减肥总反弹的原因找到了 研究发现肥胖会改变大脑神经元

减肥总反弹的原因找到了研究发现肥胖会改变大脑神经元在面对美味食物的诱惑时，控制能力较弱的个体会过度进食，久而久之导致肥胖。而控制能力较强的个体，则会合理进食，从而保持健康的体重。那么，人体究竟是如何控制自己食欲的？为什么有人减肥易反弹？许多研究人员都在研究这一作用机制。肥胖者大脑对食物的应答遭到了破坏2023年6月12日，荷兰阿姆斯特丹大学医学中心米雷耶·塞利（MireilleJ.Serlie）博士团队和美国耶鲁大学医学院拉尔夫·迪莱昂（RalphJ.DiLeone）博士团队在《自然》子刊《自然-代谢》（NatureMetabolism）上发表了题为：《肥胖症患者大脑对营养物质的应答受损，且无法通过减肥逆转：一项随机交叉研究》（Brainresponsestonutrientsareseverelyimpairedandnotreversedbyweightlossinhumanswithobesity:arandomizedcrossoverstudy）的研究论文，对肥胖症患者大脑应答问题开展了相关临床试验。研究团队募集60名志愿者参与这项临床试验，在这60 位志愿者中，有30人是BMI（体重指数，BMI=体重÷身高?）超过 30的肥胖个体，另外30人是BMI在18.5~25的正常体重个体。研究人员使用饲管将两类食物（葡萄糖溶液、脂质溶液）直接输送到志愿者的胃中，然后使用功能磁共振成像（fMRI）来检查他们的大脑对这些食物的应答反应。之所以不让志愿者按照正常进食方式吃进色香味俱全的美味食物，而是把糖和脂肪用饲管直接输进胃里，是因为要规避食物的感官效应对大脑活动产生的干扰。实验中他们发现：体重正常的个体：在摄入糖和脂肪后，大脑中负责饥饿调节的几个区域，活动就减少了，可以理解为他们进一步进食的欲望降低了；肥胖的个体：在摄入糖和脂肪后，大脑中负责饥饿调节的几个区域，活动水平在摄入前和摄入后并没有检测到差异，他们进一步进食的欲望并未降低。论文作者米雷耶·塞利博士表示，他们对此感到很吃惊，因为他们原先预计胖人和标准体重的人，在摄入食物后，大脑会做出不同的应答反应，但没有想到，胖人的大脑竟然是没有反应。研究人员还做了进一步的实验，他们让这些肥胖的志愿者先减肥，花12周时间至少减掉10%的体重。12周后，重复实验。结果发现，即使减了肥，他们的大脑在进食之后的表现仍然跟减肥之前差不多，在摄入糖和脂肪后，大脑中负责饥饿调节的几个区域，活动依然没有减弱，进一步进食的欲望并没有降低。这就意味着，相比于正常体重的个体，肥胖的个体大脑对食物的应答遭到了破坏，即使体重下降，这种负面影响也没有得到逆转。这也从一个角度解释了，为什么很多人减肥最终难以成功，因为他们在体重降低之后，胃口依然大开，体重又会迅速反弹。需要指出的是，这项研究具有2个局限性：1.研究人员给志愿者的胃部输入糖和脂肪后约30分钟内，就进行了fMRI检查。虽然在这个时间点未能检测到肥胖个体的大脑做出的应答，但无法排除在这个时间点之后，大脑做出了应答，也就是说，无法排除这种应答只是被延迟了，而不是完全消除了；2.参与试验的志愿者年龄都在40岁以上，但是对于40岁以下的年轻人来说，试验结果还会如此吗？肥胖人群的大脑不能正常释放多巴胺除此之外，研究人员还做了更深入的研究。由于长期以来，科学家都在研究人类究竟是怎样控制住/控制不住自己食欲的。普遍认为，食物的色香味带来的感官愉悦效应，是导致一部分人过度进食的主要诱因。但越来越多的研究表明，个体在摄食后，大脑中控制饥饿感和饱腹感的相关区域做出的应答，在调节个体的进食行为中也发挥着重要的作用。2012年，一项对啮齿类动物的研究发现，摄入碳水化合物和脂肪都会刺激大脑内一个叫纹状体的区域释放多巴胺，获得进食愉悦感和满足感，纹状体在调节饮食行为方面发挥至关重要的作用，而长期摄入高脂肪食物引发肥胖后，可能会抑制纹状体的反应。本文报道的论文作者则进一步研究了肥胖是否会导致大脑纹状体的反应迟钝。