追問daily | Nature：大腦中存在反向傳播？Science：干細胞造出人工睪丸；成年大腦感覺回路仍持續重塑

█ 腦科學動態

Science：干細胞造出人工睪丸

Nature：大腦中存在反向傳播？

大腦的思維捷徑：為何我們總是重蹈覆轍？

成年大腦感覺回路仍持續重塑

血液標志物CDR1as可預測抗抑郁藥療效

在想象中重塑過去：基于意象的療法可減少對失敗的恐懼

█ AI行業動態

特朗普政府與硅谷開戰

超越AlphaFold：Isomorphic Labs推出新一代藥物設計引擎

█ AI驅動科學

給大腦掛個“燈籠”：側腦室腦機接口，信號記錄穩如泰山

APOLLO框架：精準解耦單細胞多模態數據中的共享與特異信息

柔性剪紙微電極陣列實現非人靈長類大腦長期穩定記錄

強化學習模型重建受損神經通道：無需下游數據的仿生脈沖生成

ChatBCI：利用大語言模型革新P300腦機接口拼寫效率

融合數字孿生與神經擬態工程的腦部疾病治療新范式

Doc-to-LoRA：讓大模型即時“消化”長文本的新技術

腦科學動態

Science：干細胞造出人工睪丸

來自大阪大學和京都大學的Takashi Yoshino、Katsuhiko Hayashi等人組成的團隊，在體外配子發生領域取得了突破性進展。針對長期以來難以在體外重建功能性睪丸微環境這一難題，該團隊成功利用小鼠多能干細胞重建了睪丸發育過程，并培育出具有受精能力的精子，最終誕下了健康的后代。

研究團隊設計了一種特定的培養方案，通過調控信號通路模擬體內的性別決定過程，誘導干細胞分化為睪丸體細胞樣細胞（TesLCs），并與同樣源自干細胞的原始生殖細胞樣細胞（PGCLCs）組裝成睪丸類器官（testicular organoids）。這種“人工睪丸”成功模擬了體內的生精小管結構，為生殖細胞提供了關鍵的發育環境。實驗數據顯示，在這些類器官中生成的精原干細胞，被移植到不育小鼠體內后，能夠完成完整的精子發生過程。利用這些精子進行受精，研究人員獲得了兩代健康且具備生育能力的小鼠，證實了該系統生成的生殖細胞具有完整的功能性。此外，研究還揭示了性別決定機制中雄性通路比雌性通路更為嚴格的不對稱性。研究發表在 Science 上。

#疾病與健康 #其他 #干細胞 #生殖生物學 #體外配子發生

閱讀更多：

“Reconstitution of Sex Determination and the Testicular Niche Using Mouse Pluripotent Stem Cells.” Science. www.science.org, https://www.science.org/doi/10.1126/science.aea0296. Accessed 28 Feb. 2026

Nature：大腦中存在反向傳播？

大腦如何知道調整哪些神經連接來優化行為？這就是著名的信用分配問題。Valerio Francioni、Mark T. Harnett 等研究人員通過一項精巧的實驗，證實了大腦皮層神經元的樹突中存在特定的“矢量化指導信號”。這些信號能夠針對性地指導單個神經元的學習，為理解生物大腦如何實現類似人工智能反向傳播的高效學習提供了生理學證據。

研究團隊利用神經反饋腦機接口任務，訓練小鼠通過調節壓后皮層中特定神經元群體的活動來控制視覺光柵的旋轉以獲取獎勵。實驗過程中，研究人員使用雙光子顯微鏡同時記錄了神經元胞體和遠端頂樹突的鈣信號，并計算了胞體-樹突殘差（SD residual），即樹突活動中無法被胞體活動解釋的部分。結果顯示，樹突并非單純被動傳輸信號，而是包含了關于獎賞和誤差的獨立信息。這種信號是矢量化的，意味著它根據每個神經元對任務的貢獻（如正向或負向調節）而有所不同，正如人工智能中的誤差反向傳播一樣。進一步實驗表明，通過光遺傳學抑制第1層NDNF+中間神經元（NDNF+ interneurons）會阻斷這些指導信號，進而破壞學習過程。研究發表在 Nature 上。

