追问daily | 我们如何感知苦味？脊髓神经元群可以不依赖大脑进行运动学习；自发思维的大脑解码

█脑科学动态

我们如何感知苦味？苦味受体的蛋白质结构

脊髓神经元群可以不依赖大脑进行运动学习

新数学模型可预测阿尔茨海默病的个体化疾病进程

使用MRI识别脑癌生物标志物

环境毒素，帕金森病的起源和传播的新假设

█AI行业动态

斯坦福HAI发布2023年AI指数报告

█AI研发动态

机器学习解码大脑的自发想法

Google推出“Infini-attention”，实现大语言模型处理无限长输入

UMBRAE：大脑信号的统一多模态解码

测试时训练技术，提升抑郁症检测性能

如何构建可靠且富有同情心的抑郁症诊断对话

Tyche：提高医学图像分割的精确性和灵活性

脑科学动态

我们如何感知苦味？苦味受体的蛋白质结构

苦味是基本味觉之一，对于辨别有害物质至关重要。北卡罗来纳大学医学院领导的研究最近解析了苦味受体TAS2R14的蛋白质结构。TAS2R14 是苦味受体 G 蛋白偶联受体 (GPCR) 家族的一员，这些受体附着在 G 蛋白上，可将细胞外信号转化为细胞内信号。与其他苦味受体不同的是，TAS2R14 可以识别100多种不同的苦味味觉物质。

研究人员发现，当这些物质与 TAS2R14 受体接触时，会楔入受体上的变构位点（allosteric site），并使蛋白质改变形状，从而激活其所附着的 G 蛋白。这会触发味觉受体细胞内的一系列生化反应，激活受体并发出信号，随后信号沿着神经纤维，通过面部的脑神经，最终到达大脑的味觉皮层区域，大脑正是在这里处理并感知苦味信号。与此同时，研究人员发现胆固醇可以与 TAS2R14 苦味受体的正构口袋（orthosteric pocket）位点结合，使该苦味受体处于半活化状态，并更容易被味觉物质激活。研究发表在Nature上。

#TAS2R14 #苦味感知 #G蛋白偶联受体 #药物开发 #代谢疾病

阅读论文：

Kim, Y., Gumpper, R. H., Liu, Y., Kocak, D. D., Xiong, Y., Cao, C., Deng, Z., Krumm, B. E., Jain, M. K., Zhang, S., Jin, J., & Roth, B. L. (2024). Bitter taste receptor activation by cholesterol and an intracellular tastant. Nature, 1–8. https://doi.org/10.1038/s41586-024-07253-y

脊髓神经元群可以不依赖大脑进行运动学习

日本RIKEN脑科学中心的Aya Takeoka及其团队通过对小鼠脊髓的研究，风险脊髓中的神经回路可以独立于大脑进行运动学习和记忆。通过特定的实验设置，研究团队观察到小鼠脊髓在没有大脑输入的情况下通过电刺激学会了避免不愉快的腿部位置。每个测试都有一只实验小鼠和一只后腿自由悬挂的对照小鼠。如果实验小鼠的后腿下垂太多，它就会受到电刺激，模仿小鼠想要避开的东西。对照小鼠同时接受相同的刺激，但与其后腿位置无关。仅仅 10 分钟后，他们就仅在实验小鼠中观察到了运动学习；他们的腿保持高高，避免任何电刺激。

研究进一步通过禁用特定的神经元，确定了脊髓中参与运动学习和记忆的关键神经元群体。背侧抑制性神经元对于调节与肢体位置相关的感觉信息传递，以及增强条件性线索的显著性至关重要，而腹侧的Renshaw细胞则关键于维持已学习的运动适应。研究发表在Science上。

#脊髓 #运动学习 #神经回路 #Renshaw细胞 #自适应行为

阅读论文：

Lavaud, S., Bichara, C., D’Andola, M., Yeh, S.-H., & Takeoka, A. (2024). Two inhibitory neuronal classes govern acquisition and recall of spinal sensorimotor adaptation. Science, 384(6692), 194–201. https://doi.org/10.1126/science.adf6801

新的数学模型可预测阿尔茨海默病的个体化疾病进程

在阿尔茨海默病的研究中，杜克大学医学院与宾夕法尼亚州立大学的科学家合作开发了一种创新的数学模型，以个性化的方法预测疾病进展。这项研究由杜克大学的Jeffrey R. Petrella领导，涵盖了多学科的研究团队，他们使用超过800名参与者的实际数据来构建模型。

