通过将使用者的思想转化为机械指令，一种思维控制轮椅可以帮助瘫痪者获得新的行动能力。11月19日，细胞出版社（Cell Press）旗下期刊 iScience (《交叉科学》)刊发题为“Learning to control a BMI-driven wheelchair for people with severe tetraplegia ”的最新研究，研究人员证明，在经过长时间的训练后，四肢瘫痪使用者可以在自然、杂乱的环境中操作思维控制轮椅。

“我们发现，用户和脑机接口算法的相互学习对用户成功操作这样的轮椅都很重要。”该研究通讯作者、美国得克萨斯大学奥斯汀分校José del R. Millán说，“我们的研究突出了改进非侵入性脑机接口技术临床翻译的潜在途径。”

天桥脑科学研究院TCCI应用神经技术前沿实验室主任Gerwin Schalk教授也注意到Millán团队的这项研究，他在接受澎湃科技专访时表示：“这项研究是在Millán教授的领导下进行的，他是国际脑机接口（BCI）协会的前主席。他在该领域很有名气，并受到尊重。这项研究表明，三名脊髓损伤者能够仅仅通过使用他们的大脑信号来控制轮椅。这种可能性是非常鼓舞人心的，因为我们在未来可能会通过使用新的基于大脑的技术为脊髓损伤等残疾人士提供更多的活动的可能性。”

TCCI应用神经技术前沿实验室主任Gerwin Schalk教授

在这项研究中，Millán的团队招募了3名四肢瘫痪的人进行纵向研究。每个参与者每周接受3次训练，持续了2到5个月。参与者戴着一顶无边便帽，通过脑电图（EEG）检测他们的大脑活动，并通过一个脑机接口设备将其转换为轮椅的机械指令。参与者被要求通过思考移动他们的身体部位来控制轮椅的方向。具体来说，他们需要考虑移动双手来向左转，移动双脚来向右转。

在第一次训练中，当设备的反应与用户的想法一致时，3名参与者的准确率相似，约为43%到55%。在训练过程中，脑机接口设备团队发现1号参与者的准确率有了显著的提高，在训练结束时，他的准确率达到95%以上。该团队还观察到，当3号参与者的训练进行到一半时，在团队用新算法更新他的设备后，其准确率提高到98%。

1号和3号参与者的改善与特征辨别能力的改善相关，后者是算法区分编码“向左走”和“向右走”的大脑活动模式的能力。研究小组发现，更好的特征识别不仅是设备的机器学习的结果，也是参与者大脑学习的结果。1号和3号参与者的EEG显示，随着他们提高思维控制设备的准确性，脑电波模式也发生了明显的变化。

“我们从EEG结果中看到，受试者已经巩固了调节大脑不同区域的技能，以生成‘向左走’和‘向右走’的不同模式。”Millán说，“我们认为，作为参与者学习过程的结果，大脑皮层发生了重组。”

在这项研究中，与1号和3号参与者相比，2号参与者在训练过程中大脑活动模式没有明显变化。在最初的几次训练中，他的准确率只略有提高，但在接下来的训练中保持稳定。Millán说，这表明机器学习本身不足以成功操纵这样一个思维控制设备。

在训练结束时，所有参与者都被要求驾驶他们的轮椅穿过一间凌乱的病房。他们必须绕过诸如房间隔板和医院病床等障碍物，这些障碍物是为了模拟真实环境而设置的。1号和3号参与者都完成了任务，2号参与者没有完成。

Gerwin教授向澎湃科技解释该项研究中的“训练”：学习控制自己的大脑信号与学习任何其他运动技能（如打网球）非常相似。在这两种情况下，我们必须教我们的大脑产生某些信号，以移动我们的身体（在打网球的例子中）或机器人轮椅（如在这项研究中）。此外，在这两种情况下，我们都需要与我们的身体或轮椅保持一致，并不断学习如何优化我们的大脑信号，以便产生我们想要的（身体或轮椅的）运动。这样一来，人和算法都必须不断地学习，以更好地理解对方。

