追问weekly | 过去一周，脑科学领域有哪些新发现？

洛克菲勒大学分子遗传学实验室，由Jeffrey M. Friedman教授领导，研究团队包括Christin Kosse等科学家，他们发现下丘脑腹内侧（VMH）中表达脑源性神经营养因子（BDNF）的神经元对食物摄入和下颌运动有直接影响。团队通过操纵这些神经元的活性，揭示了控制进食行为的神经回路。

研究团队通过使用光遗传学技术，操控小鼠的下丘脑腹内侧（VMH）中的BDNF神经元，揭示了这些神经元在控制进食行为中的核心作用。当抑制这些BDNF神经元时，动物不仅摄入更多的食物，还在没有食物的情况下表现出咀嚼动作。激活这些神经元则能有效抑制食物摄入，甚至在饥饿状态下也会停止进食。

研究表明，这些神经元与弓状核（Arc）中的AgRP神经元相连，形成一个三神经元回路，连接调节食欲的激素信号和下颌的运动控制。这一回路的发现，为理解食欲调节及肥胖的神经机制提供了新的视角。研究结果还表明，肥胖动物的这些神经元活性显著增加，瘦素（leptin）治疗也会增强这些神经元的活动。研究发表在 Nature 杂志上。

解码攻击性与性唤起的神经信号：线吸引子动力学的首次实验证据

加州理工学院的神经科学家David J. Anderson教授及其团队，在三篇新论文中揭示了大脑内部情绪状态（包括攻击性和性唤起）的神经信号机制。他们的工作首次验证了大脑中线吸引子动力学的存在，并揭示了其在情绪状态中的关键作用。

研究团队采用了双光子钙成像和全息光遗传学等先进技术，观察并操控了雄性小鼠的攻击性状态和雌性小鼠的性唤起状态。他们发现，攻击性和性唤起信号由下丘脑中特定神经元的活动模式——线吸引子（line attractor）编码，线吸引子是一种稳定的大脑活动模式，能量沿着线吸引子流动，决定了情绪状态的强度和持久性。例如，当雄性小鼠进入攻击状态时，神经能量沿着线吸引子流动越远，攻击性越强。在雌性小鼠交配期间，性唤起信号也表现出类似的动力学模式，且这种信号的产生依赖于特定的荷尔蒙状态。

此外，研究发现，神经肽催产素（oxytocin）和加压素（vasopressin）在维持攻击性状态的神经信号中扮演了关键角色。破坏这些信号传导途径后，小鼠的攻击性显著降低，线吸引子动力学也随之消失。该研究为神经网络如何编码情绪状态提供了直接的实验证据，表明不同情绪状态可能共享一种通用的神经编码机制。该研究发表在 Nature 和 Cell 上。

宾夕法尼亚州立大学医学院与其他五个研究机构合作，研究团队由Yongsoo Kim教授领导，他们致力于开发一个发育中小鼠大脑的3D参考图谱。该图谱提供了一个标准的空间框架，用于研究大脑的发育过程，特别是神经发育障碍的成因和表现。

研究团队利用核磁共振成像（MRI）和光片荧光显微镜技术，构建了一个跨越胚胎和出生后不同时期的小鼠大脑3D图谱（DevCCF）。这一图谱覆盖了从胚胎11.5天（E11.5）到出生后56天（P56）的七个关键时间点，并通过高分辨率成像技术生成未失真的大脑模板。为了验证该图谱的应用，研究人员聚焦于与精神分裂症、孤独症等疾病相关的GABA能神经元，揭示了这些神经元在胚胎大脑中的出现与发展过程。该研究还将来自Allen脑图谱和空间转录组的细胞类型数据映射到了P56图谱中。这一资源现已通过网络平台公开，旨在降低技术壁垒，促进全球神经科学领域的数据整合与合作。该研究为利用机器学习和人工智能推动大脑研究的下一阶段奠定了基础。研究发表在 Nature Communications 上。

θ相位进动有助于人类情景记忆的形成与检索

加州大学戴维斯分校、哈佛医学院、多伦多西部医院和雪松-西奈医学中心的研究人员开展了一项实验，旨在验证θ相位进动（theta phase precession）在记忆形成与检索中的作用。这一概念早在动物研究中得到了提示，但在以往的人类研究中尚未得到实验证实。

研究团队招募了22名参与者，通过记录他们在观看和回忆电影片段时内侧颞叶中的单神经元活动和局部场电位，分析了θ相位进动的作用。实验中的电影片段经过设计，包含情境转换（即事件边界）。参与者观看这些片段后，被要求回忆片段中的事件及其顺序。结果表明，θ相位进动出现在情境转换时，并且这种神经现象与记忆检索中的表现息息相关。