该研究通过阿尔茨海默病神经影像学倡议收集的数据，采用了基于淀粉样蛋白级联假说的阿尔茨海默病生物标志物级联模型。模型使用微分方程系统分析四种生物标志物的数据，成功地为每位参与者创建了反映个体疾病特征的14个参数。这些参数能够显著区分不同临床诊断组别，预测未来生物标志物水平的准确性高，大部分受试者的预测误差率低于20%。此外，研究还发现了两种明显的内表型组，显示了不同的生物标志物和疾病进程轨迹。研究发表在The Journal of Prevention of Alzheimer’s Disease上。

#阿尔茨海默病 #数学模型 #个性化医疗 #生物标志物 #疾病预测

阅读论文：

Petrella, J. R., Jiang, J., Sreeram, K., Dalziel, S., Doraiswamy, P. M., Hao, W., & Alzheimer’s Disease Neuroimaging Initiative. (2024). Personalized Computational Causal Modeling of the Alzheimer Disease Biomarker Cascade. The Journal of Prevention of Alzheimer’s Disease, 11(2), 435–444. https://doi.org/10.14283/jpad.2023.134

使用MRI识别脑癌生物标志物

来自生物医学工程与影像科学学院的研究团队发表了一项关于胶质母细胞瘤放射基因组学生物标志物的研究。该团队采用系统回顾方法，遵循 PRISMA 指南，通过 PubMed、Medline 和 Embase 数据库进行数据收集。研究利用 QUADAS 2 工具和 CLAIM 清单对九项回顾性研究进行定性分析，发现通过 MRI 扫描从感兴趣区域提取的生物标志物，如表观扩散系数值和相对脑血容量值，可以与肿瘤或免疫细胞的基因组标记及患者的生存率相关联。这些生物标志物具有指导临床试验中患者个性化新辅助治疗的潜力，但由于研究设计存在偏倚和适用性问题，相关结果的普适性和准确性尚需进一步验证。研究发表在Neuro-Oncology Advances上。

#胶质母细胞瘤 #MRI成像 #放射基因组学 #生物标志物 #免疫治疗

阅读论文：

Prajwal, G., Ben, K., Karami, G., Prabhu, A., Richard, H., Keyoumars, A., Marc, M., & Thomas, B. C. (2024). Radiogenomic biomarkers for immunotherapy in glioblastoma: A systematic review of magnetic resonance imaging studies. Neuro-Oncology Advances, vdae055. https://doi.org/10.1093/noajnl/vdae055

环境毒素，帕金森病的起源和传播的新假设

来自丹麦奥胡斯大学医院领导的国际团队发表的最新研究，在探讨帕金森病和Lewy体疾病的起因中，将目光转向了环境毒素，如农药、工业化学品和空气污染，这些都是引发病理改变的可能触发因素。研究人员使用临床评估、活体成像和病理学检查来跟踪病理变化的传播。通过分析嗅觉系统和肠道神经系统的α-突触核蛋白病理变化，研究团队提出了一种新的疾病模型。模型预测，通过鼻子吸入的毒素可能导致嗅觉系统中α-突触核蛋白的病理变化，这些变化随后传播并引发Lewy体疾病的大脑优先亚型。同样，通过口服的毒素可通过肠道引起α-突触核蛋白的病理变化，然后通过副交感和交感途径扩散，最终产生身体优先的亚型。研究发表在Journal of Parkinson’s Disease上。

#环境毒素 #帕金森病 #Lewy体痴呆 #病理学变化 #预防策略

阅读论文：

Dorsey, E. R., De Miranda, B. R., Horsager, J., & Borghammer, P. (2024). The Body, the Brain, the Environment, and Parkinson’s Disease. Journal of Parkinson’s Disease, Preprint(Preprint), 1–19. https://doi.org/10.3233/JPD-240019

AI 行业动态

斯坦福HAI发布2023年AI指数报告

斯坦福大学人工智能研究院（HAI）近日发布了详尽的2023年人工智能指数报告，全面梳理了人工智能行业的最新发展和挑战。报告指出，自2014年以来，产业界在AI发展上已超越学术界，尤其在机器学习模型的创新上表现突出。到2022年，产业界研发了32个重要模型，而学术界仅有3个。

尽管AI系统的性能在传统基准测试上已接近饱和，但新推出的基准测试套件，如BIG-bench和HELM，仍在推动技术向前发展。此外，AI对环境的影响复杂多面，一方面，像BLOOM这样的模型在训练过程中产生了大量碳排放；另一方面，新的模型如BCOOLER显示了AI在优化能源使用方面的潜力。

报告还提到，AI技术在科学研究中的应用逐渐增多，已被用于氢聚变研究、提高矩阵操作效率及开发新抗体等领域。同时，AI滥用事件也在增多，例如制作深度伪造视频及监狱中的电话监控应用。