作者利用单光子发射计算机断层扫描成像技术（SPECT），检测大脑中纹状体多巴胺的释放。发现虽然在输入葡萄糖溶液之后，肥胖者的纹状体也会正常释放多巴胺；但在输入脂质溶液之后，肥胖者的纹状体并不能正常释放多巴胺；而且肥胖者减肥成功后，也不能恢复正常的多巴胺释放。这个发现进一步表明，肥胖者大脑对食物的应答功能确实受到了破坏，这种破坏可能会导致肥胖者过度进食，以及在减肥之后容易发生体重反弹。总之，这项研究得到的结果，为人类饮食行为生理学和肥胖病理生理学提供了新的见解，并为今后开发针对肥胖者的减肥疗法提供了理论基础。肥胖的预防和控制应贯穿人的全生命周期既然“一次肥胖终身改变大脑，导致减肥易反弹”，而肥胖又与全身多种疾病息息相关，因此预防肥胖、保持健康体重，是我们每个人的一生中都需要持之以恒重视的课题。1、不同人群，健康体重标准是什么？根据《中国居民膳食指南（2022）》的建议，我国健康成年人（18~64岁）的BMI正常范围是18.5～23.9，BMI超过24为超重，BMI超过28为肥胖。65岁以上老年人的体重和BMI可以略高。6~18岁儿童青少年则可使用《学龄儿童青少年超重与肥胖筛查》中提供的不同性别、年龄的BMI标准来进行判断。上下滑动，查看更多图片截取自中华人民共和国卫生行业标准《学龄儿童青少年超重与肥胖筛查》2、如何保持健康体重？肥胖在本质上是由于人体摄入的总能量超过了人体消耗的总能量，日积月累而导致的后果。因此，在预防肥胖、保持健康体重时，“正确地吃”与“适量的动”是最重要的两个方面。在“吃”的方面：我们要秉持“平衡膳食”原则和“食不过量”原则。可以按照《中国居民平衡膳食宝塔（2022）》的结构，将谷薯类、蔬菜水果类、动物性食物、大豆类和坚果、烹调油和盐，进行合理的平衡与搭配，并控制总摄入量。在“动”的方面：-对于6~17岁的儿童青少年：建议每天进行至少60 分钟中等强度到高强度的身体活动，鼓励以户外活动为主。每周进行3次以上的肌肉力量训练。减少静坐、躺卧的静态行为，每次静态行为持续不要超过1小时，每天视屏时间累计小于2小时。-对于18~64岁的成年人：建议每周进行150~300 分钟中等强度或75~150 分钟高强度有氧活动，或等量的中等强度和高强度有氧活动的组合，每周进行2次以上的肌肉力量训练。肥胖的预防和控制，应贯穿人的全生命周期，需要政府、社会、家庭和个人的共同努力。建议全社会关注健康问题，形成健康生活的理念，从备孕期、孕期就开始关注，从一个人的婴幼儿期、儿童少年青年时期，就要预防和控制肥胖，成年后更应注意吃动平衡，保持健康的体重。最后，祝大家都能拥有健康的身体！...PC版：https://www.cnbeta.com.tw/articles/soft/1422307.htm手机版：https://m.cnbeta.com.tw/view/1422307.htm

研究人员利用光声成像技术实现先进的神经可视化

研究人员利用光声成像技术实现先进的神经可视化因此，研究人员一直在努力开发医学成像技术，以降低神经损伤的风险。例如，超声波和磁共振成像（MRI）可以帮助外科医生在手术过程中准确定位神经的位置。然而，要在超声波图像中将神经与周围组织区分开来具有挑战性，而核磁共振成像则既昂贵又耗时。约翰霍普金斯大学的研究人员强调了多谱段光声成像在预防侵入性医疗程序中的神经损伤方面的潜力，并确定了最佳神经可视化的关键波长。首次活体记录猪尺神经（左）和正中神经（右）的光声学图像。用1725nm的光照射神经，并将其叠加在共聚焦超声波图像上。图中还显示了神经和周围琼脂糖感兴趣区(ROI)的轮廓。资料来源：M.Graham等人，doi10.1117/1.JBO.28.9.097001光声成像的前景在这方面有一种前景广阔的替代方法，即多光谱光声成像。作为一种非侵入性技术，光声成像结合了光波和声波，可生成人体组织和结构的详细图像。从本质上讲，首先用脉冲光照射目标区域，使其微微发热。这反过来又会导致组织膨胀，发出超声波，从而被超声波探测器捕捉到。