#神經科學 #神經機制與腦功能解析 #突觸可塑性 #腦機接口

閱讀更多：

Francioni, Valerio, et al. “Vectorized Instructive Signals in Cortical Dendrites.” Nature, Feb. 2026, pp. 1–10. www.nature.com, https://doi.org/10.1038/s41586-026-10190-7

大腦的思維捷徑：為何我們總是重蹈覆轍？

為什么人們明明有更好的選擇，卻往往固守舊習？德累斯頓工業大學的 Stefan Kiebel 和 Ben J. Wagner 等人組成的研究團隊進行了一項大規模研究。他們發現，許多看似非理性的偏好并非源于復雜的價值權衡，而是源于人們傾向于在特定情境下簡單地重復之前的行為，這種機制深刻影響了后續的決策路徑。

? 基于價值的決策任務概述（已獲取數據）。Credit: Communications Psychology (2025).

該研究通過分析九項新收集的任務數據和六組既往數據集，涵蓋了超過700名參與者的決策行為。研究團隊采用了一種基于分層貝葉斯強化學習的計算模型，該模型僅基于“獎勵學習”和“動作重復”這兩個核心原則。通過將該模型與傳統的相對價值學習及價值歸一化等模型進行對比，研究人員發現，僅僅是“重復”這一動作本身，就足以讓某個選項在未來被賦予更高的主觀價值。換言之，決定選擇的關鍵往往不是對利弊的精細計算，而是大腦采用了一種“思維捷徑”，即記住并重復之前的動作。這種情境依賴性的重復行為導致人們在面對新環境時，依然會偏向于那些被頻繁選擇過的舊選項，即使存在同等甚至更優的替代方案。這項研究不僅解釋了購物習慣或日常例行公事中的非理性行為，也為理解人類決策機制提供了更簡潔的理論框架。研究發表在 Communications Psychology 上。

#認知科學 #意圖與決策 #心理學 #行為偏差 #強化學習

閱讀更多：

Wagner, Ben J., et al. “Action Repetition Biases Choice in Context-Dependent Decision-Making.” Communications Psychology, vol. 3, no. 1, Nov. 2025, p. 177. www.nature.com, https://doi.org/10.1038/s44271-025-00363-x

成年大腦感覺回路仍持續重塑：LRRTM3蛋白介導的丘腦網狀核精細化

長期以來，學術界普遍認為人類大腦的感覺處理回路在幼兒期就已定型。然而，一項顛覆性的新研究發現，這種重塑過程實際上會持續到成年期。來自大邱慶北科學技術院的 Jaewon Ko 和延世大學的 Eunji Cheong 等人組成的研究團隊，通過對小鼠模型的深入分析，首次證實大腦的“感覺檢查點”——丘腦網狀核（TRN）在青春期后仍會進行精細的結構重組，這一過程對于成年后具備高分辨率的感覺感知能力至關重要。

? TRN LRRTM3 參與成人特有的感覺辨別任務。Credit: Neuron (2026).

該研究重點關注了位于丘腦的丘腦網狀核，它負責過濾傳遞給大腦皮層的感覺信息。研究人員發現，一種名為富含亮氨酸重復序列的跨膜蛋白3（LRRTM3）的分子在這一過程中扮演了“守門人”的角色。LRRTM3特異性地分布在TRN中，負責微調神經元之間的突觸連接。通過對比實驗，研究人員發現，當小鼠TRN中的LRRTM3基因被移除后，其神經回路無法在成年期進行必要的“升級”和調整，導致這些小鼠難以區分細微的觸覺差異。研究表明，成年大腦會主動減少某些興奮性輸入，以優化信息處理效率。這一發現不僅揭示了大腦在成年期仍具有顯著的可塑性，也為理解自閉癥、多動癥等伴有感覺處理障礙的神經精神疾病提供了新的視角，提示這些疾病可能與成年期神經回路成熟機制的異常有關。研究發表在 Neuron 上。

#神經科學 #神經機制與腦功能解析 #大腦可塑性 #感覺處理

閱讀更多：

Lee, Dongsu, et al. “Juvenile-to-Adult Refinement of Thalamic Reticular Circuits via LRRTM3 Enables High-Resolution Sensory Encoding.” Neuron, vol. 0, no. 0, Feb. 2026. www.cell.com, https://doi.org/10.1016/j.neuron.2025.12.020

