研究人员制造出混合大脑：让一个物种的神经元帮助另一个物种

研究人员制造出混合大脑：让一个物种的神经元帮助另一个物种 大鼠（红色）和小鼠（绿色）神经元的混合体在混合大脑中形成了环形气味处理中心什么是混合大脑？听起来像是科幻电影情节中的东西或者是史蒂夫-马丁主演的80年代古怪喜剧但它实际上是两个物种细胞的结合，发育成一个完整的功能性大脑。因此，杂交脑通过创建"合成"神经回路来恢复受损或退化大脑的功能，对于推动再生神经科学的发展非常重要。在哥伦比亚大学欧文医学中心研究人员领导的一项新研究中，大鼠干细胞在发育初期就被引入到小鼠细胞中，从而产生了利用整合的大鼠细胞嗅觉的小鼠大脑。哥伦比亚大学瓦格罗斯内外科医学院遗传学和发育学教授、该研究的共同通讯作者克里斯汀-鲍德温（Kristin Baldwin）说："我们拥有漂亮的培养皿细胞模型和称为器官组织的三维培养物，它们都有各自的优点。但它们都无法让你确定细胞是否真正发挥了最高水平的功能。这项研究开始向我们展示，我们如何扩大大脑的灵活性，使其能够容纳来自人机界面或移植干细胞的其他类型的输入。"大鼠-小鼠嵌合体的制作示意图 Throesch 等人研究人员将大鼠胚胎干细胞植入小鼠胚泡（受精卵分裂而成的细胞团），然后将胚泡移植到代孕小鼠妈妈的子宫内发育。尽管在进化过程中存在差异（大鼠大脑发育较慢，体积较大），但研究人员观察到，大鼠细胞与小鼠神经元同步生长。在成熟的大鼠-小鼠或嵌合体中，大鼠细胞整合成整个小鼠大脑的神经回路，并与小鼠神经元形成活跃的连接。鲍德温说："几乎在整个小鼠大脑中都能看到大鼠细胞，这让我们相当惊讶。它告诉我们，插入的障碍很少，这表明许多种小鼠神经元都可以被类似的大鼠神经元取代。"接下来是测试大鼠细胞的功能能力，以及它们是否能取代受损的小鼠神经元。研究人员开发了小鼠模型，这些小鼠的嗅觉神经元（OSNs）在基因上有缺陷或被消融，即被破坏，而嗅觉神经元是检测和传递气味信息的神经元。他们发现，大鼠细胞拯救了小鼠大脑。鲍德温说："我们在每个小鼠笼子里都藏了一块饼干，结果非常惊讶地发现，它们能通过大鼠神经元找到饼干。"然而，与OSN被破坏的小鼠相比，OSN被基因沉默（即神经元存在，只是不工作）的小鼠找到饼干的成功率较低。这表明，增加替代神经元并非"即插即用"。如果想获得功能性替代神经元，可能需要清空闲置在那里的功能障碍神经元，这可能是某些神经退行性疾病的情况，也可能是自闭症和精神分裂症等神经发育障碍的情况。研究人员在研究中遇到的一个问题是，大鼠细胞随机分布在不同的小鼠体内，这阻碍了他们将研究扩展到其他神经系统。目前，他们正试图找到驱动插入细胞发育成特定细胞类型的方法，这可能会提供更高的精确度。扫清这一障碍将为创造具有灵长类神经元的混合大脑铺平道路，这将帮助我们更接近了解人类疾病。这项研究发表在《细胞》杂志上。 ... PC版： 手机版：

AI 系统绘出 “多彩” 大脑布线图 可解开和重建大脑密集神经元网络

AI 系统绘出 “多彩” 大脑布线图 可解开和重建大脑密集神经元网络 日本九州大学研究人员在新一期《自然・通讯》上发表文章称，他们开发了一种新的人工智能（AI）工具 QDyeFinder，其可从小鼠大脑的图像中自动识别和重建单个神经元。该过程涉及使用超多色标记协议去标记神经元，然后让 AI 通过匹配相似的颜色组合自动识别神经元的结构。将 QDyeFinder 的结果与手动追踪神经元的数据进行比较时，它们的准确性几乎一致。即使与已经充分利用机器学习的现有追踪软件相比，QDyeFinder 也能以更高的准确度识别轴突。

