追问daily|为什么青少年睡得晚、老年人起得早？

█ 脑科学动态

Cell：来曲唑+伊立替康逆转阿尔茨海默病小鼠记忆缺陷

Nature：心脏药物地高辛竟成肠道感染帮凶

新冠大流行如何加速全民脑衰老

为什么婴儿不能安静午睡、青少年睡得晚、老年人起得早

个性化深部脑刺激显著改善帕金森病患者步态

星形胶质细胞如何调控视觉皮层神经元群体编码？

新流体动力学模型有望改善脑积水治疗

█ AI行业动态

阿里推出开源AI编程模型Qwen3-Coder

Neuralink完成双台脑机接口手术，七名受试者每周使用超50小时

█ AI驱动科学

MultiDismantler算法：深度学习助力高效瓦解多层网络

即使犯错，AI聊天机器人依旧“迷之自信”

植入式脑机接口临床转化：现状、挑战与未来方向

计算时钟识别出可能使衰老脑细胞恢复活力的化合物

AI视觉为何看不懂残缺的图像？

空间计算：利用大脑物理布局实现灵活认知

AI预测抗体疗效的瓶颈是数据而非模型

脑科学动态

Cell：来曲唑+伊立替康逆转阿尔茨海默病小鼠记忆缺陷

如何在现有药物中寻找治疗阿尔茨海默病的新组合？格莱斯顿研究所的黄亚东、加州大学旧金山分校的Yaqiao Li与Marina Sirota等团队，通过整合人脑单细胞转录组、药物扰动数据库和140万份电子病历，筛选并验证了已获批抗癌药物来曲唑与伊立替康的联合方案，显著逆转AD小鼠模型的记忆缺陷与病理表现。

研究团队首先从三项公开的人脑单细胞RNA测序项目中提取神经元与胶质细胞的疾病特征基因表达谱。随后，他们将这些特征与Connectivity Map数据库中的1300种药物扰动特征比对，发现86种药物可逆转单一细胞类型的AD特征，25种药物可逆转多细胞类型特征，其中10种已获FDA批准。利用加州大学140万名65岁以上人群的匿名电子病历，研究人员进一步确认其中5种药物暴露与AD风险降低相关。最终，他们选择在5×FAD×PS19双转基因小鼠模型中验证来曲唑（letrozole，乳腺癌芳香化酶抑制剂）与伊立替康（irinotecan，结直肠癌拓扑异构酶抑制剂）的联合疗效。结果显示，联合治疗组小鼠的空间记忆显著优于单药组和对照组，脑内Aβ斑块与tau缠结明显减少，单核转录组分析证实疾病相关基因网络在神经元和胶质细胞中被特异性逆转。研究发表在 Cell 上。

Nature：心脏药物地高辛竟成肠道感染帮凶

非抗生素药物如何影响肠道健康？耶鲁大学的Aman Kumar、Ruizheng Sun、Bettina Habib等团队通过百万级人群数据分析和小鼠实验发现，包括心脏病药物地高辛在内的多种非抗生素药物会破坏肠道菌群平衡，显著增加感染风险。

研究团队首先分析了加拿大蒙特利尔地区超过100万居民15年的医疗记录，采用案例交叉研究设计，发现21种非抗生素药物与肠道感染风险增加相关，其中地高辛的几率比（OR）达1.67。随后通过小鼠实验验证，地高辛处理使沙门氏菌负荷增加100倍（P

新冠大流行如何加速全民脑衰老

新冠大流行是否独立于感染而损害大脑？英国诺丁汉大学的Ali-Reza Mohammadi-Nejad、Stamatios N. Sotiropoulos、Dorothee P. Auer等团队通过UK Biobank纵向影像数据发现，疫情本身即可加速大脑衰老，且与感染状态无关。