血液標志物CDR1as可預測抗抑郁藥療效

重度抑郁癥的治療常陷入“試錯”困境，患者往往需嘗試多種藥物才能找到有效方案。來自Circular Genomics Inc.、新墨西哥大學和Fondation FondaMental的Grigorios Papageorgiou與Nikolaos Mellios等人組成的研究團隊，發現了一種名為CDR1as的血液生物標志物。該發現有望幫助醫生在治療前預測患者對特定抗抑郁藥物的反應，從而實現精準治療。

? 基線血液中 CDR1as 環狀 RNA 水平可預測舍曲林治療后的反應和緩解情況。實驗設計示意圖。Credit: Papageorgiou et al.

研究團隊利用聚合酶鏈式反應（PCR）技術，分析了兩個獨立臨床隊列中抑郁癥患者的血液樣本，重點檢測了一種在大腦中富集的環狀RNA（circRNA）——CDR1as的水平。這種分子能穿過血腦屏障并在血液中穩定存在。數據顯示，在接受廣泛使用的選擇性5-羥色胺再攝取抑制劑（SSRI）舍曲林治療前，最終療效顯著的患者與無效患者體內的CDR1as基線水平存在顯著差異。此外，該標志物能特異性預測SSRI類藥物的療效，而對其他類型的抗抑郁藥（如安非他酮）或安慰劑無效。動物實驗進一步揭示，CDR1as受5-羥色胺受體和腦源性神經營養因子（BDNF）受體信號通路的強烈調控，解釋了其作為療效預測因子的分子機制。研究發表在 Molecular Psychiatry 上。

#疾病與健康 #個性化醫療 #神經機制與腦功能解析 #抑郁癥 #生物標志物

閱讀更多：

Papageorgiou, Grigorios, et al. “A Brain-Enriched circRNA Blood Biomarker Can Predict Response to SSRI Antidepressants.” Molecular Psychiatry, Feb. 2026, pp. 1–16. www.nature.com, https://doi.org/10.1038/s41380-026-03491-w

在想象中重塑過去：基于意象的療法可減少對失敗的恐懼

童年時期遭受的嚴厲批評往往會演變為成年后對失敗的深層恐懼。來自波蘭SWPS大學和波蘭科學院南基實驗生物學研究所的Julia B?czek和Stanis?aw Karkosz等人組成的研究團隊，深入探索了基于意象的心理治療技術。研究證實，通過在想象中“重寫”痛苦的童年記憶，可以顯著且持久地減輕人們對失敗的恐懼及相關的負面情緒。

這項隨機對照臨床試驗招募了180名受失敗恐懼困擾的年輕人。研究人員對比了三種干預方法：意象暴露療法（IE，單純回憶痛苦情境）、意象重塑療法（ImRs，在回憶中引入保護者改變結局）以及帶有10分鐘延遲的意象重塑療法（ImRs-DSR）。研究重點考察了記憶重整和預測誤差這兩種機制的作用。結果顯示，雖然所有方法均有效降低了參與者的生理壓力反應和負面情緒，但延遲干預并未帶來額外優勢。值得注意的是，數據表明“預測誤差”——即患者的負面預期與想象中發生的積極轉折之間的差異——是意象重塑療法成功的關鍵驅動力。當治療過程中出現這種心理上的“驚喜”時，治療效果更為顯著。這表明，利用想象力創造與舊有認知不符的新結局，能有效更新大腦中的痛苦記憶痕跡。研究發表在 Frontiers in Psychology 上。

#疾病與健康 #心理健康與精神疾病 #記憶機制 #認知科學 #創傷修復

閱讀更多：

B?czek, Julia, et al. “Imagine Yourself as a Little Girl…—Efficacy and Psychophysiology of Imagery Techniques Targeting Adverse Autobiographical Childhood Experiences- Multi-Arm Randomised Controlled Trial.” Frontiers in Psychology, vol. 16, Jan. 2026. Frontiers, https://doi.org/10.3389/fpsyg.2025.1710963

