人鼠混腦出現了!史丹佛大學7年研究登Nature
本文經AI新媒體量子位元(公眾號ID:QbitAI)授權轉載,轉載請聯絡來源。
來自人類的類腦器官,現已在科學家手中和老鼠大腦成功結合。
並且是碰碰老鼠鬍鬚,這些腦細胞能正常做出反應的那種。
這項來自史丹佛的研究結果,發表在最新一期Nature上。
這種「人鼠混合大腦」的結合程度有多深?
用通訊作者、史丹佛神經科學家帕斯卡(Sergiu Pasca)自己的話說:
就像是在電路上加入了新的電晶體。
這究竟是怎麼一回事?
將人的類腦組織融入大鼠大腦
要說清楚這件事,還得從類器官講起。
類器官是利用胚胎幹細胞、誘導多功能幹細胞等人體幹細胞培養所得的細胞集合。
近年來,類器官一直是神經科學領域的一大學術熱點,原因是這種三維微器官包含其代表器官的一些關鍵特性,可以用來體外模擬人類的發育和疾病。
換句話說,借助類器官,科學家可以在培養皿裡直接觀察到腎臟、腸道,甚至大腦的各種結構,來探索背後的神經機制。
方便歸方便,但類器官也存在不少限制。
例如,類腦器官雖然能模仿人類大腦,但卻很難像真實大腦那樣建立神經連接,也無法與控制行為的其他神經迴路整合在一起。
史丹佛大學的研究人員們,旨在突破這項限制。
他們的實驗方案是:
首先,用人類幹細胞培養出類似大腦皮質的類腦結構。
然後,將其移植到剛出生2-3天的無胸腺大鼠的大腦體感皮質之中。大鼠的這個腦區會接收來自鬍鬚和其他感覺器官的訊號,並傳遞給其他大腦區域。
參與實驗的新生鼠數約為100隻。而它們被植入類腦器官的部位都一致,以便科學家能更好地對其發育情況進行監控。
一開始,這些人類腦組織大約只有5mm長,但6個月之後,它們佔據了大鼠大腦半球的1/3。
而這些人腦組織之所以能夠生長,是因為大鼠的內皮細胞很快就進入其中,形成了血管。血管為人體細胞提供了營養和信號物質,並帶走代謝廢物。
研究者也觀察到,大鼠大腦中的常駐免疫細胞也出現在了移植的人腦組織中。
不僅如此,實驗結果顯示,來自類器官的神經元成功在大鼠大腦中建立了工作機制,和大鼠自身的神經迴路整合到了一起。
也就是說,這些人腦組織已經和大鼠大腦混合,成為了它的一部分!
到了這個時候,研究者發現,觸碰老鼠的鬍鬚,其體感皮質中的人類細胞也會作出反應。
此外,研究人員也特別處理了一些人類腦組織,使得單一神經元可以被特定頻率的藍光活化。
被植入這些人腦組織的大鼠,參與了一項新的訓練:它們腦中被植入了超薄光纖,當這些光纖發出藍光時,它們就能在水龍頭裡喝到水。
結果顯示,這些大鼠學會了把藍光和喝水連結起來。這表明植入的人類腦細胞已經真正參與了大鼠大腦的工作。
值得注意的是,研究人員提到,移植到大鼠腦中的類腦器官,在形態和功能上比體外培養的類腦器官更為複雜。
有何意義?
科學家表示,希望透過這樣的實驗來進一步探索人類的神經退化性疾病和精神疾病等,然後開發出一些行之有效的新藥物。
我們平常常聽到的癲癇、老年癡呆症、帕金森氏綜合徵,還有肌萎縮性側索硬化症等,都屬於神經退化性疾病。
為了深入了解神經相關疾病患者的腦組織活動狀況,這項研究共持續了7年。
在其中一項實驗中,研究者把由提摩西症候群(Timothy Syndrome,TS)患者的幹細胞培養出的類腦器官植入了老鼠大腦的一側,並在另一次植入健康人的類腦器官來作對比。
( 蒂莫西症候群是一種罕見遺傳疾病,患者容易心率失常)
在植入老鼠體內五到六個月後,他們觀察發現,生病細胞會更小,參與的電活動與健康腦細胞截然不同。