研究首先在15,334名健康成年人的脑部MRI中提取数百种多模态成像特征（包括灰质厚度、白质完整性等）训练机器学习模型，用于预测“大脑年龄差”（brain age gap, BAG）。随后将模型应用于996名独立参与者，其中432人经历疫情前后两次扫描，564人两次扫描均在疫情前完成。结果显示，经历疫情者第二次扫描的BAG平均高出对照组5.5个月（Cohen’s d≈0.61–0.70）。无论是否感染SARS-CoV-2，Pandemic组均出现BAG加速。效应在男性、老年人及来自高剥夺背景（低就业评分、低收入、低健康评分）人群中更显著。认知测试显示，仅COVID-19感染者在Trail Making Test（TMT，一种评估思维灵活性和处理速度的任务）上成绩下降，且下降幅度与BAG加速正相关。研究发表于 Nature Communications。

数学模型解释为什么婴儿不能安静午睡、青少年睡得晚、老年人起得早

为何婴儿午睡不定、青少年晚睡晚起、老年人又提早醒来？针对这些普遍的睡眠现象，萨里大学的 Anne C. Skeldon 和 Derk-Jan Dijk 通过数学方法，对经典的睡眠调节双过程模型进行了深入分析与扩展，揭示了贯穿整个生命周期的睡眠模式背后的统一调控机制。

▷ 双过程模型。Credit: npj Biological Timing and Sleep (2025).

研究团队首先深入剖析了经典的睡眠双过程模型（2PM）的数学结构，该模型将睡眠视为睡眠压力（homeostatic sleep pressure，清醒时积累、睡眠时释放的生理需求）与生物钟共同作用的结果。他们将整个系统视为一组非线性振荡器（nonlinear oscillators，即相互影响的节律性系统），并将光照对生物钟的影响整合进来，构建了一个更全面的“2PM+光照”模型。通过数学模拟，该模型成功解释了多种睡眠现象。例如，婴儿期不规律的午睡被解释为一种“魔鬼阶梯”（Devil's staircase）动力学现象，即系统在临界点附近对微小变化极其敏感。

模型还显示，青少年晚睡是由于其睡眠压力积累速度较慢，且晚间的光照环境进一步推迟了睡眠节律。令人意外的是，老年人早醒或许并非源于生物钟的简单老化，而是控制睡眠的各个系统间相互作用模式改变所致。研究强调，现代室内生活方式通过人造光扰乱了生理节律与外部环境的同步，从而影响睡眠健康。这一成果为开发个性化的睡眠干预策略提供了定量的预测框架。研究发表在 npj Biological Timing and Sleep 上。

个性化深部脑刺激显著改善帕金森病患者步态

帕金森病（Parkinson's disease）患者常伴有显著的步态障碍，如步长变化和双腿不对称，这严重影响其活动能力并增加跌倒风险。尽管高频深部脑刺激（DBS）对震颤、僵硬和运动迟缓症状有效，但其对步态的影响仍具变数。加州大学旧金山分校（University of California, San Francisco）的研究人员，包括Hamid Fekri Azgomi和Doris D. Wang等，开发了一种系统性方法，旨在优化DBS设置以改善帕金森病患者的步态，并揭示其神经生理学机制。

他们为患者植入可同步刺激与记录的DBS设备，在患者行走时采集其大脑苍白球（globus pallidus，大脑深处一个对运动控制至关重要的结构）和运动皮层的神经信号。研究人员首先开发了一个综合性的步行表现指数（Walking Performance Index, WPI），该指数整合了步长、速度、手臂摆动和一致性等多个关键指标，以实现对步态的全面量化评估。随后，团队系统性地调整DBS的刺激参数，并利用机器学习模型（高斯过程回归器）来学习刺激参数、神经活动与WPI之间的复杂关系。该模型能够准确预测不同参数组合对步态的影响，从而为每位患者识别出能最大程度改善其行走能力的个性化设置。结果显示，经过个性化优化的DBS设置显著提升了患者的WPI，使其步伐更快速、更稳定。更重要的是，研究发现步态的改善与行走特定阶段苍白球区域的β波段脑电波活动（beta-band brainwave activity，一种通常与运动抑制相关的大脑节律）的减弱密切相关。研究发表在 npj Parkinson's Disease 上。

星形胶质细胞如何调控视觉皮层神经元群体编码？

大脑中的非神经元细胞如何影响信息处理？麻省理工学院的Jiho Park、Mriganka Sur及其同事，通过研究星形胶质细胞揭示了其关键作用。他们发现，星形胶质细胞通过调控一种名为GABA的神经递质，来组织神经元群体的协调活动。