AI 行業動態

特朗普政府與硅谷“開戰”，因拒簽“無限制使用”協議將Anthropic拉入黑名單

一場關于人工智能倫理與國家安全的激烈碰撞，在特朗普政府與頂級AI公司Anthropic之間爆發。由于Anthropic拒絕接受五角大樓提出的、允許其技術被用于“一切合法目的”的要求，特別是擔心技術可能被用于開發完全自主的致命武器或進行大規模國內監控，特朗普總統于周五下令所有聯邦機構“立即停止”使用該公司的技術，并限時六個月完成從國防部等部門的全面撤出。國防部長赫格塞斯隨即宣布將Anthropic列為“國家安全供應鏈風險”，此舉意味著該公司將被排除在美國政府合同之外。Anthropic對此表示“深感遺憾”，并誓言將通過法律途徑挑戰這一認定，認為其“在法律上站不住腳”，且為所有與美國政府談判的企業樹立了危險先例。

此次封殺事件源于一份價值2億美元的合同分歧。Anthropic去年與五角大樓簽約，但其堅持要求在合同中加入限制條款，禁止將其AI模型用于全自動武器和大規模監控。五角大樓強硬拒絕了這一要求，并設下最后通牒。隨著談判破裂，特朗普在社交媒體上激烈抨擊Anthropic的立場是“將意識形態凌駕于憲法之上”，危及國家安全。此舉引發了國會資深民主黨人馬克·沃納的嚴厲譴責，他批評政府以政治考量驅動國家安全決策，并擔憂這會破壞私營部門與國防及情報機構的合作信任。與此同時，競爭對手OpenAI的CEO Sam Altman雖表態支持類似的人工智能倫理“紅線”，但其與五角大樓的現有合同僅涉及日常辦公等非機密領域，因此并未卷入此次風波。

#Anthropic #特朗普政府 #AI倫理 #國家安全 #五角大樓

閱讀更多：

https://www.anthropic.com/news/statement-comments-secretary-war

超越AlphaFold：Isomorphic Labs推出新一代藥物設計引擎

在AlphaFold 3于2024年問世并加速全球結構生物學研究后，其開發者之一Isomorphic Labs近日宣布取得重大突破，正式推出全新的藥物設計引擎。這一統一的計算系統不僅在預測精度上超越了前代模型，更重要的是，它能夠模擬和理解更復雜的生物分子動態過程，從而彌合了從靜態結構預測到實際藥物發現之間的關鍵鴻溝。研究人員介紹，該引擎能夠僅憑氨基酸序列識別蛋白質上全新的、隱藏的藥物結合口袋，并能準確預測小分子與靶點的結合強度，其速度和成本遠低于傳統的物理學模擬方法，為計算機輔助藥物設計開辟了全新的可能性。

該引擎的核心突破體現在幾個關鍵領域。在泛化能力上，它能準確預測與訓練數據差異極大的全新蛋白質-配體結構，在特定基準測試中的準確率比AlphaFold 3提升了一倍以上。對于復雜的生物制劑，如抗體，它在預測最具挑戰性的抗體可變區方面性能卓越，為從頭設計全新抗體奠定了基礎。此外，在藥物優化的關鍵環節——結合親和力預測上，其準確率已超越被視為“黃金標準”的基于物理的方法。通過復現近期一項關于蛋白質新結合口袋的實驗發現，該引擎展示了其強大的“盲測”能力，能夠在不依賴已知配體信息的情況下，揭示蛋白質上全部潛在的作用機制，這對于攻克傳統上難以成藥的靶點具有革命性意義。

#IsoDDE #AI藥物設計 #結構生物學 #計算機輔助藥物設計 #IsomorphicLabs

閱讀更多：

https://www.isomorphiclabs.com/articles/the-isomorphic-labs-drug-design-engine-unlocks-a-new-frontier

AI 驅動科學

給大腦掛個“燈籠”：清華團隊首創側腦室腦機接口，信號記錄穩如泰山

為了解決侵入式腦機接口長期信號衰減的難題，來自清華大學生物醫學工程學院的高小榕教授、劉冉研究員，清華大學藥學院的魯白教授以及中國醫學科學院的陳小剛研究員團隊提出了一種全新的解決方案。他們避開了傳統的皮層植入方式，轉而利用充滿腦脊液的側腦室作為植入位點，開發出一種獨特的燈籠狀柔性電極。該技術不僅實現了微創植入，還成功在動物實驗中維持了長達數月的穩定神經信號記錄，在記憶引導的決策任務中展現出卓越的解碼性能。

