聚焦腦科學(xué)、基因組學(xué)、腦機(jī)接口｜最新AI模型匯總

潘展 | 整理

人工智能與多學(xué)科交叉領(lǐng)域不斷取得進(jìn)展，本周介紹的AI模型呈現(xiàn)多點(diǎn)開(kāi)花，覆腦科學(xué)、生命科學(xué)、基因組學(xué)、藥物研發(fā)等方向，展現(xiàn)出從模式識(shí)別向工程級(jí)設(shè)計(jì)、精準(zhǔn)預(yù)測(cè)的跨越升級(jí)。

這些新模型在提升計(jì)算效率、挖掘生物機(jī)制、降低研發(fā)成本等方面實(shí)現(xiàn)關(guān)鍵突破，為相關(guān)領(lǐng)域的科學(xué)發(fā)現(xiàn)與應(yīng)用落地提供了全新技術(shù)支撐。

01

NeMO Analytics

領(lǐng)域：腦科學(xué) / 神經(jīng)發(fā)育

團(tuán)隊(duì)：馬里蘭大學(xué)醫(yī)學(xué)院（UMSOM）

簡(jiǎn)介：NeMO Analytics 是面向新皮層發(fā)育的多組學(xué)數(shù)據(jù)聯(lián)合分析平臺(tái)，專(zhuān)為無(wú)編程背景生物學(xué)家設(shè)計(jì)。

該模型采用比較 Transformer 架構(gòu)逐細(xì)胞繪制新皮質(zhì)發(fā)育圖譜，整合了涵蓋人類(lèi)、非人靈長(zhǎng)類(lèi)動(dòng)物和小鼠共 188 項(xiàng)研究的多組學(xué)數(shù)據(jù)。

NeMO Analytics模型數(shù)據(jù)分解 圖源：論文

其核心創(chuàng)新在于內(nèi)置結(jié)構(gòu)聯(lián)合分解（SJD）算法跨物種多數(shù)據(jù)集聯(lián)合降維，實(shí)現(xiàn)一站式整合數(shù)據(jù)探索、可視化與生物學(xué)解讀。

該模型鑒定出了神經(jīng)元生長(zhǎng)關(guān)鍵調(diào)控因子FOXN3—— 該基因在人類(lèi)中被 “關(guān)閉”，從而支持大腦更大幅度生長(zhǎng)。并用于追蹤發(fā)育早期表觀遺傳紊亂與炎癥如何觸發(fā)與自閉癥、精神分裂癥相關(guān)的特定通路。

研究鏈接：

https://www.nature.com/articles/s41593-026-02204-4

02

Episodic Memory BMI Translator

領(lǐng)域：神經(jīng)科學(xué) / 腦機(jī)接口（BMI）

團(tuán)隊(duì)：南加州大學(xué)凱克醫(yī)學(xué)院

簡(jiǎn)介：該模型是面向記憶修復(fù)的侵入式腦機(jī)接口系統(tǒng)，核心是解碼海馬體等腦區(qū)神經(jīng)信號(hào)，重建、增強(qiáng)情景記憶。

模型通過(guò)植入式電極采集海馬、內(nèi)側(cè)顳葉神經(jīng)元放電，采用模式識(shí)別算法，搜尋與現(xiàn)實(shí)事件（面孔、地點(diǎn)、聲音）對(duì)應(yīng)的同步神經(jīng)活動(dòng)簇。用機(jī)器學(xué)習(xí)將神經(jīng)模式映射為可解讀的記憶表征，實(shí)現(xiàn)記憶“讀取、寫(xiě)入及修復(fù)”。

模型原理圖 圖源：論文

其核心創(chuàng)新在于可構(gòu)建個(gè)性化情景記憶“神經(jīng)詞典”，進(jìn)而通過(guò)腦機(jī)接口發(fā)送電脈沖，重新觸發(fā)或強(qiáng)化特定記憶模式，實(shí)現(xiàn)了“讀、寫(xiě)記憶”雙向閉環(huán)，使BMI從運(yùn)動(dòng)控制突破延伸至高級(jí)認(rèn)知功能修復(fù)。

研究鏈接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202520125

03

MOOSE-Star

領(lǐng)域：計(jì)算物理與算法效率

團(tuán)隊(duì)：多家機(jī)構(gòu)研究團(tuán)隊(duì)