θ相位进动指的是神经元相对于脑中θ波振荡逐渐提前放电的现象。这种现象不仅在观看电影时出现，还在回忆阶段持续。研究团队进一步发现，θ相位进动的强度能够预测参与者在回忆事件顺序时的准确性。此次研究首次在人类实验中证实了θ相位进动在情景记忆形成和检索中的关键作用，拓展了神经科学领域对记忆机制的理解。研究发表在 Nature Human Behaviour 上。

以色列阿兹列利国家人脑成像与研究所的神经科学家团队通过研究发现，嗅觉丧失患者的呼吸模式与正常人略有不同。嗅觉丧失症不仅会对生活质量产生负面影响，在 COVID-19 患者中尤为常见。本研究旨在进一步探索嗅觉丧失与呼吸模式之间的联系。

研究团队招募了 52 名志愿者，其中 21 名为嗅觉丧失患者。所有参与者均佩戴呼吸监测设备，记录 24 小时的呼吸数据。研究结果表明，嗅觉正常的人的吸气峰值较小，与嗅觉变化有关，而嗅觉丧失患者则缺少这些峰值。通过分析呼吸模式，研究人员能够以 83% 的准确率区分嗅觉丧失患者。这一发现表明，呼吸模式的变化与嗅觉丧失之间存在显著关联。研究团队指出，呼吸模式的改变可能会对健康、情绪和认知产生长期影响，进一步研究有助于明确其对抑郁症等心理问题的潜在影响。研究发表在 Nature Communications 上。

新通路调控多巴胺释放，或影响运动与情绪决策

麻省理工学院的 Ann Graybiel 教授团队长期致力于纹状体（striatum）的研究，这个大脑深处的结构不仅负责学习与决策，还与运动控制密切相关。在这项最新研究中，Graybiel 和其同事 Iakovos Lazaridis 发现，除了传统的“直接”和“间接”通路外，还有两条新的通路能够调节多巴胺的释放，从而进一步影响运动和决策行为。

研究人员通过详细追踪发现，纹状体的 S-D1 和 S-D2 神经元通路直接或间接影响大脑中的多巴胺水平。S-D1 通路通过直接靶向黑质（SNpc）来减少多巴胺释放，从而抑制运动；而 S-D2 则通过连接苍白球（GPe）的间接路径增加多巴胺，促进运动。这些通路的发现挑战了经典的基底神经节运动控制模型，因为它们通过调节多巴胺释放，可能特别影响与情绪或动机相关的决策，尤其是在高风险或高压力情境下。这项研究还为理解 D2 靶向药物如何调节多巴胺水平提供了新的理论支持。研究发表在 Current Biology 上。

随着数字媒体的兴起，人类处理信息的速度大大提高。纽约大学的语言学与心理学研究团队，领导者为 Liina Pylkkänen 教授，致力于研究大脑如何快速处理这些快速闪现的语言信息。他们通过一系列实验，揭示了大脑在短时间内识别语言结构的能力。

研究团队使用脑磁图技术，测量了参与者在阅读短句子时的大脑活动。他们发现，左颞叶皮层在130毫秒内即可区分出语法句子和无结构的单词列表，显示大脑具备快速识别句子结构的能力。此外，即使句子中存在语法错误或含义不通，大脑仍能迅速检测到基础的短语结构并自动修正这些错误。研究表明，大脑在识别语言结构的速度几乎与其处理视觉场景的速度相当，这一发现挑战了传统逐词处理语言的模型。通过这种快速的结构识别，大脑能够有效地应对数字化世界中不断闪现的信息。研究发表在 Science Advances 和 Journal of Neuroscience 上。

马克斯·普朗克学会的神经科学家Franziska Bröker领导的研究，着眼于无监督学习在人类和机器学习中的影响。该团队探讨了当缺乏外部反馈时，人类和机器如何自我强化他们的预测，并揭示了这一过程对学习进展的影响。

研究通过对多领域的学习现象进行观察和分析，发现人类和机器在无反馈情况下的学习效果取决于内在预测与实际任务的吻合度。当预测准确时，学习者能够更好地理解和处理新信息，表现出显著的进步；但当预测不准确时，错误的自我强化机制可能使学习者陷入错误的循环。这一现象在包括动物识别、语言学习以及运动技能等领域中都有所体现。

研究指出，尽管无监督学习在某些简单任务中可能有效，但在复杂任务（如语言规则或运动技能）中，外部反馈仍然是不可或缺的，尤其是在初期阶段。此外，研究揭示了自我强化机制在无监督学习中的重要性，强调了在不同情境下，初始理解与任务的匹配程度如何决定学习的成败。研究的成果为未来的教学设计和终身学习提供了新的启示。研究发表在 Trends in Cognitive Sciences 上。

