MIT研究人员解释说话和吸气不能同时进行的原因

MIT研究人员解释说话和吸气不能同时进行的原因“当你需要吸气时，你必须停止发声。我们发现控制发声的神经元接收到来自呼吸节奏发生器的直接抑制输入，”麻省理工学院脑与认知科学教授、麻省理工学院麦戈文脑研究所成员、该研究的资深作者FanWang说。杜克大学研究生、麻省理工学院访问学者JaehongPark是这项研究的主要作者，该研究发表在今天的《Science》杂志上。该论文的其他作者包括麻省理工学院的技术助理SeonmiChoi和AndrewHarrahill，前麻省理工学院的研究科学家JunTakatoh，以及杜克大学的研究人员ShengliZhao和Bao-XiaHan。发声控制声带位于喉部，是两条肌肉带，可以打开和关闭。当它们大部分闭合或内收时，从肺部呼出的空气通过声带时会产生声音。麻省理工学院的研究小组开始研究大脑是如何控制这种发声过程的，他们使用了一个小鼠模型。小鼠通过一种独特的口哨机制，通过几乎闭合的声带之间的一个小洞呼出空气，从而发出超声波(USVs)的声音。“我们想了解控制声带内收的神经元是什么，然后这些神经元是如何与呼吸回路相互作用的?”Wang说。为了弄清楚这一点，研究人员使用了一种技术，可以让他们绘制神经元之间的突触连接。他们知道声带内收是由喉部运动神经元控制的，所以他们开始往回追溯，寻找支配这些运动神经元的神经元。这表明，输入的一个主要来源是后脑区域的一组运动前神经元，称为后歧义核(RAm)。先前的研究表明，这个区域与发声有关，但不知道RAm的哪一部分是必需的，也不知道它是如何发声的。研究人员发现，这些突触跟踪标记的RAm神经元在USVs期间被强烈激活。这一观察结果促使研究小组使用一种活动依赖方法来瞄准这些发声特异性RAm神经元，称为RAmVOC。他们使用化学遗传学和光遗传学来探索如果他们沉默或刺激他们的活动会发生什么。当研究人员阻断RAmVOC神经元时，小鼠不再能够产生USVs或任何其他类型的发声。他们的声带没有闭合，腹部肌肉也没有收缩，就像他们通常在呼气发声时所做的那样。相反，当RAmVOC神经元被激活时，声带关闭，小鼠呼气，并产生USVs。然而，如果刺激持续两秒或更长时间，这些USVs就会被吸入打断，这表明这个过程是由大脑中调节呼吸的同一部分控制的。“呼吸是生存的需要，”Wang说。“尽管这些神经元足以引起发声，但它们是在呼吸的控制下，这可以超越我们的光遗传刺激。”节奏的一代额外的突触映射显示，脑干部分称为pre-Bötzinger复合物的神经元作为吸入的节奏发生器，为RAmVOC神经元提供直接的抑制性输入。“pre-Bötzinger复合体自动地、连续地产生吸入节律，该区域的抑制神经元投射到这些发声前运动神经元上，基本上可以关闭它们，”Wang说。这确保了呼吸仍然是语言产生的主导，我们在说话时必须停下来呼吸。研究人员认为，尽管人类的语言产生比小鼠的发声更复杂，但他们在小鼠身上发现的回路在人类的语言产生和呼吸中起着保守的作用。“尽管小鼠和人类发声的确切机制和复杂性确实不同，但基本的发声过程，即发声，需要声带闭合和呼气，在人类和小鼠中是共享的，”Park说。研究人员现在希望研究其他功能，如咳嗽和吞咽食物可能会受到控制呼吸和发声的大脑回路的影响。...PC版：https://www.cnbeta.com.tw/articles/soft/1423252.htm手机版：https://m.cnbeta.com.tw/view/1423252.htm