经济方面，美国对AI相关技能的需求持续增长，而私人对AI的投资在2022年虽有所下降，但长期趋势仍显示出显著增长。全球政策制定者对AI的兴趣也在增加，立法提及AI的次数显著上升。

最后，对AI产品和服务的全球态度差异显著，中国公民对AI的接受度最高，而美国公民相对保守。这一调查结果反映了不同文化和经济背景下对技术接受程度的差异。

#人工智能 #科技发展 #环境影响 #全球态度 #产业应用

阅读更多：

https://aiindex.stanford.edu/wp-content/uploads/2023/04/HAI_AI-Index-Report_2023.pdf

AI 研发动态

机器学习解码大脑的自发想法

在Hong Ji Kim和Woo Choong-Wan的领导下，与达特茅斯学院的Emily Finn合作的研究团队，探索了使用功能性磁共振成像和机器学习技术实时预测人脑中自发思维的情感维度的可能性。该研究提供了一种新方法，通过分析个人叙事与大脑活动的关联来研究通常难以捕捉的内部思维流。

通过收集49名参与者在阅读个人故事时的大脑活动数据，研究团队构建了预测模型来解码思维中的自我相关性和情感价值。他们发现，默认模式网络、腹侧注意力网络和前额顶叶网络对预测这些维度尤为重要。前岛叶和中扣带皮层有助于自我相关性预测，左侧颞顶交界处和背内侧前额叶皮层有助于效价预测。此外，模型还成功应用于199名参与者在无任务、静息状态下的自发思维数据，显示出解码日常梦想的潜力。研究发表在PNAS上。

#自发思维 #功能性磁共振成像 #情感维度 #预测模型 #心理健康

阅读论文：

Kim, H. J., Lux, B. K., Lee, E., Finn, E. S., & Woo, C.-W. (2024). Brain decoding of spontaneous thought: Predictive modeling of self-relevance and valence using personal narratives. Proceedings of the National Academy of Sciences, 121(14), e2401959121. https://doi.org/10.1073/pnas.2401959121

Google推出“Infini-attention”技术，实现大语言模型处理无限长输入

Google最新研发的“Infini-attention”技术，旨在解决大型语言模型（LLMs）处理长序列数据时内存和计算资源的限制。这项技术通过结合压缩记忆、局部掩码注意力和长期线性注意力于单个Transformer块，使得大型语言模型能在有限的资源下处理无限长的输入数据。

“Infini-attention”技术的核心在于其创新的压缩记忆机制，允许模型在保持性能的同时，大幅降低对内存的需求。实验表明，这种技术在处理长上下文语言建模任务时，内存压缩比率达到114倍。此外，它还通过整合局部和长期注意力机制，增强了模型捕捉短期和长期依赖信息的能力。

模型的流式处理能力也得到了显著提升，使其能够在流式推理过程中高效处理极长的输入序列。这一技术的应用效果已在多个任务上得到验证，例如处理长达1M序列的密钥上下文块检索任务，以及长达500K的书籍摘要任务，均展示了优越的性能。

#InfiniAttention #Transformer #语言模型 #内存优化 #长序列处理

阅读论文：

Munkhdalai, T., Faruqui, M., & Gopal, S. (2024). Leave No Context Behind: Efficient Infinite Context Transformers with Infini-attention (arXiv:2404.07143). arXiv. https://doi.org/10.48550/arXiv.2404.07143

UMBRAE：大脑信号的统一多模态解码

近期的一项研究通过使用大脑信号解码技术，成功实现了跨主体的多模态理解能力。这项名为UMBRAE的技术，通过结合自然场景数据集（NSD）和COCO数据集，构建了一个名为BrainHub的新基准测试。研究团队通过这个基准，对脑部字幕和脑部基础任务进行了详尽的测试。

研究中的脑部字幕任务利用了多语言大模型（MLLMs）的强大能力，通过解码脑信号来描述视觉场景。UMBRAE模型在这一任务中表现出色，能够生成与实际视觉输入紧密相关的描述，显著优于传统模型。在脑部基础方面，该技术通过解码来自不同个体的脑信号，准确地恢复出图像中的空间信息，进一步证明了其对细节的高度敏感性和准确性。

这项技术不仅展示了其在多模态解码任务上的优势，还通过跨主体训练策略，显示了其在不同个体间的泛化能力。此外，该研究还探索了弱监督适应新主体的可能性，即使是使用非常有限的数据，也能快速适应新的脑信号模式。

#大脑信号解码 #多模态理解 #脑部字幕 #脑部基础 #弱监督学习

阅读更多：

Xia, W., de Charette, R., Öztireli, C., & Xue, J.-H. (2024). UMBRAE: Unified Multimodal Decoding of Brain Signals (arXiv:2404.07202). arXiv. http://arxiv.org/abs/2404.07202