簡(jiǎn)介：MOOSE-Star是一款開(kāi)創(chuàng)性 AI for Science 模型框架，基于DeepSeek-R1-Distill-Qwen-7B進(jìn)行微調(diào)，旨在解決科學(xué)發(fā)現(xiàn)中的“組合爆炸”問(wèn)題，運(yùn)用創(chuàng)新的數(shù)學(xué)分解策略將其復(fù)雜度從指數(shù)級(jí)降至對(duì)數(shù)級(jí)。

其核心創(chuàng)新在于引入概率分解和動(dòng)機(jī)引導(dǎo)的層次化搜索。靈感檢索模塊將整體發(fā)現(xiàn)概率拆解為序列化的單步靈感。假設(shè)合成模塊基于 SPECTER2 聚類(lèi)樹(shù)的導(dǎo)航機(jī)制快速定位極少數(shù)的關(guān)鍵科研靈感。同時(shí)在訓(xùn)練中引入“增量式”更新，避免冗余信息。

MOOSE-STAR時(shí)間縮放特性 圖源：論文

其性能在多個(gè)維度上大幅超越了基準(zhǔn)模型，靈感檢索準(zhǔn)確率達(dá)到54.37%，假設(shè)合成評(píng)分提升至5.16。能夠從數(shù)千篇看似無(wú)關(guān)的跨學(xué)科論文中，精準(zhǔn)提取出蛋白質(zhì)相互作用的新機(jī)理，并生成具備實(shí)驗(yàn)驗(yàn)證潛力的科研假設(shè)，且計(jì)算開(kāi)銷(xiāo)大幅降低。

研究鏈接：

https://arxiv.org/pdf/2603.03756

04

MetaVision3D

領(lǐng)域：腦科學(xué)/ 代謝組學(xué)

團(tuán)隊(duì)：佛羅里達(dá)大學(xué)

簡(jiǎn)介：MetaVision3D 是一款人工智能驅(qū)動(dòng)的計(jì)算工具，可生成大腦“代謝組” 的高分辨率三維圖譜，代謝組包含為神經(jīng)功能供能的脂肪、碳水化合物等分子。

該模型核心創(chuàng)新在于通過(guò)深度學(xué)習(xí)將數(shù)千張薄層二維質(zhì)譜成像切片進(jìn)行配準(zhǔn)與“堆疊”，形成完整三維立體結(jié)構(gòu)，解剖學(xué)準(zhǔn)確率達(dá) 95%–99%。

流程示意圖 圖源;論文

最新研究顯示，研究人員可對(duì)特定腦區(qū)進(jìn)行“放大”觀測(cè)，精準(zhǔn)定位神經(jīng)退行性疾病中代謝異常的位置。在阿爾茨海默病小鼠模型的海馬體中發(fā)現(xiàn)了標(biāo)準(zhǔn)二維掃描無(wú)法觀測(cè)到的特異性代謝簇。

研究論文：

https://www.biorxiv.org/content/10.1101/2023.11.27.568931v1

05

AQuaRef

領(lǐng)域：生命科學(xué)/ 蛋白質(zhì)科學(xué)

團(tuán)隊(duì)：勞倫斯伯克利國(guó)家實(shí)驗(yàn)室

簡(jiǎn)介：AQuaRef 是融合人工智能與量子計(jì)算的蛋白質(zhì)結(jié)構(gòu)建模方法，聚焦蛋白質(zhì)折疊的 “精修階段”，解決傳統(tǒng)人工智能（如阿爾法折疊）在藥物分子對(duì)接中物理精度不足的問(wèn)題。

其核心創(chuàng)新在于將量子機(jī)器學(xué)習(xí)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)合，模擬氨基酸之間電子層面的相互作用。

AQuaRef中AIMNet2 MLIP模型的計(jì)算縮放圖源：論文

相較于純傳統(tǒng)精修工具，該模型將蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)的均方根偏差降低 40%。此前，該模型成功完成一種復(fù)雜病毒蛋白酶的結(jié)構(gòu)精修，發(fā)現(xiàn)了一類(lèi)新型抗病毒藥物此前未被發(fā)現(xiàn)的結(jié)合口袋。并因其在解析帕金森病相關(guān)蛋白結(jié)構(gòu)方面的卓越表現(xiàn)備受關(guān)注。

研究鏈接：

https://www.nature.com/articles/s41467-025-64313-1

06

Neuro-Region Age-Mapper

領(lǐng)域：腦科學(xué)/ 遺傳學(xué)