該研究的核心創新在于設計了一種側腦室腦機接口，并配備了受中國傳統燈籠結構啟發的柔性可展開電極。這種電極在植入時呈收攏狀態，通過微創通道進入側腦室后徑向展開，其弓形支撐結構能夠分散接觸應力，使電極與腦室壁柔順貼合，避免了對腦組織的機械損傷。研究團隊在大鼠模型上進行了長達168天的對比實驗，結果顯示，與傳統的硬膜下皮層腦電圖電極相比，新型腦室電極誘發的免疫反應極低，僅在術后早期出現短暫的微膠質細胞活化，隨后迅速恢復正常，未出現持續的瘢痕包裹。在功能測試方面，研究人員設計了“動作-記憶T迷宮”任務，利用腦室電極記錄的信號構建了微狀態序列分類器，成功預測大鼠的轉向決策，準確率高達98%。這一結果表明，該系統能夠有效捕捉到海馬體等深部腦區與記憶和決策相關的信息，為長期穩定的腦機接口應用提供了極具潛力的新路徑。研究發表在 National Science Review 上。

#意識與腦機接口 #腦機接口 #神經工程 #生物醫學工程 #記憶解碼

閱讀更多：

Sun, Yike, et al. “Lateral Ventricular Brain-Computer Interface System with Lantern-Inspired Electrode for Stable Performance and Memory-Guided Decoding.” National Science Review, Feb. 2026, p. nwag081. Silverchair, https://doi.org/10.1093/nsr/nwag081

APOLLO框架：精準解耦單細胞多模態數據中的共享與特異信息

如何從復雜的單細胞多模態數據中還原真實的細胞狀態？來自麻省理工學院、哈佛大學、蘇黎世聯邦理工學院和保羅·謝勒研究所（PSI）的Xinyi Zhang、G. V. Shivashankar和Caroline Uhler等人組成的團隊，提出了一種名為APOLLO的新型計算框架。該框架利用可解釋的機器學習模型，成功解決了現有方法在整合不同測量技術（如RNA測序、染色質成像等）數據時，難以區分共享信息與特有信息的問題，為理解細胞狀態提供了更全面的視角。

這項研究的核心在于APOLLO框架的設計，即基于潛在優化學習的部分重疊潛在空間的自編碼器（Autoencoder with a Partially Overlapping Latent space learned through Latent Optimization）。研究人員摒棄了簡單的信息強制融合，而是將數據的潛在空間明確劃分為捕捉所有模態共有信息的共享區域，以及僅捕捉特定技術所測信息的模態特有區域。通過獨特的兩步訓練法，APOLLO不僅能精準重構原始數據，還能在SHARE-seq（scRNA-seq和scATAC-seq）和CITE-seq（scRNA-seq和蛋白質豐度）等多種真實數據集上表現出色。結果顯示，APOLLO能夠有效分離生物學信號，例如將細胞周期基因與啟動子活性區分開，或將實驗批次效應從細胞類型信號中剝離。此外，該模型還展示了強大的跨模態預測能力，能夠僅憑染色質圖像預測未測量的蛋白質定位，這對于資源受限的實驗具有重要意義。研究發表在 Nature Computational Science 上。

#AI驅動科學 #計算模型與人工智能模擬 #單細胞多模態 #APOLLO框架 #生物信息學

閱讀更多：

Zhang, Xinyi, et al. “Partially Shared Multi-Modal Embedding Learns Holistic Representation of Cell State.” Nature Computational Science, Feb. 2026, pp. 1–16. www.nature.com, https://doi.org/10.1038/s43588-025-00948-w

柔性剪紙微電極陣列實現非人靈長類大腦長期穩定記錄

如何解決傳統剛性電極在靈長類大腦中因劇烈運動而失效的難題？來自中國腦科學研究院的 Ying Fang、Runjiu Fang、Huihui Tian 等研究人員，受剪紙藝術啟發，開發了一種新型柔性微電極陣列。該陣列通過獨特的螺旋線設計，成功解決了腦機接口在大面積、長期記錄中面臨的機械失配問題，為非人靈長類動物的神經科學研究提供了強有力的工具。