而且TS神經元末端的樹突形態發生了明顯改變。
進一步分析發現,在相似的分化階段,大鼠腦中的TS t-hCO的樹突分支模式異常,而在體外培養的TS t-hCO的樹突分支則沒有表現出這種情況。
研究者指出,大鼠腦中的分支模式異常,與他們先前關於這種疾病的研究結果一致。
由此可見,透過將類人腦植入大鼠體內來揭示疾病表型,效果相當不錯。
總的來說,這項研究引起了不少生物和醫學界人士的關注。
英國劍橋醫學研究委員會成員瑪德琳‧蘭卡斯特(Madeline A. Lancaster)評論道:
本研究整體頗具進步意義,為了解腦細胞功能障礙的疾病提供了一種新方法。
值得注意的是,這項研究也引發了新的倫理問題,外界擔憂這些「人 其他生物雜交體」會嚴重損害動物福利,甚至搞出「鼠人」來。
不過其實目前看來,沒有發生什麼大問題,老鼠也沒有因為植入類人腦而變得更聰明。
美國國家科學、工程和醫學研究院去年發布的一份報告指出:「源自人類的類腦器官仍然太原始,無法形成意識或人類智力。」
本文通訊作者帕斯卡教授則表示,從他們的實驗過程和結果來看,大鼠對人體的類腦器官耐受性很好,移植沒有造成癲癇等問題。
儘管如此,學界還是不乏質疑的聲音。
美國國家科學院小組成員Arlotta就持不同看法,她覺得隨著科學的發展,很可能會有新問題產生。
她表示,「人類器官與其他生物體結合」的話題應持續關注,絕不能只討論一次就不管了。
尤其對猴子、猩猩等靈長類動物來說,它們與人類更相似,所以人類的類腦器官很可能在它們體內發育得更成熟,對動物行為產生更大影響。
對此,帕斯卡教授稱,他們之後不會進行此類研究,也不鼓勵其他人做這樣的研究。
另外,也有研究人員指出了這項研究的局限性:
雖然把「迷你人腦」植入大鼠體內的結果,比先前其他動物實驗更好,但由於存在時空和跨物種限制等,即使在發育早期階段移植,也無法形成高還原性的人類神經迴路。
UCLA的生醫學和乾細胞研究中心成員Bennett Novitch也評估:
使用植入人類腦組織的大鼠來測試藥物,對小型研究來說可行,但對製藥公司來說仍不可行,因為需要速度和規模。
研究團隊
進行本研究的團隊來自史丹佛大學精神病學和行為科學系,以及比較醫學系。
共同一作為:Omer Revah,Felicity Gore,和Kevin W. Kelly。
Omer Revah,希伯來大學生理學和計算神經科學博士,博士畢業後前往史丹佛大學精神病學和行為科學系擔任博士後研究人員,現任希伯來大學獸醫學院助理教授。
Felicity Gore,現在史丹佛大學生物工程系從事研究工作。
Kevin W. Kelly,目前在史丹佛精神病學和行為科學系從事神經科學和基因組學的研究工作。
通訊作者帕斯卡(Sergiu Pasca),現任史丹佛大學精神病學和行為科學系教授。
論文地址:https://www.nature.com/articles/s41586-022-05277-w
##參考連結:##[1]https://www.nature.com/articles/d41586-022-03238-x
[2]https://www.washingtonpost.com/science/2022/10/12/brain-tissue-rats-stanford/#
以上是人鼠混腦出現了!史丹佛大學7年研究登Nature的詳細內容。更多資訊請關注PHP中文網其他相關文章!