▷ 研究过程中生成的图像展示了该团队敲除 Gat3 蛋白的效果。左图为实验对照组，显示了未敲除该蛋白时的小鼠皮层；右图为敲除后，视觉皮层中的该蛋白几乎被完全消除（暗色楔形）。Credit: Jiho Park/Sur Lab

为精确研究星形胶质细胞的功能，团队首先开发了一种名为MRCUTS的新型CRISPR/Cas9基因编辑工具，用于在活体小鼠视觉皮层的星形胶质细胞中特异性敲除GABA转运蛋白3（GABA transporter 3 (Gat3)）。随后，研究人员利用双光子钙成像技术，在小鼠观看电影时实时监测其神经元活动。结果出乎意料，敲除Gat3对单个神经元的影响很小，它们依然能对视觉刺激做出反应。然而，真正的变化发生在群体层面。由于Gat3缺失导致周围环境中抑制性神经递质GABA过量，神经元之间的“团队合作”被严重破坏。利用广义线性模型分析发现，神经元间的活动协调性显著下降。更重要的是，基于支持向量机的解码器分析表明，整个神经元群体编码视觉信息的能力严重受损。这一发现证明，星形胶质细胞并非只是被动的支持细胞，而是通过Gat3主动调节神经元网络的工作状态，确保了信息处理的效率和准确性。研究发表在 eLife 上。

新流体动力学模型有望改善脑积水治疗

脑积水患者依赖的脑部分流管为何频繁失效？为解决这一难题，哈佛大学约翰·A·保尔森工程与应用科学学院的Haritosh Patel、Joanna Aizenberg和Venkatesh Murthy等人开发了一款名为BrainFlow的创新计算模型，旨在通过精确模拟脑脊液流动，为设计更耐久、更具个体化的新一代分流管提供科学依据。

▷ 模拟脑分流流体动力学的示意图。Credit: Haritosh Patel / Harvard SEAS

研究团队开发了名为BrainFlow的计算工具，它本质上是一个高精度的“数字大脑”模型。该模型创新性地整合了患者个体的医学影像数据、大脑解剖结构和心脏搏动引起的脑脊液脉动式流动（pulsatile flow）等多种复杂因素。通过这种方式，BrainFlow能够精确模拟脑脊液（cerebrospinal fluid，简称CSF，一种存在于脑部和脊髓的清澈液体）在植入分流管后在大脑心室系统内的真实流动情况。更重要的是，模型还能追踪生物分子的运送和积聚，从而预测导致分流管堵塞的主要风险。与过去简化的“盒子”模型不同，BrainFlow经四维MRI流动数据验证，展现了高度的准确性。研究发表在 PNAS 上。

AI 行业动态

Neuralink完成双台脑机接口手术，七名受试者每周使用超50小时

马斯克旗下的脑机接口公司Neuralink近日取得重大突破。7月22日，该公司宣布成功在单日内完成P8和P9两台脑机接口植入手术，创下新纪录。两位患者术后恢复良好，精神状态稳定。目前，Neuralink已有七名受试者植入设备，包括四名脊髓损伤患者和三名肌萎缩侧索硬化症患者，他们平均每周使用设备约50小时，最高使用时长超过100小时。

马斯克对Neuralink的未来充满信心，他描绘了该技术可能带来的变革：帮助瘫痪者重新行走，或让阿尔茨海默病患者重新认出亲人。公司计划在2025年实现言语皮层植入，直接解码无声的"意图言语"；2026年将电极数量提升至3000个，并启动"盲视"项目，通过刺激视觉皮层帮助失明者恢复部分视力。到2028年，电极数预计超过2.5万个，可治疗精神疾病和神经性疼痛等更复杂的病症。

阿里推出开源AI编程模型Qwen3-Coder

阿里巴巴集团近日发布了其开源人工智能编程模型Qwen3-Coder，并称这是该公司迄今为止最先进的代码生成工具。该模型专为软件开发任务设计，包括代码生成和复杂编程流程管理，尤其擅长“自主AI编码任务”（Agentic AI Coding Tasks），即AI系统能独立完成编程挑战的自动化流程。阿里巴巴表示，Qwen3-Coder在关键编码能力上超越了国内竞争对手，如深度求索（DeepSeek）和月之暗面（Moonshot AI）的K2模型，并在某些领域与美国领先模型如Anthropic的Claude和OpenAI的GPT-4表现相当。