這項研究的核心在于一種被稱為“剪紙微電極陣列”（ki-MEAs）的創新設計。研究團隊利用平面光刻技術制造網格，并通過剪紙結構將其轉化為三維的可拉伸螺旋線。這種設計允許電極的基部像“浮標”一樣緊密貼合在腦表面，而螺旋線則深入皮層，能夠隨大腦的毫米級運動而自由伸縮，極大減少了對腦組織的損傷。在實驗中，研究人員通過水溶性載體將該陣列植入獼猴大腦，成功實現了對超過700個皮層神經元的同時記錄。此外，結合遞歸神經網絡，團隊不僅捕捉到了高質量的神經信號，還成功從初級運動皮層（M1）的信號中準確解碼了獼猴的上肢運動軌跡。這一成果證明了該技術在高性能腦機接口領域的巨大應用潛力。研究發表在 Nature Electronics 上。

#意識與腦機接口 #神經機制與腦功能解析 #柔性電子 #生物醫學工程

閱讀更多：

Fang, Runjiu, et al. “Flexible Kirigami Microelectrode Arrays for Neuronal Activity Recordings in Non-Human Primate Brains.” Nature Electronics, Feb. 2026, pp. 1–13. www.nature.com, https://doi.org/10.1038/s41928-025-01560-6

強化學習模型重建受損神經通道：無需下游數據的仿生脈沖生成

針對中風或脊髓損傷導致的神經通道中斷問題，香港科技大學的Yiwen Wang（王怡雯）團隊聯合中國科學院深圳先進技術研究院、帝國理工學院及佛羅里達大學的研究人員，取得了一項重要突破。他們開發了一種基于強化學習的神經脈沖生成模型，能夠繞過受損腦區，建立人工信息通道。該研究成果成功解決了傳統神經假體依賴受損下游腦區數據這一核心難題，為恢復患者的運動和認知功能提供了全新的康復思路。

該研究提出了一種基于強化學習的點過程框架。傳統的監督學習方法需要下游神經元的記錄作為訓練的“真值”，但這在神經受損患者中無法獲取。王怡雯團隊的創新在于，他們不再試圖模仿缺失的下游信號，而是讓模型像大腦一樣通過“試錯”學習：將上游信號轉換為脈沖序列，并以“行為是否成功”作為反饋獎勵來優化模型。實驗結果顯示，該模型生成的人工脈沖不僅能高效驅動大鼠完成目標運動，且其信號特征與健康大腦的自然神經調制高度相似，展現出優異的仿生特性和適應能力。研究發表在 Nature Computational Science 上。

#疾病與健康 #腦機接口 #計算模型與人工智能模擬 #神經調控

閱讀更多：

Wu, Shenghui, et al. “A Generative Spike Prediction Model Using Behavioral Reinforcement for Re-Establishing Neural Functional Connectivity.” Nature Computational Science, vol. 6, no. 2, Feb. 2026, pp. 179–92. www.nature.com, https://doi.org/10.1038/s43588-025-00915-5

ChatBCI：利用大語言模型革新P300腦機接口拼寫效率

為了解決傳統腦機接口打字速度慢、用戶認知負擔重的問題，Jiazhen Hong, Weinan Wang & Laleh Najafizadeh 團隊開發了名為 ChatBCI 的新型系統。傳統的 P300 拼寫器通常要求用戶逐個字母進行選擇，導致拼寫長句時效率低下。該團隊通過引入大型語言模型，旨在利用上下文感知能力來優化拼寫過程，無需本地部署龐大的模型即可實現智能預測。

這項研究的核心在于將 P300 腦機接口與 GPT-3.5 API 相結合。P300 是一種在事件相關電位中出現的特定腦波成分，常用于檢測用戶的意圖。在 ChatBCI 中，研究人員設計了一種改進的圖形用戶界面，除了常規字母外，還能顯示由 GPT-3.5 根據上下文生成的單詞建議。系統采用逐步線性判別分析（SWLDA）算法來處理腦電信號并識別用戶選擇。在涉及7名受試者的實驗中，通過抄寫自編句子和即興創作兩項任務，結果顯示 ChatBCI 相比傳統逐字拼寫器顯著減少了完成任務所需的時間和按鍵次數，同時提升了信息傳輸率（ITR）。這種結合了大模型零樣本學習能力的方法，為運動或語言障礙人士提供了一種更高效的實時交流工具。研究發表在 Scientific Reports 上。

