目录
将人的类脑组织融入大鼠大脑
有何意义?
研究团队
首页 科技周边 人工智能 人鼠混合大脑出现了!斯坦福大学7年研究登Nature

人鼠混合大脑出现了!斯坦福大学7年研究登Nature

Apr 14, 2023 pm 01:34 PM
技术 大脑

​本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

来自人类的类脑器官,现已在科学家手里和老鼠大脑成功结合。

并且是碰碰老鼠胡须,这些脑细胞能正常做出反应的那种。

这项来自斯坦福的研究结果,发表在最新一期Nature上。

图片

这种“人鼠混合大脑”的结合程度有多深?

用通讯作者、斯坦福神经科学家帕斯卡(Sergiu Pasca)自己的话说:

就像是在电路上添加了新的晶体管。

这究竟是怎么一回事?

将人的类脑组织融入大鼠大脑

要说清楚这件事,还得从类器官讲起。

类器官是利用胚胎干细胞、诱导多功能干细胞等人体干细胞培养得到的细胞集合。

近年来,类器官一直是神经科学领域的一大学术热点,原因是这种三维微器官包含其代表器官的一些关键特性,可以用来体外模拟人类的发育和疾病。

换句话说,借助类器官,科学家们可以在培养皿里直接观察到肾脏、肠道,甚至大脑的各种结构,来探寻背后的神经机制。

方便归方便,但类器官也存在不少局限。

比如,类脑器官虽然能模仿人类大脑,但却很难像真实大脑那样建立神经连接,也无法与控制行为的其他神经回路整合到一起。

斯坦福大学的研究人员们,旨在突破这一限制。

他们的实验方案是:

首先,用人类干细胞培养出类似大脑皮层的类脑结构。

然后,将其移植到刚出生2-3天的无胸腺大鼠的大脑体感皮层之中。大鼠的这个脑区会接收来自胡须和其他感觉器官的信号,并传递给其他大脑区域。

图片

参与实验的新生大鼠数量约为100只。而它们被植入类脑器官的部位都一致,以便科学家能更好地对其发育情况进行监控。

一开始,这些人脑组织大约只有5mm长,但6个月之后,它们占据了大鼠大脑半球的1/3。

图片

而这些人脑组织之所以能够生长,是因为大鼠的内皮细胞很快就进入其中,形成了血管。血管为人体细胞提供了营养和信号物质,并带走代谢废物。

研究者们还观察到,大鼠大脑中的常驻免疫细胞也出现在了移植的人脑组织中。

不仅如此,实验结果显示,来自类器官的神经元成功在大鼠大脑中建立了工作机制,和大鼠自身的神经回路整合到了一起。

也就是说,这些人脑组织已经和大鼠大脑混合,成为了它的一部分

到了这个时候,研究者们发现,触碰老鼠的胡须,其体感皮层中的人类细胞也会作出反应。

此外,研究人员还特殊处理了一些人脑组织,使得单个神经元可以被特定频率的蓝光激活。

被植入这些人脑组织的大鼠,参与了一项新的训练:它们脑中被植入了超薄光纤,当这些光纤发出蓝光时,它们就能在水龙头里喝到水。

结果显示,这些大鼠学会了把蓝光和喝水联系起来。这表明植入的人脑细胞已经真正参与了大鼠大脑的工作。

值得注意的是,研究人员提到,移植到大鼠脑中的类脑器官,在形态和功能上要比体外培养的类脑器官更为复杂。

图片

有何意义?

科学家们表示,希望通过这样的实验来进一步探索人类的神经退行性疾病和精神疾病等,然后开发出一些行之有效的新药物。

我们平时常听说的癫痫、老年痴呆、帕金森综合征,还有肌萎缩性侧索硬化等,都属于神经退行性疾病。

为了深入了解神经相关疾病患者的脑组织活动情况,这项研究共持续了7年

在其中一项实验中,研究者把由蒂莫西综合征(Timothy Syndrome,TS)患者的干细胞培养出的类脑器官植入了老鼠大脑的一侧,并在另一次植入健康人的类脑器官来作对比。

图片

( 莫西综合征是一种罕见遗传病,患者容易心率失常)

在植入老鼠体内五到六个月后,他们观察发现,患病细胞会更小,且参与的电活动与健康脑细胞截然不同。

而且TS神经元末端的树突形态发生了明显改变。

进一步分析发现,在相似的分化阶段,大鼠脑中的TS t-hCO的树突分支模式异常,而在体外培养的TS t-hCO的树突分支则没有表现出这种情况。

研究者指出,大鼠脑中的分支模式异常,与他们此前关于这种病的研究结果一致。

由此可见,通过将类人脑植入大鼠体内来揭示疾病表型,效果相当不错。

总的来说,这项研究引起了不少生物和医学界人士的关注。

英国剑桥医学研究委员会成员玛德琳·兰卡斯特(Madeline A. Lancaster)评价道:

该研究整体颇具进步意义,为了解脑细胞功能障碍的疾病提供了一种新方法。

值得注意的是,这项研究也引发了新的伦理问题,外界担忧这些“人+其他生物杂交体”会严重损害动物福利,甚至搞出“鼠人”来。

不过其实目前看来,没有发生什么大问题,小鼠也没有因为植入类人脑而变得更聪明。

美国国家科学、工程和医学研究院去年发布的一份报告指出:“源自人类的类脑器官仍然太原始,无法形成意识或人类智力。”

本文通讯作者帕斯卡教授则表示,从他们的实验过程和结果来看,大鼠们对人体的类脑器官耐受性很好,移植没有造成癫痫等问题。

尽管如此,学界还是不乏质疑的声音。

美国国家科学院小组成员Arlotta就持不同看法,她觉得随着科学的发展,很可能会有新问题产生。

她表示,“人类器官与其他生物体结合”的话题应被持续关注,绝不能只讨论一次就不管了。

尤其对猴子、猩猩等灵长类动物来说,它们与人类更相似,所以人的类脑器官很可能在它们体内发育得更成熟,对动物行为产生更大影响。

对此,帕斯卡教授称,他们之后不会进行此类研究,也不鼓励其他人做这样的研究。

另外,也有研究人员指出了这项研究的局限性:

虽然把“迷你人脑”植入大鼠体内的结果,比此前其他动物实验更好,但由于存在时空和跨物种限制等,即使在发育早期阶段移植,也无法形成高还原性的人类神经回路。

UCLA的生医学和干细胞研究中心成员Bennett Novitch也评价道:

使用植入人脑组织的大鼠来测试药物,对小型研究来说可行,但对制药公司来说仍不可行,因为需要速度和规模。

研究团队

开展本研究的团队来自斯坦福大学精神病学和行为科学系,以及比较医学系。

共同一作为:Omer Revah,Felicity Gore,和Kevin W. Kelly。

Omer Revah,希伯来大学生理学和计算神经科学博士,博士毕业后前往斯坦福大学精神病学和行为科学系担任博士后研究人员,现任希伯来大学兽医学院助理教授。

Felicity Gore,现在斯坦福大学生物工程系从事研究工作。

Kevin W. Kelly,目前在斯坦福精神病学和行为科学系从事神经科学和基因组学方面的研究工作。

通讯作者帕斯卡(Sergiu Pasca),现任斯坦福大学精神病学和行为科学系教授。

论文地址:​https://www.nature.com/articles/s41586-022-05277-w​

参考链接:
[1]https://www.nature.com/articles/d41586-022-03238-x

[2]https://www.washingtonpost.com/science/2022/10/12/brain-tissue-rats-stanford/

以上是人鼠混合大脑出现了!斯坦福大学7年研究登Nature的详细内容。更多信息请关注PHP中文网其他相关文章!

本站声明
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热AI工具

Undresser.AI Undress

Undresser.AI Undress

人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover

AI Clothes Remover

用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool

Undress AI Tool

免费脱衣服图片

Clothoff.io

Clothoff.io

AI脱衣机

Video Face Swap

Video Face Swap

使用我们完全免费的人工智能换脸工具轻松在任何视频中换脸!

热工具

记事本++7.3.1

记事本++7.3.1

好用且免费的代码编辑器

SublimeText3汉化版

SublimeText3汉化版

中文版,非常好用

禅工作室 13.0.1

禅工作室 13.0.1

功能强大的PHP集成开发环境

Dreamweaver CS6

Dreamweaver CS6

视觉化网页开发工具

SublimeText3 Mac版

SublimeText3 Mac版

神级代码编辑软件(SublimeText3)

你是否真正掌握了坐标系转换?自动驾驶离不开的多传感器问题 你是否真正掌握了坐标系转换?自动驾驶离不开的多传感器问题 Oct 12, 2023 am 11:21 AM

一先导与重点文章主要介绍自动驾驶技术中几种常用的坐标系统,以及他们之间如何完成关联和转换,最终构建出统一的环境模型。这里重点理解自车到相机刚体转换(外参),相机到图像转换(内参),图像到像素有单位转换。3d向2d转换会有相应的畸变,平移等。重点:自车坐标系相机机体坐标系需要被重写的是:平面坐标系像素坐标系难点:要考虑图像畸变,去畸变和加畸变都是在像平面上去补偿二简介视觉系统一共有四个坐标系:像素平面坐标系(u,v)、图像坐标系(x,y)、相机坐标系()和世界坐标系()。每种坐标系之间均存在联系,

Stable Diffusion 3论文终于发布,架构细节大揭秘,对复现Sora有帮助? Stable Diffusion 3论文终于发布,架构细节大揭秘,对复现Sora有帮助? Mar 06, 2024 pm 05:34 PM

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着提升,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,从而显着降低了使用AI