约翰霍普金斯大学的一个研究小组最近进行了一项研究，他们在研究中彻底描述了神经组织在整个近红外（NIR）光谱范围内的吸收和光声特征。他们的研究成果于9月4日发表在《生物医学光学杂志》（JournalofBiomedicalOptics）上，由约翰-霍普金斯大学JohnC.Malone副教授兼PULSE实验室主任MuyinatuA.LedijuBell博士领导。他们研究的主要目标之一是确定在光声图像中识别神经组织的理想波长。研究人员假设，位于近红外-III光学窗口内的1630-1850纳米波长将是神经可视化的最佳波长范围，因为神经元髓鞘中的脂质在此范围内有一个特征吸收峰。为了验证这一假设，他们对外周神经样本进行了详细的光学吸收测量。他们在1210纳米波长处观察到一个吸收峰，属于近红外-II波段。然而，这种吸收峰也存在于其他类型的脂质中。与此相反，当从吸收光谱中减去水的贡献时，神经组织在1725纳米的近红外-III范围内显示出一个独特的峰值。实际测试和影响此外，研究人员还使用定制的成像装置对活体猪的外周神经进行了光声测量。这些实验进一步证实了这一假设：利用近红外-III波段的峰值可以有效地区分富含脂质的神经组织和其他类型的组织以及含水或缺脂的材料。贝尔对研究结果感到满意，他说："我们的工作是首次利用宽波长光谱表征新鲜猪神经样本的光学吸光度光谱，也是首次利用近红外-III窗口的多光谱光声成像技术展示健康和再生猪神经的活体可视化"。这些发现可以激励科学家进一步探索光声成像的潜力。此外，神经组织光吸收曲线的表征有助于在使用其他光学成像模式时改进神经检测和分割技术。"我们的研究结果凸显了多光谱光声成像作为术中技术的临床前景，可用于确定有髓鞘神经的存在或防止医疗干预过程中的神经损伤，并可能对其他基于光学的技术产生影响。因此，我们的贡献成功地为生物医学光学界奠定了新的科学基础。"...PC版：https://www.cnbeta.com.tw/articles/soft/1382757.htm手机版：https://m.cnbeta.com.tw/view/1382757.htm

（注：神经突触与神经元的动作电位触发时间的先后关系，决定了它们连接强度是增强还是减弱。如果突触的激活时序领先于神经元的动作电位，

（注：神经突触与神经元的动作电位触发时间的先后关系，决定了它们连接强度是增强还是减弱。如果突触的激活时序领先于神经元的动作电位，那么该连接获得强化；如果突触的激活时序滞后于神经元的动作电位,那么该连接获得削弱。It'saparticularlearningrulethatusesSpiketimingtofigureouthowtotodeterminehowtoupdatethesynapses.Soit'skindoflikeifthesynapticfiresintotheneuronbeforetheneuronfires,thenitstrengthensthesynapse.Andifthesignalsfireintotheneuronsshortlyaftertheneuronfired,thenitweakensthesynapse.）神经网络另一个重要的点在于loss函数的提出，它为深度学习提供了可行的训练方法。很有趣的一点是，在现实世界中，我们并没有看到对应loss函数的东西-进化论是以loss的方式来迭代的吗？经济系统或社会系统存在loss吗？似乎都不是。2.神经网络的本质Ilya认为，大脑也好，大模型也好，本质上都是把知识压缩到一个高维的隐空间当中。每一个新的观测数据到来的时候，它就会通过连接来更新隐空间中的一些参数。知识就存储在这些连接的权重里。（Iguesswhatisarecurringrolethatyouhaveaneuralnetworkwhichmaintainsahighdimensional,hiddenstate,andthenwithinobservationarrives.Itupdatesitshighdimensional,hiddenstatethroughitsconnectionsinsomeway.Youcouldsaytheknowledgeisstoredintheconnections.）