Qwen3-Coder-480B-A35B-Instruct是该模型的最强版本，拥有4800亿参数，支持256K上下文长度，并可扩展至100万token。阿里巴巴还开源了一款命令行工具Qwen Code，基于Gemini Code改进，旨在充分发挥Qwen3-Coder在自主编码任务中的潜力。此外，该模型兼容主流开发者工具，并支持通过Alibaba Cloud Model Studio直接调用API。研究人员表示，Qwen3-Coder在代码执行成功率、工具使用和浏览器 交互等任务上均达到开源模型的顶尖水平。

阿里巴巴强调，Qwen3-Coder的研发重点包括大规模预训练、代码强化学习（Code RL）和长周期强化学习（Agent RL）。通过优化数据质量和环境扩展，该模型在真实世界软件工程任务（如SWE-Bench）中表现出色。未来，团队计划推出更多模型版本，以降低部署成本，并探索AI编程代理的自我改进能力，进一步提升软件开发效率。

AI 驱动科学

如何高效瓦解由交通、电力、社交等构成的多层复杂网络是网络科学领域的一大挑战，传统方法难以处理其层间复杂的依赖关系。北京化工大学的Weiwei Gu、Chen Yang、Lei Li等人提出了一种名为MultiDismantler的智能算法，它融合图神经网络和深度强化学习，能高效识别并移除多层网络中的关键节点，为复杂系统的安全防护提供了全新思路。

MultiDismantler算法的核心是深度强化学习与先进图表示学习的结合。面对多层网络中故障会跨层传播的级联失效（cascading failure）难题，该算法首先采用多层图神经网络（MGNN，一种能同时处理多层网络结构信息的神经网络），通过独特的跨层注意力机制，将网络内部和层级之间的复杂依赖关系编码成一个全面的特征表示。随后，算法利用深度Q网络（DQN，一种通过试错学习最优策略的强化学习模型）进行决策。智能体（agent）在模拟环境中不断选择移除节点，并根据网络连通性的瓦解效果获得奖励，从而自主学习到最优的节点移除顺序。

整个模型在大量由几何多层模型（GMM）生成的、结构多样的合成网络上进行训练，确保了其强大的泛化能力。在性能评估中，研究团队使用了瓦解曲线下面积（AUDC，值越小表示瓦解效率越高）等指标。结果显示，无论是在合成网络还是真实的生物、交通网络中，MultiDismantler均显著优于现有方法。例如，在真实网络上，其瓦解效率相比次优算法提升了8.4%，展现了卓越的性能和应用潜力。研究发表在 Nature Machine Intelligence 上。

即使犯错，AI聊天机器人依旧“迷之自信”

人工智能（AI）聊天机器人已无处不在，但它们能否准确评估自身回答的置信度？卡内基梅隆大学（Carnegie Mellon University）的Trent N. Cash与Daniel M. Oppenheimer等人通过对比人类与多款主流大语言模型，发现AI在犯错后无法像人类一样有效调整自信心，反而可能变得更加盲目自信，揭示了其在元认知方面的关键缺陷。

研究人员比较了四种大语言模型（ChatGPT、Bard/Gemini、Sonnet和Haiku）与人类参与者在五项不同任务中的表现和自信心。这些任务包括预测NFL比赛结果等偶然性任务，以及回答知识性问题和玩类似“画图猜词”的游戏等。研究的核心是考察参与者在任务前后的自信心变化。研究发现，AI和人类在任务前的预测都倾向于过度自信，并且在任务中的实际准确率相近。