抗抑郁药物分子识别密码被破解 上海药物所合作成果登上《自然》

抗抑郁药物分子识别密码被破解上海药物所合作成果登上《自然》国际顶级学术期刊Nature在线发表了题为“Dimerizationandantidepressantrecognitionatnoradrenalinetransporter”的研究论文，该研究成果由中国科学院上海药物研究所徐华强课题组、杨德华课题组和临港实验室蒋轶课题组合作完成。该研究破解了重要神经系统疾病靶标——去甲肾上腺素转运体（noradrenaline/norepinephrinetransporter，NET）同源二聚化，转运天然底物去甲肾上腺素NE，以及选择性识别六种抗抑郁药物的分子密码，为理解NET等单胺类转运体的生理调控机制奠定了重要的理论基础，也对指导靶向单胺类转运体（monoaminetransporters，MATs）的抗抑郁症等神经精神类疾病的药物研发具有重要的现实意义。(澎湃新闻)

谷歌 DeepMind 推出新一代药物研发 AI 模型 AlphaFold 3

谷歌DeepMind推出新一代药物研发AI模型AlphaFold3美东时间周三，谷歌DeepMind发布了新一代预测蛋白质结构的AlphaFold3模型，能够帮助科学家更精确地针对疾病机制，从而开发出更有效的治疗药物。DeepMind研究人员表示，AlphaFold3是一种人工智能(AI)模型，它可以预测蛋白质、DNA、RNA等生物分子的结构以及它们如何相互作用。

MIT新研发的瓶状分子可以携带药物组合以对抗癌症

MIT新研发的瓶状分子可以携带药物组合以对抗癌症该研究的共同作者杰里迈亚-约翰逊（JeremiahJohnson）说："如果你向体内注射三种药物，这些药物的正确比例同时到达癌细胞的可能性会非常低。这些药物有不同的特性，导致它们去到不同的地方，而这对这些确定的协同药物比例的转化有相当大的阻碍。"因此，麻省理工学院的团队开发了一种分子，它可以被修改为包含几种类型的药物，以完全正确的比例，使它们保持惰性，直到它们到达癌细胞。药物分子与单体结合，然后将其全部混合在一起，使这些构件形成聚合物。这打造出一种链条，暂时休眠的药物从中央骨架上突出，使分子呈现出可以容纳药物的瓶状。研究小组首先在实验室的培养皿中对瓶状药物载体进行了测试，以试验用于治疗多发性骨髓瘤的三种癌症药物的最有效比例：硼替佐米、泊马度胺和地塞米松。研究人员确定了理想的比例，他通过瓶丛分子给患有多发性骨髓瘤的小鼠注射药物。果然，含有所有三种药物的瓶状物明显减缓了肿瘤的生长。研究小组还发现，只含有硼替佐米的瓶刷比松散给药时表现更好，也减少了副作用，因为这种药物可以在红血球中积累并损害红血球和癌细胞。尽管这个想法很吸引人，但值得注意的是，这些研究仍处于非常早期的阶段，小鼠身上的结果并不总是能带到人类身上。研究人员计划继续开发瓶状物以进行最终的临床试验，并调查它们可能携带的其他药物组合。这可能包括其他治疗方法，如抗体和mRNA。该研究发表在《自然纳米技术》杂志上。...PC版：https://www.cnbeta.com.tw/articles/soft/1341723.htm手机版：https://m.cnbeta.com.tw/view/1341723.htm