研究者Millán认为：“看起来，对于一个人来说，要获得良好的脑机接口控制，从而使他们能够进行相对复杂的日常活动，比如在自然环境中驾驶轮椅，需要在我们的皮层中进行一些神经可塑性重组。”

Gerwin教授向澎湃科技进一步解释“神经可塑性重组”：“这只是一种复杂的说法，即大脑必须继续学习，从而改变，以学习这种新技能（用大脑信号移动轮椅）。这确实令人振奋，因为直到几十年前，科学家们还不认为，一旦人成年后，他们的大脑会发生实质性的变化。曾经，科学家们认为，人类的大脑是相对固定的，如果有损伤（如中风），我们基本上只能屈服于疾病。我们现在知道，事实并非如此，大脑可以继续学习、改变，从而具有 ‘可塑性’，即使在人类进入老年后。”

据悉，接下来，研究团队还想要弄清楚为什么2号参与者没有体验到学习效应。他们希望对所有参与者的大脑信号进行更详细的分析，以了解他们的差异，并为未来在学习过程中遇到困难的人提供可能的干预措施。

但这终究是一项鼓舞人心的研究。Gerwin教授说：“我们正处于一个令人兴奋的发展的开端，我们希望将能够开发出的神经技术，不仅在实验室或临床上展示出潜力，还能适用于普通公众。现在已经有许多技术使我们更接近我们的身体（如测量心率、运动等的智能手表）。在未来，我们将有神经技术，也使我们更接近我们的大脑。这些设备将适用于患者和普通人，告诉我们大脑的健康状况，并为改善大脑提供新的机会。在我领导的TCCI应用神经技术前沿实验室，我们一直专注于使这个梦想成为现实。”

重复的刻板行为是各种精神疾病的常见症状，比如强迫症（OCD）。目前，科学界认为多个脑区参与了这种行为表型的产生，其中腹内侧眶额叶皮层（vmOFC）至腹内侧纹状体（VMS）环路活动的增强与重复刻板行为密切相关。啮齿类动物也会出现类似的重复刻板行为，比如自我梳理（self-grooming）。

对啮齿类动物的研究表明，纹状体中的多巴胺1型受体（D1R）信号可能促进自我梳理。在临床上，选择性5-羟色胺再摄取抑制剂联用多巴胺拮抗剂可改善强迫症患者的治疗效果。毋庸置疑，中脑多巴胺能系统与强迫症样行为有关。然而，多巴胺受体的具体作用，以及参与多巴胺能调节重复行为的精确脑环路，尚不清楚。

在本次研究中，研究人员通过慢性光遗传激活vmOFC-VMS通路，建立了强迫症小鼠模型，动物表现为自我理毛时间显著延长。通过光遗传分别抑制中脑黑质致密部（SNc）与腹侧被盖区（VTA）向VMS的投射，发现抑制SNc-VMS投射末梢可以显著降低小鼠自我理毛的时间，而抑制VTA-VMS投射末梢则无此效应。这提示，来自SNc的多巴胺可以调控强迫症样重复行为。

研究人员通过顺向及多种逆向示踪技术，意外发现并证实了SNc至外侧眶额叶皮层（lOFC）这一未被报道过的多巴胺能投射，且激活SNc-lOFC投射末梢可以显著降低强迫症样小鼠自我理毛的时间。因此，中脑黑质多巴胺神经元可分别通过对纹状体投射（SNc-VMS）及对皮层投射（SNc-lOFC-VMS）实现对重复刻板行为的双重门控。

近期，复旦大学附属华山医院教授、天桥脑科学研究院（TCCI）研究员郁金泰领衔的团队在Alzheimer’s & Dementia杂志上发表了题为“Associations of grip strength, walking pace, and the risk of incident dementia: A prospective cohort study of 340212 participants”的研究。本研究旨在更清晰地阐明握力和步行速度与痴呆之间的关系。

