细思极喜！美国发现精神病神经基础，精准治疗时代或将来临？

重大突破！仅凭几滴血培养出的“微型大脑”，在经过一次特殊的“电击”审讯后，竟然能以高达95.8%的惊人准确率，直接识破精神分裂症的伪装！

这不仅仅是实验室里的数据狂欢，这是精神病学诊断史上的一次降维打击。

2025年9月22日，美国顶尖学府约翰霍普金斯大学的研究团队在生物工程领域知名期刊《APL Bioengineering》上甩出了一枚重磅炸弹：他们利用患者干细胞培养出的“大脑类器官”，结合人工智能，成功找到了精神分裂症和双相情感障碍的客观生物学指纹。这意味着，困扰人类千年的精神疾病，或许终于要告别“听患者描述、靠医生猜谜”的盲盒时代，迎来精准医疗的曙光。

那么，科学家们到底是如何在培养皿里“读心”的？这背后藏着怎样惊心动魄的博弈？

长期以来，精神科医生更像是“灵魂的侦探”。

诊断精神分裂症或双相情感障碍，没有像测血糖、拍CT那样的一锤定音的指标。医生只能依靠面谈、观察行为，甚至依靠“试错法”来开药——这种药不行？换那种试试。这对患者来说，往往意味着漫长的痛苦和不确定性。

如果有一样东西，能像验血一样验出精神病就好了。这是无数医生和患者的终极梦想。

约翰霍普金斯大学的Annie Kathuria博士和她的团队，决定挑战这个“黑盒”。她们不需要打开患者的头骨，而是做了一件匪夷所思的事：在培养皿里，为患者“复制”了一个大脑。

研究人员从精神分裂症患者、双相情感障碍患者和健康人身上采集了皮肤细胞或血细胞，利用重编程技术（iPSC），让这些细胞“返老还童”，变回干细胞，然后再诱导它们发育成大脑类器官（Cerebral Organoids）

这些只有豌豆大小的“微型大脑”，虽然不会思考人生，但它们完美继承了患者的遗传密码，拥有神经元、胶质细胞，甚至还能像真正的大脑一样发放电信号。

这就是患者的生物学替身。

但在实验初期，团队遇到了一个巨大的挫折：当这些微型大脑静静地躺在培养皿里“休息”时，无论是来自精神分裂症患者，还是健康人，它们的电信号看起来竟然相差无几

这就好比两辆停在车库里的法拉利，一辆发动机坏了，一辆是好的，光看外表，你根本分不出来。

研究陷入了僵局。难道大脑的秘密，真的无法被观测吗？

转折点出现在一个大胆的想法上：既然静止的时候看不出毛病，那就让它们“跑”两步！

研究团队决定对这些微型大脑进行一次“压力测试”。他们利用多电极阵列（MEA），向这些微型大脑发送了一系列温和的电脉冲刺激。

奇迹发生了。

就在电刺激结束后的那一刻，原本平静的神经网路瞬间暴露了本性。

• 健康的大脑类器官：反应敏捷，信号传递井井有条，迅速恢复平衡。
• 精神分裂症的大脑类器官：乱了套了。神经元的放电时序出现了明显的错乱，信息传递仿佛陷入了泥潭。
• 双相情感障碍的大脑类器官：表现出了截然不同的异常，它们的爆发性放电（Burst）中，脉冲数量显著减少，就像是一把卡壳的机关枪。

平时伪装得很好，一有压力就原形毕露。这句职场名言，竟然在神经元身上也应验了。

虽然肉眼能看到差异，但要达到临床诊断的精度，还需要更火眼金睛的帮手。团队引入了机器学习算法（支持向量机）。

他们并没有只看简单的放电频率，而是引入了一个极其硬核的指标——“汇指数”（Sink Index）

简单来说，如果把大脑看作一个复杂的社交网络，有些神经元是“大喇叭”（发送者），有些则是“吃瓜群众”（接收者，即“汇”）。研究发现，患病大脑的信息流动模式，即谁在说、谁在听、信息流向哪里，与健康大脑有着根本性的数学差异。

数据不会撒谎，结果令人咋舌：

在引入电刺激后的动态数据中，AI区分精神分裂症与健康样本的准确率飙升至95.8%；而在区分健康、精神分裂症和双相情感障碍这三类复杂情况时，准确率也高达91.6%。

这意味着，我们终于找到了一把能够精准通过“电生理指纹”解锁精神疾病谜题的钥匙。

这项研究的意义，绝不仅仅是诊断。

想象一下，未来一位患者走进医院，医生不再需要让他反复试药，忍受数月的副作用。医生只需要采集一点血液，在实验室里培养出他的“大脑替身”。

然后，在这个“替身”上测试各种药物。哪种药能让“替身”的电生理信号恢复正常，就给患者用哪种药。

这是真正的个性化精准医疗。

虽然目前这项技术距离临床普及还有一段路要走，比如成本问题、培养周期问题，但它捅破了那层窗户纸：精神疾病不是虚无缥缈的“心病”，它是实实在在的神经网络故障，是可以被看见、被测量、被修复的。

当大脑的迷雾逐渐散去，我们看见的，是无数患者重获新生的希望。

参考文献：

Cheng, K., Williams, A., Kshirsagar, A., Kulkarni, S., Karmacharya, R., Kim, D. H., Sarma, S. V., & Kathuria, A. (2025). Machine learning-enabled detection of electrophysiological signatures in iPSC-derived models of schizophrenia and bipolar disorder. APL Bioengineering, 9, 036118.