MIT化学家们发现一种可改变形状的受体如何影响细胞生长

MIT化学家们发现一种可改变形状的受体如何影响细胞生长在细胞表面发现的受体与激素、蛋白质和其他分子结合，帮助细胞对其环境做出反应。麻省理工学院（MIT）的化学家们现在发现了这些受体中的一个在与目标结合时如何改变其形状，以及这些变化如何导致细胞的生长和增殖。这种受体被称为表皮生长因子受体（EGFR），在许多类型的癌症中被过度表达。事实上，它是几种癌症药物的目标。尽管这些药物一开始往往效果很好，但肿瘤会对它们产生抗药性。麻省理工学院化学系副教授GabrielaSchlau-Cohen说，更好地了解这些受体的机制可能有助于研究人员设计出能够规避这种抗性的药物。她说：“思考针对表皮生长因子受体的更普遍的机制是一个令人兴奋的新方向，并给你一个新的途径来思考可能的疗法，这些疗法可能不那么容易进化出抗药性。”Schlau-Cohen和Pfizer-Laubach化学职业发展助理教授张斌（音译）是这项研究的资深作者，该研究最近发表在《自然通讯》杂志上。论文的主要作者是麻省理工学院的研究生ShwethaSrinivasan和前麻省理工学院博士后RajuRegmi。EGFR是帮助细胞生长调节的许多受体之一。它存在于大多数类型的哺乳动物上皮细胞上，这些细胞排列在身体表面和器官上，除了EGF之外，还能对几种类型的生长因子做出反应。一些类型的癌症，特别是肺癌和胶质母细胞瘤，过度表达EGFR，这可能导致不受控制的生长。像大多数细胞受体一样，EGFR跨越了细胞膜。受体的细胞外区域与其目标分子（也称为配体）相互作用；跨膜部分嵌入膜内；而细胞内部分则与控制生长途径的细胞机器相互作用。受体的细胞外部分已被详细分析，但跨膜和细胞内部分一直难以研究，因为它们更无序，不能被结晶化。大约五年前，Schlau-Cohen开始尝试进一步了解这些鲜为人知的结构。她的研究小组将这些蛋白质嵌入到一种特殊的自组装膜中，这种膜被称为纳米盘，模仿细胞膜。然后，她使用单分子荧光共振能量转移(FRET)来研究当受体与EGF结合时其构象如何变化。FRET通常用于测量两个荧光分子之间的微小距离。研究人员用两种不同的荧光团标记了纳米盘膜和蛋白质的细胞内尾巴末端，这使得他们能够在各种情况下测量蛋白质尾巴和细胞膜之间的距离。令他们惊讶的是，科学家们发现，EGF的结合导致了受体构象的重大变化。大多数受体信号的模型涉及多个跨膜螺旋的相互作用，以带来大规模的构象变化，但EGF受体在膜内只有一个螺旋段，似乎在不与其他受体分子相互作用的情况下发生了这种变化。Schlau-Cohen说：“单一的α螺旋能够传递如此大的构象重排的想法确实让我们感到惊讶。”为了进一步了解这种形状变化将如何影响受体的功能，Schlau-Cohen的实验室与张斌合作，后者的实验室对分子相互作用进行计算机模拟。这种建模被称为分子动力学，可以模拟一个分子系统如何随时间变化。该模型显示，当受体与EGF结合时，受体的细胞外部分垂直竖立，而当受体未被结合时，它平躺在细胞膜上。类似于铰链的关闭，当受体平放时...PC版：https://www.cnbeta.com/articles/soft/1311673.htm手机版：https://m.cnbeta.com/view/1311673.htm