压缩的过程有点类似于人类的记忆和遗忘过程，你忘掉了绝大部分没用的信息，而只是记住了那些有用的，并且将它们整合记忆。压缩的过程就是“寻找最小回路”（searchforsmallcircuits）的过程。在数学上，有一种理论是“最短描述长度”原则，即如果你能够找到能够产生所需数据的最小程序，那么你就能够用这个程序做出最好的预测。（Ifyoucanfindtheshortestprogramthatoutputsthedatainyourdisposal,thenyouwillbeabletouseittomakethebestpredictionpossible.）这是数学上可以被证明的。但“最短描述长度”原则是一个理论原则，在实践中很难准确实现。所以在实践中，针对给定的数据集，我们只能使用神经网络找到“尽量短小”的回路。因此，可以将神经网络的训练过程理解为，慢慢将训练数据集里的信息熵迁移到神经网络的参数中，而最终沉淀下来的这些回路刚好不算太大。（Ifyouimainethetrainingprocessofaneuralnetworkasyouslowlytransmitentropyfromthedatasettotheparameters,thensomehowtheamountofinformationintheweightsendsupbeingnotverylarge,whichwouldexplainwhythegeneralissowell.）如果你能高效压缩信息，那么你一定已经得到知识了。GPT已经是一个世界模型了，itknowsalltheintricacies。尽管你做的看似只是predictthenextword这么简单的事情，但这只是优化手段而已。自然语言是最好的latentspace，而且是最容易做alignment的latentspace。3.Ilya研究生涯中的两个重要时刻。第一个时刻，是2012年做AlexNet，AlexKrjevsky用GPU来编写足够快的卷积程序，让CNN训练变得超级快，拉开了CV时代的序幕。这是Ilya的顿悟时刻，觉得神经网络这条路是能走通的。第二个时刻，Ilya对大模型的信心来自于早年团队的一个发现。当时，团队训练一个LSTM模型来预测Amazon评论中的下一个character，当参数从500到4000的时候，就会出现一个专门的neuron来表达评论的sentiment是正面还是负面。于是，团队猜测，当模型足够大、参数足够多的时候，句法已经被充分表达了（runoutofsyntaxtomodel），多余的参数开始学会捕捉语义信息。这说明了通过“预测下一个字”的训练方法，可以让模型学到更多隐藏的信息。4.关于多模态。多模态是有用的，尤其是视觉。人类大脑皮层中三分之一都用来处理视觉，缺少了视觉的神经网络作用会相当有限。人类更多是从图像而不是语言中学习的。人类一生只会听到大概10亿个词，这个数据量是非常有限的，而更多的数据来自于视觉。很多时候，从视觉学习比从文本学习更容易。例如颜色，尽管通过文字也可以学到颜色之间的关联，比如红色和橙色更近，和蓝色更远，但通过视觉来学习要快得多。5.AI有逻辑吗？有意识吗？AI当然有逻辑，要不为什么AlphaGo和AlphaZero在最需要逻辑推理能力的围棋游戏中击败了人类？如何真正说明AI有逻辑推理能力？证明真正困难的定理，写复杂的代码，用创新方法解决开放性问题。如果AI能够证明一个未经证实的定理，那么这个理由就很难辩驳。如何判断AI是否有意识？做这样一个实验，假如未来人工智能的训练可以从零开始，通过更小的数据集来完成，那么我们可以非常小心地对训练数据进行清洗，确保数据集中不包含任何关于意识的内容，如果系统在训练中需要人类的反馈，在互动中也要非常谨慎，确保不提到任何关于意识的概念。