研究表明从果蝇、小鼠到人类 大脑结构都遵循普遍规律

研究表明从果蝇、小鼠到人类 大脑结构都遵循普遍规律 当磁体被加热时，会达到一个临界点，在此点上磁体会失去磁性，这就是所谓的"临界点"。当物理物体发生相变时，就会达到这个高度复杂的临界点。最近，美国西北大学的研究人员发现，大脑的结构特征也处于一个类似的临界点附近处于或接近结构相变期。这些结果在人类、小鼠和果蝇的大脑中都是一致的，这表明这一发现可能具有普遍性。虽然目前还不清楚大脑结构正在哪个阶段之间过渡，但这些发现可以为大脑复杂性的计算模型提供新的设计。他们的研究成果发表在《通信物理学》上。人类大脑皮层数据集中一小块区域内部分神经元的三维重建。图片来源：哈佛大学/Google大脑结构和计算模型资深作者、西北大学物理学和天文学助理教授伊什特万-科瓦奇（István Kovács）说："人类大脑是已知最复杂的系统之一，其结构细节的许多特性尚不清楚。其他一些研究人员已经从神经元动力学的角度研究了大脑临界性。但我们正在研究结构层面的临界性，以便最终理解它如何支撑大脑动态的复杂性。这一直是我们思考大脑复杂性的一个缺失。在计算机中，任何软件都可以在相同的硬件上运行，而在大脑中，动态和硬件密切相关。"人类大脑皮层数据集中一小块区域内部分神经元的三维重建。图片来源：哈佛大学/Google第一作者海伦-安塞尔（Helen Ansell）是埃默里大学的塔布顿研究员，研究期间在科瓦奇的实验室担任博士后研究员。他说："冰融化成水就是一个日常例子。这仍然是水分子，但它们正在经历从固态到液态的转变。我们当然不是说大脑已经接近融化。事实上，我们没有办法知道大脑会在哪两个阶段之间过渡。因为如果它处于临界点的任何一边，它就不是大脑了。"将统计物理学应用于神经科学尽管研究人员长期以来一直在使用功能磁共振成像（fMRI）和脑电图（EEG）研究大脑动态，但神经科学的进步直到最近才提供了大脑细胞结构的大量数据集。这些数据为科瓦奇和他的团队提供了应用统计物理技术测量神经元物理结构的可能性。使用在线 neuroglancer 平台查看的人类大脑皮层数据集中的部分神经元快照。图片来源：哈佛大学/Google识别大脑结构中的临界指数科瓦奇和安塞尔分析了来自人类、果蝇和小鼠的三维大脑重建的公开数据。通过以纳米级分辨率检查大脑，研究人员发现这些样本展示了与临界相关的物理特性的特征。其中一个特性就是众所周知的神经元分形结构。当一个系统接近相变时，就会出现一组被称为"临界指数"的观测指标，而这种非微观的分形维度就是其中的一个例子。脑细胞在不同尺度上呈分形统计模式排列。放大后，分形形状具有"自相似性"，即样本的较小部分与整个样本相似。观察到的各种神经元片段的大小也各不相同，这提供了另一条线索。科瓦奇认为，自相似性、长程相关性和广泛的大小分布都是临界状态的特征，在这种状态下，特征既不会太有组织，也不会太随机。这些观察结果产生了一组临界指数，用于描述这些结构特征。科瓦奇说："我们在物理学的所有临界系统中都能看到这些现象。大脑似乎在两个阶段之间保持着微妙的平衡。"来自果蝇、小鼠和人类数据集的单个神经元重建示例。资料来源：美国西北大学不同物种的普遍临界性科瓦奇和安塞尔惊奇地发现，他们研究的所有大脑样本来自人类、小鼠和果蝇在不同生物体间具有一致的临界指数，这意味着它们具有相同的临界定量特征。生物体之间潜在的、兼容的结构暗示着一种普遍的管理原则可能在起作用。他们的新发现可能有助于解释为什么不同生物的大脑具有一些相同的基本原理。安塞尔说："最初，这些结构看起来很不一样整个苍蝇大脑的大小与人类的一个小神经元差不多。但随后我们发现，新出现的特性惊人地相似。""在生物体之间差异很大的许多特征中，我们依靠统计物理学的建议来检查哪些测量指标具有潜在的普遍性，例如临界指数。事实上，这些指标在不同生物体之间是一致的，"科瓦奇说。"作为临界性的一个更深层次的标志，所获得的临界指数并不是独立的根据统计物理学的规定，我们可以从任意三个临界指数中计算出其余的临界指数。这一发现为建立简单的物理模型来捕捉大脑结构的统计模式开辟了道路。这种模型是大脑动态模型的有用输入，对人工神经网络架构也有启发意义"。今后，研究人员计划将他们的技术应用于新出现的数据集，包括更大的大脑部分和更多的生物体。他们的目标是找到这种普遍性是否仍然适用。编译自/scitechdaily ... PC版： 手机版：