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现

麻省理工学院的人工智能学习分子语言以实现快速材料开发和药物发现为了教会机器学习模型预测分子的生物或机械特性，研究人员必须向其展示数百万个标记的分子结构--这一过程被称为训练。由于发现分子所需的费用以及对数百万个结构进行手工标注所面临的挑战，通常很难获得大型训练数据集，这限制了机器学习方法的有效性。相比之下，麻省理工学院研究人员创建的系统只需少量数据就能有效预测分子特性。他们的系统从根本上理解了决定构件如何结合产生有效分子的规则。这些规则捕捉分子结构之间的相似性，帮助系统以数据高效的方式生成新分子并预测其性质。这种方法在小型和大型数据集上的表现都优于其他机器学习方法，当给定的数据集样本少于100个时，它能够准确预测分子性质并生成可行的分子。麻省理工学院和麻省理工学院-沃森人工智能实验室的研究人员开发了一种统一框架，利用机器学习同时预测分子性质并生成新分子，只需使用少量数据进行训练。图片来源：Jose-LuisOlivares/麻省理工学院"我们这个项目的目标是使用一些数据驱动的方法来加速新分子的发现，这样就可以训练一个模型来做预测，而不需要所有这些成本高昂的实验，"领衔作者、计算机科学与电子工程（EECS）研究生郭明浩（音译）说。郭明皓的共同作者包括MIT-IBM沃森人工智能实验室的研究人员VeronikaThost、PayelDas和JieChen；MIT应届毕业生SamuelSong23和AdithyaBalachandran23；资深作者WojciechMatusik，他是电气工程和计算机科学教授，也是MIT-IBM沃森人工智能实验室的成员，领导着MIT计算机科学和人工智能实验室（CSAIL）的计算设计和制造小组。该研究成果将在国际机器学习大会（InternationalConferenceforMachineLearning）上发表。学习分子语言为了使机器学习模型达到最佳效果，科学家们需要包含数百万个分子的训练数据集，这些分子与他们希望发现的分子具有相似的性质。在现实中，这些特定领域的数据集通常非常小。因此，研究人员使用在大型通用分子数据集上预先训练好的模型，然后将其应用于更小的、有针对性的数据集。然而，由于这些模型没有获得太多特定领域的知识，它们的表现往往很差。麻省理工学院的研究小组采取了不同的方法。他们创建了一个机器学习系统，该系统仅使用一个小型的特定领域数据集，就能自动学习分子的"语言"--即所谓的分子语法。它利用这种语法构建可行的分子并预测其特性。在语言理论中，人们根据一套语法规则生成单词、句子或段落。您可以用同样的方式来理解分子语法。这是一套生产规则，规定如何通过原子和亚结构的组合生成分子或聚合物。就像语言语法可以使用相同的规则生成大量句子一样，一个分子语法可以代表大量分子。具有相似结构的分子使用相同的语法生成规则，系统通过学习来理解这些相似性。由于结构相似的分子往往具有相似的性质，系统利用其分子相似性的基础知识，更有效地预测新分子的性质。郭说："一旦我们有了这个语法作为所有不同分子的表征，我们就可以用它来促进性质预测过程。"该系统利用强化学习来学习分子语法的生产规则--在这个试错过程中，模型会因为更接近实现目标的行为而获得奖励。但是，由于原子和子结构的组合方式可能有数十亿种，因此学习语法生成规则的过程对于最微小的数据集来说计算成本太高。研究人员将分子语法解耦为两部分。第一部分称为元语法（metagrammar），是一种通用的、广泛适用的语法，由他们手工设计并在一开始就提供给系统。然后，它只需要从领域数据集中学习更小的特定分子语法。这种分层方法加快了学习过程。小数据集，大成果在实验中，研究人员的新系统同时生成了可行的分子和聚合物，并比几种流行的机器学习方法更准确地预测了它们的性质，即使特定领域的数据集只有几百个样本。其他一些方法还需要昂贵的预训练步骤，而新系统避免了这一步骤。该技术在预测聚合物的物理性质方面尤其有效，例如玻璃化转变温度，即材料从固态转变为液态所需的温度。由于实验需要极高的温度和压力，手动获取这一信息往往成本极高。为了进一步推动他们的方法，研究人员将一个训练集减少了一半以上--仅有94个样本。他们的模型仍然取得了与使用整个数据集训练的方法相当的结果。"这种基于语法的表示方法非常强大。由于语法本身是一种非常通用的表示方法，因此它可以被部署到不同类型的图形式数据中。我们正试图确定化学或材料科学以外的其他应用，"郭说。未来，他们还希望将目前的分子语法扩展到分子和聚合物的三维几何图形，这是理解聚合物链之间相互作用的关键。他们还在开发一个界面，向用户显示学习到的语法生成规则，并征求反馈意见以纠正可能错误的规则，从而提高系统的准确性。...PC版：https://www.cnbeta.com.tw/articles/soft/1370825.htm手机版：https://m.cnbeta.com.tw/view/1370825.htm