團(tuán)隊(duì)：哈佛醫(yī)學(xué)院、南加州大學(xué)等

簡(jiǎn)介：Neuro-Region Age-Mapper是一款三維神經(jīng)網(wǎng)絡(luò)系統(tǒng)，用于解析大腦不同區(qū)域差異化衰老的遺傳機(jī)制。

該模型核心創(chuàng)新在于摒棄整體大腦單一腦齡”計(jì)算方式，基于 4 萬(wàn)余張磁共振影像，同步分析 148 個(gè)獨(dú)立腦區(qū)，可捕捉疾病的空間異質(zhì)性。

研究框架 圖源：論文

模型 基于三維卷積神經(jīng)網(wǎng)絡(luò)和多尺度結(jié)構(gòu)特征，鑒定出了1212 個(gè)與特定腦區(qū)衰老加速相關(guān)的遺傳關(guān)聯(lián)位點(diǎn)。發(fā)現(xiàn)KCNK2基因與阿爾茨海默病易感腦區(qū)的快速衰老特異性相關(guān)，為預(yù)防性治療提供全新靶點(diǎn)。

研究論文：

https://arxiv.org/abs/2602.12751

07

Unreasonable Discovery Platform

領(lǐng)域：生命科學(xué) / 藥物研發(fā)

團(tuán)隊(duì)：Unreasonable Labs

簡(jiǎn)介：這是一款“物理感知”人工智能平臺(tái)，由初創(chuàng)公司Unreasonable Labs開(kāi)發(fā)，旨在打通人工智能分子設(shè)計(jì)與實(shí)驗(yàn)室實(shí)際合成的技術(shù)壁壘。

該平臺(tái)核心創(chuàng)新在于采用自研化學(xué)“世界模型”，利用數(shù)學(xué)拓?fù)浣Y(jié)構(gòu)來(lái)識(shí)別不同科學(xué)領(lǐng)域之間的隱藏規(guī)律，從而生成全新的、可驗(yàn)證的科學(xué)假設(shè)。其注重因果關(guān)系特性，不僅預(yù)測(cè)分子藥效，還可判斷其能否通過(guò)標(biāo)準(zhǔn)實(shí)驗(yàn)室自動(dòng)化設(shè)備合成。成功將藥物研發(fā)中的“合成失敗率” 降低 60%。

在最新的展示中，該平臺(tái)在短短數(shù)周內(nèi)完成了以往需要數(shù)年才能實(shí)現(xiàn)的新型蛋白質(zhì)適應(yīng)性景觀模擬和可持續(xù)材料設(shè)計(jì)，在創(chuàng)紀(jì)錄時(shí)間內(nèi)成功鑒定并合成三種新型抗炎候選藥物。

研究論文：

https://arxiv.org/abs/2603.04124

08

ChemBERTa-77M-MTR

領(lǐng)域：藥物發(fā)現(xiàn)/化學(xué)信息學(xué)

團(tuán)隊(duì)：聯(lián)合研究團(tuán)隊(duì)

介紹：作為ChemBERTa家族的更新版本，這一基于Transformers的模型因其龐大的7700萬(wàn)分子訓(xùn)練集而備受關(guān)注。

該模型將化學(xué)SMILES字符串視為學(xué)習(xí)“分子語(yǔ)法”的語(yǔ)言，核心創(chuàng)新在于其跨模態(tài)注意力使模型能夠“讀取”生物活性文本（例如“抑制EC50”）并將其與化學(xué)結(jié)構(gòu)聯(lián)系起來(lái)。多任務(wù)回歸 (MTR) 策略，讓模型在預(yù)訓(xùn)練階段直接預(yù)測(cè) 200 種不同的分子理化性質(zhì)。模型因而具有極高的參數(shù)效率，使得其具備極強(qiáng)的捕捉功能團(tuán)和芳香環(huán)等化學(xué)特征的能力。

模型框架示意圖 圖源:論文

ChemBERTa結(jié)構(gòu)精簡(jiǎn)，但在多項(xiàng)性能測(cè)試中超過(guò)通用大模型，從傳統(tǒng)藥理學(xué)文獻(xiàn)中提取化合物-靶點(diǎn)活性三聯(lián)組的準(zhǔn)確率達(dá)到80%。

研究論文：

https://arxiv.org/pdf/2209.01712

Deep Science預(yù)印本