然而，最大的区别在于事后的反思能力，即元认知（metacognition，指个体对自身思维过程的认知和调节能力）。人类在意识到自己表现不佳后（例如，预期答对18题，实际只对15题），会下调自己的评估（事后可能估计答对16题），表现出从错误中学习的迹象。相比之下，LLMs缺乏这种能力。以Gemini为例，在“画图猜词”游戏中，它预测能答对10.03个图像，实际平均只能识别0.93个，但在任务结束后，它反而将自己的表现评估为14.40个正确答案，表现出极度的、未经校准的自信。这一发现表明，当前的AI模型不擅长内省，无法根据即时反馈有效调整其自信心，这对于在关键领域依赖其决策的用户是一个重要警示。研究发表在 Memory Cognition 上。

植入式脑机接口临床转化：现状、挑战与未来方向

牛津大学医院的Esmee Dohle、伦敦大学学院的Jamie Brannigan及其同事通过系统性回顾112项研究，首次建立了全球iBCI试验参与者注册库，并指出当前研究重技术、轻临床的现状，呼吁建立统一的临床结果衡量标准。

该研究是一项大规模的系统性综述，研究人员全面分析了截至目前的112项相关临床研究，旨在描绘植入式脑机接口在运动障碍治疗领域的全球发展全景。研究团队创建了首个全球iBCI试验参与者注册库，共识别出80名独特的参与者，发现研究自2020年以来呈爆炸式增长。这些接口已被用于控制机器人假肢、电脑光标乃至实现语音解码。然而，分析揭示了一个关键的转化瓶颈：评估标准的缺失。尽管大多数研究（69.6%）前瞻性地报告了结果，但这些指标主要集中在设备的技术性能上，例如信号解码的准确性或完成任务的速度。仅有极少数研究（17.9%）评估了设备对患者生活质量、独立性等有实际意义的临床结局，且所用方法五花八门，难以横向比较。这一发现凸显了将工程学突破转化为可靠医疗手段的鸿沟。作者强调，未来需要工程师、临床医生和患者共同协作，开发出标准化的临床疗效衡量标准，这对于推动iBCI技术获得监管批准并最终惠及患者至关重要。研究发表在 Advanced Science 上。

计算时钟识别出可能使衰老脑细胞恢复活力的化合物

西班牙CIC bioGUNE和卢森堡大学（University of Luxembourg）的Antonio Del Sol、Guillem Santamaria及其团队，开发了一个基于机器学习的大脑“衰老时钟”，并用它成功识别出数百种可能使脑细胞恢复活力的候选化合物。

▷ 用于识别大脑再生干预措施的计算平台的开发和应用概述。Credit: Advanced Science (2025).

研究团队首先开发了一个大脑特异性的计算“衰老时钟”。该时钟采用了机器学习方法，通过分析健康人群（年龄跨度从20岁到97岁）的脑组织数据，最终锁定365个关键基因的表达水平来精确预测大脑的“转录组年龄”。研究发现，神经退行性疾病患者的预测年龄显著高于其实际年龄，这支持了神经退行性病变是“大脑加速衰老”的观点。随后，团队利用这个时钟平台，系统性地筛选了超过四万个经过不同化合物或基因干预处理后的脑细胞数据，最终识别出453种能够显著逆转大脑转录组年龄的独特干预措施。为了进行概念验证，研究人员选取了三种有前景的化合物并在老年小鼠身上进行了测试。结果令人鼓舞，这些化合物的组合不仅使小鼠大脑皮层的转录组在分子水平上恢复到更年轻的状态，还实际改善了它们的行为功能，表现为焦虑水平降低和空间记忆能力提升。研究发表在 Advanced Science 上。

AI视觉为何看不懂残缺的图像？

为何人类能轻易识别碎片化物体而AI不行？洛桑联邦理工学院（EPFL）的Ben Lonnqvist、Martin Schrimpf及其合作者，通过对比50名人类与超千个AI模型的视觉测试发现，关键在于人类视觉系统卓越的轮廓整合能力，并指出该能力可通过特定训练赋予AI，为构建更鲁棒的人工智能视觉系统提供了新思路。

▷ 人工和深度神经网络对（左图）：标准 RGB 图像的分类。（中图）：轮廓提取图像。（右图）：需要轮廓整合的碎片化图像。在超过 1000 个测试模型中，绝大多数在物体轮廓出现碎片化时，在分类任务中都会彻底失败。Credit: arXiv (2025).