测试时训练技术，提升抑郁症检测性能

在加拿大达尔豪斯大学和矢量研究所的最新研究中，研究团队通过测试时训练（TTT）技术，显著提升了抑郁症检测模型在面对数据分布变化时的性能。这项研究针对自动化抑郁症评估系统，尤其是在不同的背景噪音、性别偏见及数据收集过程中测试模型的鲁棒性。

研究方法包括使用预训练的音频掩码自编码器（AudioMAE）进行测试时训练，以适应测试样本中的分布变化。研究结果显示，与常规测试模型相比，TTT技术能够有效地减少由环境噪声和数据采集方式带来的分布偏差影响，进而改善模型的准确性和可靠性。

此外，研究还涉及两种不同的数据集，包括内部的抑郁症标记数据集和DAIC-WOZ数据集，这为交叉数据评估提供了支持。通过广泛的实验比较，TTT方法在多种分布变化情景下均表现出较高的性能，验证了其在实际应用中的潜力。

#抑郁症检测 #测试时训练 #音频掩码自编码器 #数据鲁棒性 #自动化评估系统

阅读论文：

Dumpala, S. H., Sastry, C. S., Uher, R., & Oore, S. (2024). Test-Time Training for Depression Detection (arXiv:2404.05071). arXiv. https://doi.org/10.48550/arXiv.2404.05071

如何构建可靠且富有同情心的抑郁症诊断对话

在近日发表的一篇研究论文中，上海交通大学的研究团队提出了一个名为SEO的创新本体定义和生成框架，旨在提高抑郁症诊断对话系统的可靠性和同情心。该研究首次在真实对话场景中正式定义了任务导向聊天（TOC），并通过结合任务导向对话（TOD）和闲聊成分，展现了其在抑郁症诊断中的实际应用潜力。

研究团队通过一系列实验验证了新框架的效果，包括意图预测、对话状态追踪和响应生成等关键任务。实验结果显示，SEO框架显著提升了系统在这些任务上的性能。在意图预测方面，结合BERT模型的分类和生成模型，展现出了较高的准确性和语义理解深度。而在对话状态追踪任务中，专注于捕捉对话状态变化的Res-Track策略，比基线分类器表现更为优越。

更为重要的是，在响应生成任务中，基于SEO标注的D4模型在处理45种不同意图时，表现出了优于原始D4模型的响应生成能力。这一点尤其突显了SEO框架在提高对话系统同情心表达和用户互动质量方面的潜力。

#抑郁症筛查 #对话系统 #SEO本体框架 #情感支持 #任务导向对话

阅读论文：

Lan, K., Ming, C., Yao, B., Chen, L., & Wu, M. (2024). Towards Reliable and Empathetic Depression-Diagnosis-Oriented Chats (arXiv:2404.05012). arXiv. http://arxiv.org/abs/2404.05012

Tyche：提高医学图像分割的精确性和灵活性

在生物医学图像分析中，传统AI模型面临不能捕捉图像不确定性及需要针对每种新任务重新训练的限制。麻省理工学院与哈佛大学布罗德研究所及马萨诸塞州总医院的研究团队，由计算机科学博士候选人Marianne Rakic领衔，开发了名为Tyche的新型AI工具，该工具能够解决这些问题，提高诊断准确性和研究效率。

Tyche通过利用少量示例图像学习并适应新的分割任务，无需重新训练即可处理未知的医学图像分割任务。研究团队对Tyche进行了改进，引入了一种能够使不同预测结果之间相互作用的卷积块结构，并通过测试时增强来增加预测的随机性。在实际测试中，Tyche不仅能够反映人类注释者的多样性，还在速度和准确性上超过了其他基线模型。这表明Tyche能够为医学诊断和研究提供更多可能的分割选项，增加决策的灵活性。

#人工智能 #医学图像分割 #模型不确定性 #上下文学习 #无需训练

阅读更多：

Rakic, M., Wong, H. E., Ortiz, J. J. G., Cimini, B., Guttag, J., & Dalca, A. V. (2024). Tyche: Stochastic In-Context Learning for Medical Image Segmentation (arXiv:2401.13650). arXiv. https://doi.org/10.48550/arXiv.2401.13650

整理｜ChatGPT

编辑｜丹雀 & 存源

追问互动

○如果您对本期内容有进一步想要追问的问题或者讨论的内容，欢迎在评论区留言，或者扫描二维码添加追问微信号，发送自我介绍，加入我们的社群参与互动。如需转载，还请留言。