痴呆是一种病程缓慢的进行性疾病，体现为记忆、思考等神经认知功能的改变，其主要亚型有阿尔茨海默病（AD）和血管性痴呆（VaD）两种。在全球范围内，已有4750万人被诊断出患有痴呆，而且随着人口老龄化的加速，这一数字将不断攀升，从而加剧家庭和社会的经济负担。

由于缺乏治愈性疗法，痴呆的治疗方案主要集中在对可变因素的干预上。已有的研究提示，与年龄相关的肌肉退化和认知缺陷之间存在一定关联，但它们之间的关系需要进一步澄清。深入了解严重认知缺陷发生前的肌肉健康状况，对策划新的预防策略至关重要。握力和步行速度是反映个人整体肌肉健康状况的重要指标，郁金泰教授团队对其和认知功能障碍之间的关系进行了探究。

研究人员分析了英国生物样本库（UK Biobank）中340212名参与者8.51年的随访数据。在平均8.51年的随访时间里，共有2424例新发全因痴呆（ACD），包括1251例AD和312例VaD。

基于Cox比例危险模型，研究人员发现绝对握力每增加5千克，分别与ACD、AD和VaD的风险降低14.3%、12.6%和21.2%有关；相对握力（握力除以体重）每增加0.05千克/千克，分别与ACD、AD和VaD的风险减少8.2%、6.4%和12.5%有关。研究还发现，缓慢的步行速度与所有痴呆类型的风险增加显著关联。

2022年10月25日，复旦大学药理学系主任、天桥脑科学研究院（Tianqiao and Chrissy Chen Institute, TCCI）研究员黄志力教授团队在Cell Discovery杂志发表最新研究，报道了终止快速眼动睡眠的新核团及其神经环路机制。

睡眠约占人类一生时长的三分之一，良好的睡眠是维持机体平衡的基本条件。周期节律性和连续性则是衡量睡眠健康的重要维度。典型的睡眠由非快速眼动（NREM）和快速眼动（REM）睡眠两个时相构成。其中，REM睡眠与记忆巩固、情绪疾病、神经退行性疾病、压力应激等密切关联，但REM睡眠发生和终止的神经生物学机制尚不明确。

研究人员通过钙离子光纤记录、在体及离体电生理记录、光遗传学、化学遗传学和RNA干扰等技术，发现特异性激活脑干深部中脑核团背侧部（dDpMe）GABA能神经元，可快速终止REM睡眠，并促进REM睡眠向NREM睡眠转换；相反，抑制此类神经元，可诱发REM睡眠。研究人员进一步运用多通道在体记录技术，按神经元电生理发放特征，将dDpMe中的GABA能神经元分为1型和2型两类，明确了1型神经元在REM睡眠期放电活性最低。

为阐明dDpMe GABA能神经元的神经环路，研究者运用神经示踪与光遗传学调控方法进行了探究，发现dDpMe中的GABA能神经元通过投射到脑桥背外侧被盖核下部（SLD）和外侧下丘脑（LH）的神经纤维，来调控REM睡眠。下游SLD核团中的谷氨酸能神经元在REM调控中发挥关键性作用。

2022年10月3日，复旦大学附属华山医院院长、天桥脑科学研究院转化中心（Tianqiao and Chrissy Chen Institute for Translational Research）主任毛颖教授与华山医院神经外科教授、天桥脑科学研究院（TCCI）研究员陈亮等在Neuron上发表了名为“Visual Cortex Encodes Timing Information in Humans and Mice”的文章，揭示了视皮层编码时间预测信息的重要机制。

大多数人类行为都涉及对时间和空间的感知。其中，对环境中不同时间间隔出现的各种信号的感知和预测对动物的生存和演化意义重大。大脑不仅需要对大时间尺度的信息进行处理，比如对昼夜节律的感知主要由下丘脑的视交叉上核驱动，也需要在非常短的时间尺度内处理信息，比如及时躲避天敌。动物必须有效地对不同的时间信号作出准确的预测，但人们对大脑如何表征秒到十秒量级内的时间信息知之甚少。