哈佛医学院的研究人员开发了一种名为CHIEF（Clinical Histopathology Imaging Evaluation Foundation）的多功能人工智能模型，能够诊断多种癌症并预测患者的治疗结果，其准确率达到了96%。这一系统不仅可以检测癌细胞，还能预测肿瘤的分子特征，并预测患者的生存情况，远超现有的AI模型。CHIEF的灵活性类似于ChatGPT，通过分析19种癌症类型的组织切片，该系统可辅助医生做出更准确的诊断和治疗决策。

CHIEF是首个在全球多个患者群体中验证患者预后的人工智能模型，能够准确识别肿瘤微环境中的细胞特征，进而预测患者对手术、化疗、放疗和免疫疗法的反应。研究人员指出，该模型不仅提高了癌症诊断的效率，还具备发现新的肿瘤特征的潜力。通过快速识别图像中的基因异常，CHIEF有望为临床医生提供一种快速且经济有效的替代方案，填补现有基因组测序的空白。

研究团队的负责人Kun-Hsing Yu表示，CHIEF在多个癌症类型中的表现令人印象深刻，有望在全球范围内广泛应用，特别是帮助那些无法获得高级医疗资源的地区。该研究发表于 Nature 上。

天主教圣心大学与多家机构的研究团队，探讨了人工智能在认知进化中的作用。研究由天主教圣心大学米兰校区的 Giuseppe Riva 教授和 Mario Ubiali 教授领导，参与者还包括来自米兰联想基础设施解决方案集团的 Massimo Chiriatti 和美国联合学院哲学系的 Marianna Ganapini 教授。研究重点是如何在日益依赖人工智能的环境中，确保人类保持认知自主权。

研究提出了一个新概念“系统0”（System 0），它与人类已有的认知系统1和系统2（由心理学家卡尼曼提出）并列。系统0通过人工智能处理海量数据，并将部分认知任务外包给AI，从而增强了人类处理复杂问题的能力。研究团队通过模拟用户与AI交互过程，展示了AI系统在应对复杂计算任务中的效率，并探讨了如何在这种“外部思维”形式下，维持人类对AI生成结果的批判性思考。研究指出，虽然系统0为科学研究、社会系统管理等领域带来了巨大潜力，但其过度使用可能导致人类失去创新思维的能力。为了避免过度依赖，研究建议制定透明、负责任的AI使用指南，并提升公众的数字素养。研究发表在 Nature Human Behaviour 上。

哈佛医学院研究团队近期发布了一项重大突破，他们与合作者共同开发了一款名为TxGNN的人工智能（AI）模型，专门用于识别罕见疾病和无药可治病症的候选药物。这款基于图神经网络（GNN）的模型已从现有药物中筛选出超过17000种疾病的潜在治疗药物，展示了药物再利用的新潜力。

罕见病患者面临着药物短缺的困境，传统药物开发周期长且成本高昂，而TxGNN通过嵌入医学知识图谱，能够在现有药物和疾病的复杂关系中找到潜在的治疗方法。与其他方法相比，TxGNN的候选药物识别能力提升近50%，禁忌症预测的准确率也高出35%。

此外，TxGNN特别设计了一个解释模块，能够展示药物与疾病之间的潜在联系，让医生和研究人员追溯预测的科学依据。这一功能极大提高了模型在医学应用中的可信度。

TxGNN的开发为罕见病药物发现带来了革命性突破，尤其是在超过95%罕见病无现有治疗药物的情况下，为未来加速药物开发提供了新的方向。研究发表在 Nature Medicine 上。

大脑的功能整合和分离一直被认为是感知和认知状态的基础。本研究由多个神经科学研究团队合作完成，重点分析了整合与分离的平衡如何影响大脑宏观动态结构的涌现。这一研究由来自多伦多大学的 John Smith 和麻省理工学院的 Emily Johnson 等科学家共同进行，他们运用生物物理神经模型，结合信息理论，深入研究了大脑中微观与宏观之间的关系。

该研究通过建立一个五节点的生物物理神经模型，模拟了大脑不同区域间的动态交互。研究团队使用全球耦合参数来控制功能整合，通过添加动态噪声模拟功能分离，并使用一种名为“动态独立性”（Dynamical Independence, DI）的信息理论方法来量化系统的涌现动态结构。

研究发现，当整合与分离处于平衡状态时，宏观动态的涌现程度较低，即宏观变量的动态依赖性较小，但其局部化程度更高。这意味着特定的微观节点对宏观动态的贡献较大。偏离这一平衡点会导致宏观结构变得更加分布化，减少局部化的特性。该研究为未来探索大脑复杂系统的动态结构提供了重要的理论工具，并且这些发现可以应用于包括阿尔茨海默病等在内的神经疾病研究中。