Skip to main content

Search: #生物物理建模

  1. 大脑如何“想象”?科学家发现感知与想象的神经代码共享

    我们常常能轻松地在脑海中“重播”过去的场景,或“创造”新的画面。这种神奇的“视觉想象”能力,让记忆和创造力成为可能。然而,大脑中究竟如何实现这一过程,特别是它与实际“看”东西的神经机制有何关系,一直是科学界的谜题。动物研究对视觉感知的神经基础已有深入探索,但对于人类大脑中“想象”的神经编码,了解却相对有限。

    新研究通过记录人类腹侧颞叶皮层(VTC,负责视觉识别的关键区域)中单个神经元的活动,揭示了这一谜题的答案。科学家发现,约80%的视觉响应神经元使用一种“分布式轴代码”来表示不同物体。他们利用这一代码成功重建了物体的视觉特征,并生成能最大化激活这些神经元的“合成刺激”。随后,当被试者想象特定物体时,记录显示,约40%的这些神经元会重新激活,其活动模式与实际看到该物体时完全一致。这表明,视觉想象并非凭空产生,而是通过“再激活”参与感知的同一神经元群体实现的。

    这一发现为“生成模型”理论提供了直接证据,即大脑可能通过重用感知时的神经活动模式来构建想象。这意味着,想象并非独立于感知的全新过程,而是感知机制的延伸。研究还指出,尽管大部分神经元参与想象,但仍有部分神经元不参与,这可能与个体差异或想象的具体内容有关。未来研究需要更大样本和更精细的刺激设计,以进一步阐明这一共享代码的完整机制。

    原来想象是大脑的“回放”功能!🧠


    来源:Science (New York, N.Y.)

    #大脑神经机制 #视觉想象 #腹侧颞叶皮层 #生成模型

    🧬 频道🧑‍🔬 群组📨 投稿
    🤔 4 👍 1
  2. 射精越频繁,精子质量越好?新研究颠覆"禁欲备孕"传统建议

    "备孕前禁欲几天让精子积累"——这几乎是生殖医学领域流传最广的民间智慧之一,世界卫生组织的官方建议也是取样前禁欲2至7天。然而,一项覆盖近5.5万名男性的大规模荟萃分析正在动摇这一共识。

    研究团队整合了115项已发表研究的精液数据,发现禁欲时间越长,精子质量反而越差:精子运动能力(游动能力)下降,存活率降低,DNA损伤程度上升。研究识别出两个主要机制:一是氧化应激——一种在储存精子中积累的生物性"锈蚀",对精子造成物理损伤;二是能量耗竭——精子不同于多数细胞,能量储备极为有限,长时间储存会"耗尽燃料"。

    研究还发现,精子在女性体内的衰减速度慢于在男性体内,推测是因为部分物种的雌性生殖道进化出了分泌抗氧化物质的专门器官,能延长精子的功能寿命。进一步分析56项跨30个动物物种的数据后,研究者确认精子储存劣化是跨物种的普遍生物规律——父方储精时间越长,后代胚胎存活率越低。研究建议:在辅助生殖(如IVF)中优先使用"新鲜"精子,并支持在取样前48小时内射精以改善结果。

    用进化生物学的话说,频繁射精可能是一种适应性行为——把老化的库存精子冲刷掉,换上新货。所以这研究的结论翻译成人话就是:想冲就冲!


    📖 Proceedings of the Royal Society B
    🗓 2026-03-25

    #生殖医学 #男性生育力 #精子 #生育健康

    Via:乘风破浪派大星

    🧬 频道🧑‍🔬 群组📨 投稿
    🍾 23 🌭 7 ❤️ 1
  3. 给神经器官装上“智能皮肤”:新框架实现高精度电生理监测

    神经器官是研究人类大脑的“迷你模型”,但现有技术难以全面捕捉其复杂的神经活动。科学家们一直面临一个难题:如何让电极更“贴近”这些微小的脑组织,同时不破坏其结构?新的研究可能带来突破。

    研究人员开发了一种形状适配的软质三维多孔框架,通过逆建模技术,能自组装成与神经器官完美贴合的形态。这种框架几乎完全覆盖器官表面,支持高密度的电极阵列,从而实现高分辨率的空间电生理记录。它不仅能记录神经信号,还能进行程序化电刺激,甚至结合荧光成像和光遗传学技术,实现多模态研究。