自动驾驶与轨迹预测看这一篇就够了! 自动驾驶与轨迹预测看这一篇就够了! Feb 28, 2024 pm 07:20 PM

轨迹预测在自动驾驶中承担着重要的角色,自动驾驶轨迹预测是指通过分析车辆行驶过程中的各种数据,预测车辆未来的行驶轨迹。作为自动驾驶的核心模块,轨迹预测的质量对于下游的规划控制至关重要。轨迹预测任务技术栈丰富,需要熟悉自动驾驶动/静态感知、高精地图、车道线、神经网络架构(CNN&GNN&Transformer)技能等,入门难度很大!很多粉丝期望能够尽快上手轨迹预测,少踩坑,今天就为大家盘点下轨迹预测常见的一些问题和入门学习方法!入门相关知识1.预习的论文有没有切入顺序?A:先看survey,p

DualBEV:大幅超越BEVFormer、BEVDet4D,开卷! DualBEV:大幅超越BEVFormer、BEVDet4D,开卷! Mar 21, 2024 pm 05:21 PM

这篇论文探讨了在自动驾驶中,从不同视角(如透视图和鸟瞰图)准确检测物体的问题,特别是如何有效地从透视图(PV)到鸟瞰图(BEV)空间转换特征,这一转换是通过视觉转换(VT)模块实施的。现有的方法大致分为两种策略:2D到3D和3D到2D转换。2D到3D的方法通过预测深度概率来提升密集的2D特征,但深度预测的固有不确定性,尤其是在远处区域,可能会引入不准确性。而3D到2D的方法通常使用3D查询来采样2D特征,并通过Transformer学习3D和2D特征之间对应关系的注意力权重,这增加了计算和部署的

首个多视角自动驾驶场景视频生成世界模型 | DrivingDiffusion: BEV数据和仿真新思路 首个多视角自动驾驶场景视频生成世界模型 | DrivingDiffusion: BEV数据和仿真新思路 Oct 23, 2023 am 11:13 AM

笔者的一些个人思考在自动驾驶领域,随着BEV-based子任务/端到端方案的发展,高质量的多视图训练数据和相应的仿真场景构建愈发重要。针对当下任务的痛点,“高质量”可以解耦成三个方面:不同维度上的长尾场景:如障碍物数据中近距离的车辆以及切车过程中精准的朝向角,以及车道线数据中不同曲率的弯道或较难采集的匝道/汇入/合流等场景。这些往往靠大量的数据采集和复杂的数据挖掘策略,成本高昂。3D真值-图像的高度一致:当下的BEV数据获取往往受到传感器安装/标定,高精地图以及重建算法本身的误差影响。这导致了我

GSLAM | 一个通用的SLAM架构和基准 GSLAM | 一个通用的SLAM架构和基准 Oct 20, 2023 am 11:37 AM

突然发现了一篇19年的论文GSLAM:AGeneralSLAMFrameworkandBenchmark开源代码:https://github.com/zdzhaoyong/GSLAM直接上全文,感受这项工作的质量吧~1摘要SLAM技术最近取得了许多成功,并吸引了高科技公司的关注。然而,如何同一现有或新兴算法的界面,一级有效地进行关于速度、稳健性和可移植性的基准测试仍然是问题。本文,提出了一个名为GSLAM的新型SLAM平台,它不仅提供评估功能,还为研究人员提供了快速开发自己的SLAM系统的有用

《我的世界》化身AI小镇,NPC居民角色扮演如同真人 《我的世界》化身AI小镇,NPC居民角色扮演如同真人 Jan 02, 2024 pm 06:25 PM

请留意,这个方块人正在紧锁眉头,思考着面前几位“不速之客”的身份。原来她陷入了危险境地,意识到这一点后,她迅速展开脑力搜索,寻找解决问题的策略。最终,她决定先逃离现场,然后尽快寻求帮助,并立即采取行动。与此同时,对面的人也在进行着与她相同的思考……在《我的世界》中出现了这样一个场景,所有的角色都由人工智能控制。他们每个人都有着独特的身份设定,比如之前提到的女孩就是一个年仅17岁但聪明勇敢的快递员。他们拥有记忆和思考能力,在这个以《我的世界》为背景的小镇中像人类一样生活。驱动他们的,是一款全新的、

综述!深度模型融合(LLM/基础模型/联邦学习/微调等) 综述!深度模型融合(LLM/基础模型/联邦学习/微调等) Apr 18, 2024 pm 09:43 PM

23年9月国防科大、京东和北理工的论文“DeepModelFusion:ASurvey”。深度模型融合/合并是一种新兴技术,它将多个深度学习模型的参数或预测合并为一个模型。它结合了不同模型的能力来弥补单个模型的偏差和错误,以获得更好的性能。而大规模深度学习模型(例如LLM和基础模型)上的深度模型融合面临着一些挑战,包括高计算成本、高维参数空间、不同异构模型之间的干扰等。本文将现有的深度模型融合方法分为四类:(1)“模式连接”,通过一条损失减少的路径将权重空间中的解连接起来,以获得更好的模型融合初

See all articles