科学家开发出标记技术"NeuM" 可实时监测神经元的变化

科学家开发出标记技术"NeuM" 可实时监测神经元的变化 韩国科学技术院（KIST）脑科学研究所的 Kim Yun Kyung 博士领导的研究团队与浦项科技大学 Chang Young-Tae 教授的团队合作，宣布开发出名为 NeuM 的新一代神经元标记技术。NeuM（神经元膜选择性）可选择性地标记神经元膜，使神经元结构可视化，并可实时监测神经元的变化。韩国科学技术院金润京博士团队的研究人员正在利用下一代神经元标记技术"NeuM"，对神经元进行实时可视化，并检查高分辨率图像。资料来源：韩国科学技术院神经元不断改变其结构和功能，将信息从感觉器官传递到大脑，从而调节思维、记忆和行为。因此，要克服神经退行性疾病，就必须开发能选择性标记活体神经元以进行实时监测的技术。然而，目前常用于观察神经元的基于基因和抗体的标记技术，由于依赖于特定的基因表达或蛋白质，存在准确性低和难以长期追踪的问题。NeuM 是研究小组通过对神经元细胞进行分子设计而开发的，与神经元膜具有极佳的结合亲和力，可对神经元进行长期跟踪和高分辨率成像。NeuM 中的荧光探针利用活细胞的活性与神经元膜结合，在特定波长光的激发下发出荧光信号。这种神经元膜可视化技术允许对神经元终端结构进行详细观察，并对神经元分化和相互作用进行高分辨率监测。选择性标记神经元膜的分子设计。资料来源：韩国科学技术院NeuM 是第一种通过活体神经元的内吞作用对细胞膜进行染色的技术，它对活体细胞具有选择性反应，排除了未内吞的死细胞。此外，研究团队还成功地将神经元的观察时间从短短 6 小时延长至 72 小时，从而能够捕捉活体神经元在较长时间内随环境变化而发生的动态变化。NeuM有望为目前尚无特效疗法的神经退行性疾病的研究和治疗开发提供洞察力。包括阿尔茨海默氏症在内的这些疾病是由于淀粉样蛋白等有毒蛋白质的产生和炎症物质的涌入造成神经元损伤的结果。NeuM 对神经元变化的精确观察可有效促进对候选治疗化合物的评估。金博士表示："此次开发的NeuM可以区分衰老和退化的神经元，成为阐明大脑退化性疾病机制和开发治疗方法的重要工具。"他进一步补充说："未来，我们计划改进 NeuM，通过设计荧光波长来区分绿色和红色等颜色，从而更精确地分析神经元。"编译来源：ScitechDaily ... PC版： 手机版：