等训练结束的时候，你和AI一起聊天，这时你告诉他关于意识的事情，你向他描述之后，想象一下，如果这个人工智能接着说，”哦，我的上帝，我一直有同样的感觉，但我不知道如何表达它“，这时就可以认为人工智能有意识了。6.开源vs闭源。如果模型的能力不强，那么开源是一件伟大的事情。如果模型的能力过强，那么开源就变得危险。尽管目前GPT4模型的能力还算不上”过分强大“，但已经能够看到这个趋势，所以闭源是合理的。（类似于核武器？）当然，现阶段闭源更重要的原因是商业竞争（而不是安全，Ilya的原话）。7.更大的模型一定会带来更好的结果。（Ofcoursethelargerneuronnetswillbebetter.）前些年扩大规模很容易是因为有很多计算资源都没有被充分利用，一旦重新部署过之后就会快速取得进展。但现在规模到达了某种瓶颈，算力的扩张速度变慢了。Iexpectdeployingtocontinuetomakeprogressinartfromotherplaces.ThedeployingstackisquitedeepandIexpectthattherewillbeimprovementsinmanylayersofthestackandtogethertheywillstillleadtoprogressbeingveryrobust.我预期我们将发现deeplearning中很多尚未被发现的新属性，而这些新属性的应用将会让模型的效果变得更好。5-10年之后的模型能力一定会远远强过现在的模型。附三个访谈的链接：2020年5月LexFridmanAIPodcasthttps://www.bilibili.com/video/BV12c411T7pY2023年3月黄仁勋CEO与OpenAI联合创始人及首席科学家IlyaSutskever关于AI及ChatGPT的对话https://www.bilibili.com/video/BV13M411L7p72023年4月OpenAI联合创始人首席科学家AIIlyaSutskever斯坦福大学内部演讲https://www.bilibili.com/video/BV1Y24y1F72o

家具释放甲醛深层机制揭示

家具释放甲醛深层机制揭示美国马萨诸塞大学阿默斯特分校和北德克萨斯大学联合领导的一项新研究，进一步加深了人们对家庭和办公室中的木材如何释放甲醛的理解，并开发出一种低成本方法，能减轻甲醛造成的损害。团队已为该方法申请了专利，相关研究最近发表在最近的《绿色化学》上。PC版：https://www.cnbeta.com/articles/soft/1322529.htm手机版：https://m.cnbeta.com/view/1322529.htm

微小独特的海洋生物揭示神经元的古老起源

微小独特的海洋生物揭示神经元的古老起源H2的共聚焦显微镜下细胞核图像（按深度着色），H2是胎生动物的四个物种之一，该研究的作者为其绘制了细胞图谱。图片来源：SebastianR.Najle/基因调控中心胎生动物是一种微小的动物，大约只有一粒大沙粒大小，在温暖的浅海中以生活在岩石表面和其他基质上的藻类和微生物为食。这种形似圆球和薄饼的生物非常简单，没有任何身体部位或器官。这些动物被认为是在大约8亿年前首次出现在地球上，是与栉水母纲（Ctenophora）、多孔纲（Porifera）、腔肠纲（Cnidaria）（珊瑚、海葵和水母）和双鞭毛目（Bilateria）（所有其他动物）并列的五大动物门类之一。这些海洋生物通过肽能细胞协调自己的行为，肽能细胞是一种特殊类型的细胞，能释放小肽来指挥动物的运动或进食。在对这些细胞起源的好奇心驱使下，这项研究的作者们采用了一系列分子技术和计算模型，以了解胎生动物细胞类型是如何进化的，并拼凑出我们远古祖先的外观和功能。重建远古细胞类型研究人员首先绘制了一张所有不同胎生动物细胞类型的地图，标注了它们在四个不同物种中的特征。每种细胞类型都有特定的作用，这些作用来自于特定的基因组。这些地图或"细胞图谱"让研究人员能够绘制出这些基因的集群或"模块"。