研究团队设计了一套包含20种不同条件的物体识别任务，图像中的物体轮廓被系统性地打碎或擦除。测试结果显示，人类视觉具有惊人的稳健性，即使物体轮廓仅剩35%可见，识别准确率仍能维持在50%左右。相比之下，超过1000个参与测试的AI模型，包括许多先进系统，在同样条件下表现急剧下降，几乎等同于随机猜测。研究人员发现，人类在识别时表现出一种“整合偏差”（integration bias，即大脑倾向于将方向一致的碎片整合为连续形态），这是高效识别的关键。深入分析表明，模型的性能与其训练数据规模直接相关，只有像GPT-4o这样经过数十亿图像训练的模型才能接近人类水平。更重要的是，当研究者专门训练AI模型学习轮廓整合（contour integration，一种将不连续视觉元素整合成完整形状的认知机制）时，模型不仅获得了整合偏差，其识别模式也变得更侧重于物体的整体形状，而非表面纹理。这表明轮廓整合并非生物视觉独有的天赋，而是可以通过大规模数据学习获得的机制。

空间计算：利用大脑物理布局实现灵活认知

大脑如何灵活地控制信息并把规则应用于全新场景？瑞典卡罗林斯卡学院的研究人员 Abhirup Bandyopadhyay 和 Mikael Lundqvist 提出并模拟了一种名为“空间计算”的新理论。他们构建的神经网络模型表明，利用大脑皮层的物理空间作为计算维度，可以实现高效、可泛化的认知控制。

研究团队构建了一个模拟大脑皮层的二维神经网络模型，其核心思想是“空间计算”（Spatial computing），即将大脑的物理拓扑结构用作一个额外的计算资源。为了让模型稳定运行，研究人员引入了两个符合大脑真实连接模式的关键机制：依赖距离的同类神经元兴奋性连接，以及由局部反馈抑制产生的“局部赢者通吃”动态（winner-takes-all dynamics，WTA，即在一个局部区域内，最活跃的神经元会抑制其邻近神经元，从而脱颖而出）。模型演示，通过模拟来自前额叶皮层等高级脑区的控制信号，可以像移动棋子一样，在二维“皮层”上精确地移动、放置和删除不同的信息表征。例如，对工作记忆（working memory，大脑中用于临时存储和处理信息的系统）中的项目进行重新排序，只需在模型中改变这些项目表征的空间位置即可。这一机制最大的优势在于，它将“记什么”（感觉信息本身）与“如何操作”（认知控制）分离开来。因此，一旦学会了某种操作（如“反转顺序”），该操作就可以自动应用于任何新的、前所未见的信息，这为理解人类的“零样本学习”能力提供了全新的计算视角。

AI预测抗体疗效的瓶颈是数据而非模型

抗体药物研发的关键在于预测其与抗原的结合强度，但现有AI模型因实验数据稀少而频繁失效。为解决此问题，牛津大学的Alissa M. Hummer, Constantin Schneider, Lewis Chinery及Charlotte M. Deane团队开发了新模型Graphinity，并构建了近百万的合成数据集，系统地探究了构建通用预测模型所需的数据量与多样性，指出数据匮乏是当前的核心瓶颈。

研究团队首先开发了Graphinity，一种等变图神经网络（EGNN，一种能处理三维空间结构数据的神经网络），用于预测抗体-抗原结合强度的变化（ΔΔG）。在小规模的公开数据集上，模型表现出高达0.87的皮尔逊相关系数，但团队证实这源于模型过拟合。为探究模型的真实“胃口”，他们使用FoldX（一个基于物理方程和经验测量的蛋白质结构分析工具）生成了近100万个合成数据点。在此海量数据上训练后，Graphinity的性能稳定在r=0.89，且表现稳健。研究发现，模型的预测性能在使用至少90,000个突变数据进行训练后才开始趋于稳定，这揭示了当前实验数据集在数量上存在巨大鸿沟。此外，数据多样性比数量更关键，抗体序列和氨基酸替换类型的丰富度对模型泛化能力的影响，远超突变位点在界面上的具体分布。该研究清晰地指出，数据可用性而非模型架构，是目前抗体亲和力预测领域面临的主要挑战。研究发表在 Nature Computational Science 上。