大脑如何从恐惧和失败中学习

大脑如何从恐惧和失败中学习 大脑是如何促进这种学习的呢？正强化和负强化是大脑评估系统中的重要机制。释放神经递质多巴胺的神经元通过增加或减少其活性来表示结果比预期的好或坏。同时，越来越多的证据表明，大脑的其他部分对"消极"和"积极"的处理方式是不同的。负面经历通常会引发显著的唤醒效应，激活新皮层的特定部分。这种激活有助于我们关注相关特征，并从体验中学习，这一概念被称为"厌恶学习的注意力"。由巴拉兹-汉格亚（Balazs Hangya）领导的 HUN-REN 实验医学研究所的研究人员探索了哪些脑区和神经元类型参与了厌恶学习。他们发表在《自然-通讯》（Nature Communications）上的研究揭示，在布罗卡对角带（HDB）水平肢中表达蛋白质副发光素（PV）的长程投射抑制性神经元在这一过程中发挥着至关重要的作用。 副发光素表达轴突（黄色）与内隔膜中的胆碱能神经元（青色）接触。图片来源：Panna Hegedüs。摘自 Hegedüs 等人，2024 年，《自然通讯》。 神经元功能和实验结果这些 HDB-PV 神经元以快速活动而闻名，它们向新皮层传递唤醒效应，并控制对认知功能至关重要的伽马振荡。因此，它们似乎是介导"厌恶学习注意"的最佳候选神经元。Hangya 团队的研究表明，这些神经元确实会被实验小鼠的厌恶事件所招募，比如小鼠努力躲避的脸上突如其来的一缕空气，或者恐惧的捕食者的气味。 厌恶事件的影响厌恶事件会激活一系列通路，导致大脑产生一系列后果。首先，它们会促进回避行为，从而降低承受负面影响的风险。其次，它们通过激活新皮质的相关部分来提高唤醒度和注意力，帮助机体应对情况。第三，它们有助于学习如何避免或减轻未来类似的情景。该研究的第一作者潘娜-赫格杜斯（Panna Hegedüs）指出："从负面经验中学习是一种根深蒂固的古老生存策略。它甚至可以超越正强化的效果。"Hangya的研究小组使用了一种名为光遗传学的技术，这种技术可以使特定的细胞类型（在本例中为HDB-PV神经元）对光敏感。这些技术可以通过小型光导纤维定时向脑组织输送光线，从而精确激活或抑制神经元的活动。他们发现，激活 HDB-PV 神经元并不会引起小鼠的回避行为，这表明该通路并不参与主动回避（如寻找庇护所），而更有可能介导由厌恶刺激引起的注意力和/或学习方面的行为。事实上，当他们用光遗传学方法阻断神经元对面部气流的反应时，小鼠无法学习辨别预测性听觉刺激，预测可能或不可能出现的气流。该实验证明，HDB-PV神经元是学习厌恶刺激的必要条件。 神经元不是孤立行动的，而是具有不同输入和输出途径的复杂回路的一部分。Hangya 的研究小组与同一研究所的 Gabor Nyiri 及其同事一起绘制了 HDB-PV 神经元的输入和输出图。他们发现，这些细胞整合了多种厌恶信息源，包括来自下丘脑和脑干剑突核的重要通路。反过来，它们又将整合后的信息传递给所谓的边缘系统，该系统广泛负责行为和情绪反应，包括对存储和回忆偶发记忆非常重要的隔海马系统。此外，抑制性 HDB-PV 细胞大多以这些区域中的其他抑制性神经元为目标，因此很可能解除对兴奋性细胞的抑制，让它们更加活跃这是一种普遍存在的大脑机制，被称为"去抑制"（disinhibition）。 这项研究表明，长程抑制性 HDB-PV 神经元会被厌恶性刺激所招募，通过提高特定目标区域的皮层兴奋性（可能是通过解除抑制）来发挥重要的联想学习功能。因此，至少对厌恶性刺激而言，HDB-PV 神经元可能是'学习注意力'概念的物理基础。"在包括焦虑症和抑郁症在内的各种精神疾病中，都可以观察到积极和消极情绪处理失调的现象。因此，了解大脑如何编码负价以及负价如何促进学习至关重要，"Heggedüs总结道。编译自/scitechdaily ... PC版： 手机版：

Intel大型神经拟态系统Hala Point集成11.5亿神经元 比人脑快200倍

Intel大型神经拟态系统Hala Point集成11.5亿神经元 比人脑快200倍 Loihi 2处理器早在2021年就已发布，首发采用Intel 4工艺，集成230亿个晶体管、六个低功耗x86核心、128个神经形态核心，单颗就有100万个神经元、1.2亿个突触，是上代规模的8倍，性能也提升了10倍。Loihi 2应用了众多类脑计算原理，如异步、基于事件的脉冲神经网络(SNN)、存算一体不断变化的稀疏连接，而且神经元之间能够直接通信，不需要绕过内存。尤其是在新兴的小规模边缘工作负载上，它实现了效率、速度和适应性数量级的提升。比如执行AI推理负载和处理优化问题时， Loihi 2的速度比常规CPU和GPU架构快多达50倍，能耗则只有百分之一。Hala Point系统的形态是一个六机架的数据中心机箱，大小相当于一个微波炉，内置1152颗Loihi 2处理器，共有140544个神经形态处理内核、11.5亿个神经元、1280亿个突触，最大功耗仅为2600瓦。系统内还有2300多颗嵌入式x86处理器，用于辅助计算。内存带宽达16PB/s(16000TB/s)，内核间通信带宽达3.5PB/s(3500TB/s)，芯片间通信带宽达5TB/s，可以每秒处理超过380万亿次的8位突触运算、超过240万亿次的神经元运算。Hala Point在主流AI工作负载上的计算效率非常出色，比如运行传统深度神经网络时，每秒可完成多达2万万亿次运算(20PFlops)，8位运算的能效比达到了15TOPS/W(每瓦特15万亿次计算)，相当于甚至超过了基于GPU、CPU的架构。在用于仿生脉冲神经网络模型时，Hala Point能够以比人脑快20倍的实时速度，运行其全部11.5亿个神经元。尤其是在运行神经元数量较低的情况下，它的速度甚至可比人脑快200倍！早期研究结果表明，通过利用稀疏性高达10比1的稀疏连接和事件驱动的活动，Hala Point运行深度神经网络的能效比可高达15TOPS/W，同时无需对输入数据进行批处理。Hala Point系统有望推动多领域AI应用的实时持续学习，比如科学研究、工程、物流、智能城市基础设施管理、大语言模型、AI助手等等。 ... PC版： 手机版：