    这一创新为研究人类大脑发育、疾病模型(如自闭症或脊髓损伤)提供了新工具。它允许科学家更全面地理解神经网络的功能和连接,而不仅仅是局部区域。不过,目前研究主要针对皮质和脊髓器官,未来可能需要验证其在其他类型器官中的适用性。

    神经科学家终于能“摸”到器官的神经活动了!🧠


    来源:Nature biomedical engineering

    #神经器官 #电生理学 #生物工程 #脑研究 #器官模型

    🧬 频道🧑‍🔬 群组📨 投稿
    👍 4
  4. 给虚拟大脑请位“AI调音师”:新算法让生物模拟不再靠猜

    想要在电脑里造一个逼真的“虚拟大脑”,最难的不是画出结构,而是调参。真实的神经元极其复杂,拥有成千上万个控制离子流动和电化学反应的微小开关,过去科学家为了让模型符合生物学实验数据,只能像盲人摸象一样,依靠遗传算法进行低效率的随机试错 。这种方法一旦遇到拥有数百万突触的大型网络,计算量就会大到令人绝望,导致神经科学模型往往难以兼顾规模与精度 。

    Nature Methods上最近发表了一个名为JAXLEY的新工具,它给生物模拟器装上了AI的“大脑” 。该工具创造性地将深度学习的核心技术自动微分和反向传播引入生物物理模拟 。计算机能通过计算梯度,精确知道如何微调每一个离子通道或突触参数来减少误差 。实验显示,JAXLEY能同时优化拥有10万个参数的精细神经元网络,甚至能训练这些完全遵循生物定律的数字神经元去执行识别手写数字等任务,效率比传统方法快了几个数量级 。

    这项突破架让科学家首次能用AI的高效优化能力,去驾驭极其复杂的生物物理细节 。这意味着我们终于有能力构建大规模、数据驱动的精细大脑模型,从而深入研究微观结构如何涌现出宏观功能 。不过,虽然工具强大,科学家仍需警惕数学上的最优解可能并不唯一,因为在真实的生物系统中,往往存在多种不同的参数组合能产生相似的生理功能 。

    血肉苦弱,机械飞升🫡


    来源:Nature Methods

    #计算神经科学 #可微模拟 #生物物理建模

    🧬 频道🧑‍🔬 群组📨 投稿
    🔥 10
  5. AI 版“生命预测师”:GPT 新模型可预测上千种疾病演变

    近日,《自然》报道了一个名为 Delphi-2M 的人工智能模型 。它的研究团队基于 GPT 架构,使其能理解并处理贯穿人一生的、带有时间顺序的健康事件。该模型通过对英国生物样本库中超过 40 万名参与者的健康数据进行深度学习,构建了一个能预测超过 1000 种疾病演变的复杂模型 。为了验证其可靠性,研究者将其直接应用于一个全新的数据集 ——190 万丹麦人的健康记录,在未做任何参数修改的情况下,模型依然展现出强大的预测能力 。

    Delphi-2M 的预测准确性令人瞩目。在评估死亡风险这项终极健康事件时,其准确率(年龄分层 AUC)达到了惊人的 0.97 。在与多种现行的临床单一疾病风险评估工具(如心血管疾病和痴呆症的评分)的比较中,Delphi-2M 的表现相当,甚至在某些方面更优 。然而,该模型最核心的突破在于其“生成”能力:它不仅能预测,还能模拟、创造出长达 20 年的个人未来健康轨迹的虚拟数据。更令人惊讶的是,当研究者用这些完全合成的、不含任何真实个人信息的数据来训练一个新模型时,新模型的性能仅比原版略有下降,这为在绝对保护患者隐私的前提下进行医学研究开辟了全新路径 。

    这项技术为我们描绘了个性化精准医疗的未来蓝图,但研究团队也明确指出,AI 会忠实地学习训练数据中的任何偏见,例如“健康志愿者偏见”(即研究参与者通常比普通人群更健康),因此将其直接用于临床诊断决策需格外谨慎 。
    AI 预测我 20 年后会不会生病,可我更想知道我下周的 deadline 能不能活过去。😭😭😭


    Nature
    #人工智能 #疾病预测 #生成式AI
    👏 7