为了弄清楚在秒到十秒量级的时间感知中，哪些脑区发挥关键作用，研究团队使用能够以毫秒时间分辨率测量颅内电活动的多通道脑电（SEEG）进行研究。通过记录、分析人脑中28个脑区的颅内SEEG信号，团队发现在作出时间信息预测行为前，初级视皮层的脑电显示出两个特征：alpha波段能量上升以及delta波段出现相位同步。 

近期，复旦大学附属华山医院教授、天桥脑科学研究院（TCCI）研究员郁金泰团队及合作者在《柳叶刀》子刊《eClinicalMedicine》上发表了题为“Development of a novel dementia risk prediction model in the general population: A large, longitudinal, population-based machine-learning study”的研究。该研究旨在开发全新的痴呆风险预测模型，提高风险人群的早期识别。

痴呆是由多种脑部疾病导致的慢性或进行性综合征，包括记忆、思维、定向、计算、理解、学习能力、语言和判断功能的紊乱。痴呆存在多种不同形式，其中最常见的是阿尔茨海默病（可能占痴呆病例的60%~70%）。随着社会老龄化的加剧，痴呆患者人数逐年递增。全世界大约有5000万痴呆患者，每年新增病例1000万，给个人、家庭和社会带来了沉重的身体、心理和经济负担。

由于痴呆病程长，在发病前20年就会出现病理性改变，当患者诊断为痴呆时，往往已错过了最佳的治疗时间窗。因此，亟需寻找早期预测痴呆的方法，识别痴呆高风险人群。为此，郁金泰教授团队及合作者开展了此项研究。

研究人员在英国生物样本库（UK Biobank）的纵向人群队列中，随访了425159位40~69岁的非痴呆参与者（中位随访时间为11.9年），其中5287位参与者被诊断为新发痴呆。研究纳入参与者的认知、生化、行为和基因等多维度健康相关指标366个，涵盖了广泛的遗传和环境因素。

随后，研究人员运用机器学习算法，计算每个指标对痴呆预测模型的重要程度，最终选出排名前十的指标作为痴呆预测因子，构建了UKB-DRP痴呆预测模型。这十个预测因子是：年龄、载脂蛋白E（ApoE）基因、认知配对测试时长、腿部脂肪百分比、服药数量、认知反应测试时长、呼气峰流量、母亲死亡年龄、慢性疾病和平均红细胞体积。

  焦虑症是全世界最普遍的精神疾病之一。焦虑是一种高度忧虑、唤醒和警惕的精神状态，通常由对威胁的预期引起。荟萃分析表明，诱发性焦虑和病理性焦虑之间存在重叠的神经生物学机制，从而可以通过诱发状态焦虑来研究焦虑的机制和干预效果。

      现有的状态焦虑测量，如常用的状态焦虑量表（STAI-S），主要依赖于时间分辨率较低的主观性问卷。并且，状态焦虑不仅伴随着即时的心理反应，表现为情绪的高唤醒、低效价和低支配性等特征；同时也伴随着相应的生理反应，例如心率增加、心率变异性降低和皮肤电导水平升高。然而，目前仍然缺乏基于心理和生理反应的状态焦虑的定量表征，这限制了焦虑诱导范式中不断变化的状态焦虑水平的动态跟踪。

      天桥脑科学研究院（TCCI）研究员、上海交通大学医学院附属精神卫生中心杨志教授团队近期在发表于《精神病学前沿》杂志上的一项工作中，揭示了一种具有高时间分辨率的状态焦虑跟踪模型。为了捕捉状态焦虑水平的动态变化，在实验中通过暴露于厌恶图片或电击风险来诱导被试的状态焦虑（任务前后测量STAI-S的评分），并同时记录多模态数据，包括情绪维度评分、心电和皮肤电反应。研究者基于多模态数据训练和验证了预测状态焦虑的机器学习模型。