显著提高了模型重建图像的精确度和质量，使得生成的图像在风格和语义上都更接近原始视觉刺激。
实验结果显示，与现有技术相比，“BrainDecoder”在多个评估指标上都有显著提升，例如，在50类单一分类准确率测试中，该模型达到了95.2%的准确率，重建的图像在细节上与原始图像高度一致，特别是在颜色和纹理方面。此技术的成功开辟了利用EEG信号进行精确视觉重建的新途径，对未来脑机接口的发展具有重要的理论和实际意义。
近年来，深度学习在基于运动想象（MI）的脑机接口（BCI）系统中取得了重要进展，显著提升了对脑电图（EEG）信号的解码能力。然而，现有研究在跨个体的MI任务中难以识别出具备区分性的信号模式，导致MI分类性能受限。为应对此问题，本文提出了MixNet——一个全新的分类框架，结合了频谱-空间信号及名为MIN2Net的多任务学习架构进行分类。MixNet通过滤波器组常规空间模式（FBCSP）方法生成MI数据的频谱-空间信号，并通过自适应梯度融合调控多个损失权重，根据任务的泛化和过拟合趋势，动态调整各任务的学习速度，从而有效提升分类性能。
实验结果显示，在六个不同数据规模的基准数据集上，MixNet在依赖个体及独立于个体的分类任务中均优于当前最先进的算法。此外，MixNet在低密度EEG MI分类中的表现也超越了所有现有算法，为物联网（IoT）应用带来了新的希望，尤其是在基于低密度电极阵列的便携式EEG设备领域。
天桥脑科学研究院旗下科学媒体，旨在以科学追问为纽带，深入探究人工智能与人类智能相互融合与促进，不断探索科学的边界。如果您有进一步想要讨论的内容，欢迎评论区留言，或添加小助手微信questionlab，加入社群与我们互动。
天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCl）是由陈天桥、雒芊芊夫妇出资10亿美元创建的世界最大私人脑科学研究机构之一，围绕全球化、跨学科和青年科学家三大重点，支持脑科学研究，造福人类。TCCI与华山医院、上海市精神卫生中心设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室；与加州理工学院合作成立了TCCI加州理工神经科学研究院。TCCI建成了支持脑科学和人工智能领域研究的生态系统，项目遍布欧美、亚洲和大洋洲，包括、、、科研型临床医生奖励计划、、中文媒体追问等。