然后，他们绘制了控制这些基因模块的DNA调控区域图，从而清楚地显示了每个细胞的作用以及它们是如何协同工作的。最后，他们进行了跨物种比较，重建了细胞类型的进化过程。在显微镜下观察毛鳞虫H2标本的延时视频。资料来源：SebastianR.Najle/CentrodeRegulaciónGenómica研究表明，胎生动物的九种主要细胞类型似乎是由许多"中间"细胞类型连接起来的，它们从一种类型转变为另一种类型。这些细胞不断生长和分裂，维持着动物移动和进食所需的细胞类型的微妙平衡。研究人员还发现了14种不同类型的肽能细胞，但这些细胞与所有其他细胞都不同，没有显示出任何中间类型，也没有任何生长或分裂的迹象。令人惊讶的是，肽能细胞与神经元有许多相似之处--这种细胞类型直到数百万年后才出现在更高级的动物体内，如双毛目动物。跨物种分析表明，这些相似之处是胎生动物所独有的，并没有出现在海绵或栉水母等其他早期分支动物身上。进化的垫脚石肽能细胞与神经元之间的相似性体现在三个方面。首先，研究人员发现，这些胎生动物细胞是通过发育信号从原生上皮细胞群中分化出来的，这种信号类似于网虫和双足纲动物的神经发生过程，即新神经元的形成过程。其次，他们发现肽能细胞具有许多基因模块，这些模块是构建神经元中能够发出信息的部分（突触前支架）所必需的。然而，这些细胞远非真正的神经元，因为它们缺乏神经元信息接收端（突触后）的组件或传导电信号所需的组件。最后，作者利用深度学习技术表明，胎生动物细胞类型之间的交流是通过细胞内的一个系统进行的，在这个系统中，被称为GPCR（G-蛋白偶联受体）的特定蛋白质会检测到外部信号，并在细胞内启动一系列反应。这些外部信号由神经肽介导，神经肽是神经元在许多不同生理过程中使用的化学信使。这项研究的共同第一作者、基因组调控中心博士后研究员塞巴斯蒂安-纳伊尔（SebastiánR.Najle）博士说："我们对这些相似之处感到震惊。胎生动物的肽能细胞与原始神经细胞有许多相似之处，尽管它们还没有达到那种程度。这就像是在看一块进化的垫脚石。"神经元的曙光这项研究表明，8亿年前，在远古地球浅海中吃草的祖先动物中，神经元的构件正在形成。从进化的角度来看，早期的神经元最初可能类似于今天胎生动物的肽能分泌细胞。这些细胞利用神经肽进行交流，但最终获得了新的基因模块，使细胞能够创建突触后支架，形成轴突和树突，并创建产生快速电信号的离子通道--这些创新对于胎生动物祖先首次出现在地球上后约一亿年神经元的出现至关重要。然而，神经系统的完整进化故事仍有待考证。据认为，第一个现代神经元起源于大约6.5亿年前的刺胞动物和两栖动物的共同祖先。然而，栉水母中也存在类似神经元的细胞，尽管它们在结构上有很大差异，而且缺乏现代神经元中大多数基因的表达。胎生动物细胞中存在其中一些神经元基因，而栉孔动物中却没有，这引发了有关神经元进化轨迹的新问题。"胎生动物缺乏神经元，但我们现在发现它们与我们的神经细胞有着惊人的分子相似性。栉水母有神经网，与我们的神经网有关键的不同之处，也有相似之处。神经元是一次进化然后分化，还是不止一次并行进化？它们是马赛克吗，每一块都有不同的起源？这些都是有待解决的悬而未决的问题"，该研究的共同第一作者、基因组调控中心博士后研究员泽维尔-格劳-博韦（XavierGrau-Bové）博士说。该研究的作者相信，随着世界各地的研究人员继续对不同物种的高质量基因组进行测序，神经元的起源和其他细胞类型的进化将变得越来越清晰。"细胞是生命的基本单位，因此了解细胞如何产生或随时间发生变化是解释生命进化故事的关键。胎生动物、栉水母、海绵和其他非传统模式动物蕴藏着我们刚刚开始揭开的秘密，"该研究的通讯作者、基因组调控中心初级组组长、ICREA研究教授ArnauSebé-Pedros总结道。...PC版：https://www.cnbeta.com.tw/articles/soft/1385699.htm手机版：https://m.cnbeta.com.tw/view/1385699.htm