熱AI工具

Undresser.AI Undress
人工智慧驅動的應用程序,用於創建逼真的裸體照片

AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。

Undress AI Tool
免費脫衣圖片

Clothoff.io
AI脫衣器

Video Face Swap
使用我們完全免費的人工智慧換臉工具,輕鬆在任何影片中換臉!

熱門文章

熱工具

記事本++7.3.1
好用且免費的程式碼編輯器

SublimeText3漢化版
中文版,非常好用

禪工作室 13.0.1
強大的PHP整合開發環境

Dreamweaver CS6
視覺化網頁開發工具

SublimeText3 Mac版
神級程式碼編輯軟體(SublimeText3)

StableDiffusion3的论文终于来了!这个模型于两周前发布,采用了与Sora相同的DiT(DiffusionTransformer)架构,一经发布就引起了不小的轰动。与之前版本相比,StableDiffusion3生成的图质量有了显著提升,现在支持多主题提示,并且文字书写效果也得到了改善,不再出现乱码情况。StabilityAI指出,StableDiffusion3是一个系列模型,其参数量从800M到8B不等。这一参数范围意味着该模型可以在许多便携设备上直接运行,从而显著降低了使用AI

一先導與重點文章主要介紹自動駕駛技術中幾種常用的座標系統,以及他們之間如何完成關聯與轉換,最終建構出統一的環境模型。這裡重點理解自車到相機剛體轉換(外參),相機到影像轉換(內參),影像到像素有單位轉換。 3d向2d轉換會有對應的畸變,平移等。重點:自車座標系相機機體座標系需要被重寫的是:平面座標系像素座標系難點:要考慮影像畸變,去畸變和加畸變都是在像平面上去補償二簡介視覺系統一共有四個座標系:像素平面座標系(u,v)、影像座標系(x,y)、相機座標系()與世界座標系()。每種座標系之間均有聯繫,

軌跡預測在自動駕駛中承擔著重要的角色,自動駕駛軌跡預測是指透過分析車輛行駛過程中的各種數據,預測車輛未來的行駛軌跡。作為自動駕駛的核心模組,軌跡預測的品質對於下游的規劃控制至關重要。軌跡預測任務技術堆疊豐富,需熟悉自動駕駛動/靜態感知、高精地圖、車道線、神經網路架構(CNN&GNN&Transformer)技能等,入門難度很高!許多粉絲期望能夠盡快上手軌跡預測,少踩坑,今天就為大家盤點下軌跡預測常見的一些問題和入門學習方法!入門相關知識1.預習的論文有沒有切入順序? A:先看survey,p

這篇論文探討了在自動駕駛中,從不同視角(如透視圖和鳥瞰圖)準確檢測物體的問題,特別是如何有效地從透視圖(PV)到鳥瞰圖(BEV)空間轉換特徵,這一轉換是透過視覺轉換(VT)模組實施的。現有的方法大致分為兩種策略:2D到3D和3D到2D轉換。 2D到3D的方法透過預測深度機率來提升密集的2D特徵,但深度預測的固有不確定性,尤其是在遠處區域,可能會引入不準確性。而3D到2D的方法通常使用3D查詢來採樣2D特徵,並透過Transformer學習3D和2D特徵之間對應關係的注意力權重,這增加了計算和部署的

作者的一些個人思考在自動駕駛領域,隨著BEV-based子任務/端到端方案的發展,高品質的多視圖訓練資料和相應的模擬場景建立愈發重要。針對當下任務的痛點,「高品質」可以解耦成三個面向:不同維度上的長尾場景:如障礙物資料中近距離的車輛以及切車過程中精準的朝向角,以及車道線資料中不同曲率的彎道或較難收集的匝道/匯入/合流等場景。這些往往靠大量的資料收集和複雜的資料探勘策略,成本高昂。 3D真值-影像的高度一致:當下的BEV資料取得往往受到感測器安裝/標定,高精地圖以及重建演算法本身的誤差影響。這導致了我

突然發現了一篇19年的論文GSLAM:AGeneralSLAMFrameworkandBenchmark開源程式碼:https://github.com/zdzhaoyong/GSLAM直接上全文,感受這項工作的品質吧~1摘要SLAM技術最近取得了許多成功,並吸引了高科技公司的關注。然而,如何同一現有或新興演算法的介面,一級有效地進行關於速度、穩健性和可移植性的基準測試仍然是問題。本文,提出了一個名為GSLAM的新型SLAM平台,它不僅提供評估功能,還為研究人員提供了快速開發自己的SLAM系統的有用

23年9月國防科大、京東和北理工的論文「DeepModelFusion:ASurvey」。深度模型整合/合併是一種新興技術,它將多個深度學習模型的參數或預測合併為一個模型。它結合了不同模型的能力來彌補單一模型的偏差和錯誤,以獲得更好的性能。而大規模深度學習模型(例如LLM和基礎模型)上的深度模型整合面臨一些挑戰,包括高運算成本、高維度參數空間、不同異質模型之間的干擾等。本文將現有的深度模型融合方法分為四類:(1)“模式連接”,透過一條損失減少的路徑將權重空間中的解連接起來,以獲得更好的模型融合初

請留意,這個方塊人正在緊鎖眉頭,思考著面前幾位「不速之客」的身份。原來她陷入了危險境地,意識到這一點後,她迅速展開腦力搜索,尋找解決問題的策略。最終,她決定先逃離現場,然後儘快尋求幫助,並立即採取行動。同時,對面的人也在進行著與她相同的思考……在《我的世界》中出現了這樣一個場景,所有的角色都由人工智慧控制。他們每個人都有著獨特的身份設定,例如之前提到的女孩就是一個年僅17歲但聰明又勇敢的快遞員。他們擁有記憶和思考能力,在這個以《我的世界》為背景的小鎮中像人類一樣生活。驅動他們的,是一款全新的、