#意識與腦機接口 #大模型技術 #AI驅動科學 #神經科學

閱讀更多：

Hong, Jiazhen, et al. “ChatBCI, a P300 Speller BCI with Context-Driven Word Prediction Leveraging Large Language Models, from Concept to Evaluation.” Scientific Reports, vol. 16, no. 1, Feb. 2026, p. 6379. www.nature.com, https://doi.org/10.1038/s41598-025-25660-7

神經擬態孿生：融合數字孿生與神經擬態工程的腦部疾病治療新范式

當前神經工程療法在治療帕金森病等腦部疾病時面臨個性化和適應性不足的瓶頸。Michela Chiappalone和Timothée Levi提出了一種名為“神經擬態孿生”（Neuromorphic Twin）的前沿概念，旨在創建一個能與患者大腦實時互動、共同進化的硬件“雙胞胎”，從而實現真正的個性化神經修復。

該技術的核心是將數字孿生的建模能力與神經擬態工程的低功耗、高效率特性相結合。與現有的僅能單向模擬的虛擬大腦模型不同，神經擬態孿生能夠通過閉環回路與真實大腦進行持續的雙向通信。其架構包含三個關鍵部分：首先，一個基于硬件的信號處理模塊，利用脈沖神經網絡實時解碼采集到的大腦信號；其次，一個生物仿生的硬件網絡，精確模擬特定腦區的功能；最后，一個軟件層，根據大腦狀態的變化，周期性地調整硬件模型的參數，實現長期的自適應與個性化。這種設計不僅能為神經退行性疾病、癲癇或腦損傷患者提供動態調整的精準刺激，還能被嵌入低功耗的可植入設備中，有望徹底改變神經疾病的治療模式，并為生物混合智能的發展開辟新道路。研究發表在 Nature Communications 上。

#疾病與健康 #計算模型與人工智能模擬 #神經調控 #跨學科整合

閱讀更多：

Chiappalone, Michela, and Timothée Levi. “Advancing Neuroengineering with Neuromorphic Twins.” Nature Communications, vol. 17, no. 1, Feb. 2026, p. 1938. www.nature.com, https://doi.org/10.1038/s41467-026-68923-1

Doc-to-LoRA：讓大模型即時“消化”長文本的新技術

大型語言模型處理長文本時效率低下，如何讓模型快速“消化”并記住文檔內容？Sakana AI和密涅瓦大學（Minerva University）的Rujikorn Charakorn、Edoardo Cetin、Shinnosuke Uesaka、Robert T. Lange等人提出了一種名為Doc-to-LoRA（D2L）的創新框架，它通過一個輕量級超網絡，讓大模型在一次讀取后就能即時內化文檔信息。

該研究的核心是“元學習”上下文蒸餾過程。研究團隊設計了一個超網絡，它能讀取任意一篇新文檔，并在單次前向計算中，為目標LLM量身定做一個LoRA適配器。將此適配器加載后，LLM就相當于“記住”了文檔內容，后續回答相關問題時無需再次加載冗長的原文，從而極大地降低了推理延遲和內存占用。為處理超長文檔，D2L采用了基于Perceiver的架構和分塊機制。實驗結果令人矚目：在“大海撈針”測試中，D2L處理的文本長度可達模型原生上下文窗口的四倍以上，且準確率近乎完美。在真實問答任務中，其效率和性能在計算資源受限時均優于傳統蒸餾方法，甚至能實現從視覺模型到文本模型的知識遷移。

#大模型技術 #計算模型與人工智能模擬 #高效推理 #上下文內化

閱讀更多：

Charakorn, Rujikorn, et al. “Doc-to-LoRA: Learning to Instantly Internalize Contexts.” arXiv:2602.15902, arXiv, 13 Feb. 2026. arXiv.org, https://doi.org/10.48550/arXiv.2602.15902

整理｜ChatGPT

編輯｜丹雀、存源

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究人工智能與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

研究院在華山醫院、上海市精神衛生中心分別設立了應用神經技術前沿實驗室、人工智能與精神健康前沿實驗室；與加州理工學院合作成立了加州理工陳天橋雒芊芊神經科學研究院。

研究院還建成了支持腦科學和人工智能領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、、科普視頻媒體「大圓鏡」等。