2025-07-03 22:00:00
AlphaGenome 预测长段DNA“暗物质”如何影响基因表达以及其他许多重要属性。
人类基因组中仍有许多未知领域等待科学探索。谷歌DeepMind开发的一种新AI正帮助研究人员理解这些DNA片段如何影响其他基因的活性。
而在人类基因组计划我们已经绘制出了完整的DNA图谱,但仍对大部分DNA的功能知之甚少。人类基因组中大约只有2%编码特定蛋白质,而其余98%的功能则要模糊得多。
历史上,科学家称这一部分基因组为“垃圾DNA”。但越来越多的研究表明,这些所谓的“非编码”区域在调节基因组其他部分基因的表达上起着关键作用。
解析这些相互作用是一件复杂的事情。但现在有一种新的谷歌深度思维模型叫AlphaGenome,它可以对长段DNA进行分析,并预测不同基因变异如何影响基因表达,以及许多其他重要属性。
“我们首次创建了一个单一模型,可以统一理解基因组时遇到的许多不同挑战,”DeepMind 的研究副总裁 Pushmeet Kohli 说道,我告诉他麻省理工科技评论.
所谓的“序列到功能”模型使用了与流行AI聊天机器人背后的大型语言模型相同的变压器架构。该模型是在公共数据库上进行训练的,这些数据库测试了不同序列对基因调控的不同影响。研究人员可以输入长达一百万个字母的DNA序列,然后该模型将对影响该序列调控活性的广泛分子属性进行预测。
这包括基因的起始和终止位置,DNA的哪些部分被特定蛋白质开放或封闭,以及产生了多少RNA。RNA是负责将DNA中包含的指令传递到细胞的蛋白质工厂(核糖体),以及调节基因表达的信使分子。
AlphaGenome还可以通过比较变异来评估特定基因中突变的影响,并可以预测RNA“剪接”——一个过程,在这个过程中,RNA分子会被切割和包装,然后被发送到核糖体。这个过程中的错误会导致一些罕见的遗传疾病,如脊髓性肌萎缩症和某些类型的囊性纤维化。
预测不同基因变异的影响可能是特别有用的。在一篇博客帖子,DeepMind 研究人员报告称,他们使用该模型预测了其他科学家在白血病患者中发现的突变可能激活了一个附近已知在癌症中起作用的基因。
“这个系统让我们在观察到任何变体时,更接近于做出一个良好的初步猜测,”纪念斯隆凯特林癌症中心的计算生物学家卡勒布·拉雷乌在接受早期访问AlphaGenome时说道。麻省理工科技评论.
该模型将用于非商业目的且免费,并且DeepMind承诺将来会公布该模型的全部构建细节。但该模型仍然存在局限性。该公司表示,该模型无法预测个体的基因组,其预测也不能完全解释基因变异如何导致复杂的性状或疾病。此外,该模型无法准确预测非编码DNA如何影响距离其数万个碱基对以上的基因。
安舒尔·坎贾,加州帕洛阿尔托斯坦福大学的计算基因组学家,曾提前接触到AlphaGenome,我告诉他自然这个新模型是一个令人兴奋的发展,比之前的模型显著更好,但还不算是板上钉钉的事。“这个模型还没有像AlphaFold预测蛋白质三维结构那样,在基因调控方面完全‘解决’问题,”他说。
然而,该模型是努力揭开基因组的“暗物质”。“它可能会改变我们对疾病的理解,并加速合成生物学家的努力。”为了我们自己的目的重新设计DNA.
2025-07-01 22:00:00
这种药物帮助了那些无法从现有治疗中获得缓解的人。
它始于光闪。你的视野中出现了曲折的线条。你感觉到脸颊和四肢有轻微的刺痛感。然后 comes a stabbing headache so intense you forget everything—what you were doing, where you are, and how to compose yourself.然后是如此剧烈的头痛,让你忘记了所有的事情——你正在做什么,你在哪儿,以及如何自我调整。
科学家们仍然没有完全理解偏头痛发生的原因。与感冒时的钝痛头痛或过度放纵后的脉动头痛不同,偏头痛是毁灭性的,并且会在看似随机的时间发作。压力、睡眠不足和强光可能会引发头痛,但触发因素因人而异,使得它们难以预测。
尽管经过了几十年的研究,可用的药物仍然很少。但一个令人惊讶的新成员可能会改变这一领域。这种药物名为利拉鲁肽,属于与减肥药欧礼普和韦戈维同一家族的药物,后者在全球范围内大获成功。
在一个小型试验中在31名对其他治疗无响应的慢性偏头痛患者中,利拉鲁肽将他们经历偏头痛的天数减少了超过一半。这种药物作用非常迅速,大多数参与者在第一周内就感受到了缓解。
尽管志愿者们肥胖——这增加了偏头痛的机会——但后续分析显示,即使体重减轻很少,该药物也能降低偏头痛的发生率。
“利拉鲁肽可能通过不同于减重的机制起作用,并代表预防偏头痛的一种有前景的新方法。”所写的团队。
偏头痛几十年来都是一个研究难题。尽管它影响着近15%全世界的人们中,这种状况在大脑中的起源仍然 mostly mysterious 保持神秘。这种状况不仅仅是严重的头痛——人们还会经历恶心、头晕,以及对光、声音和气味的敏感。
科学家最初认为偏头痛发生在因为血管问题在大脑中,并用标准的止痛药治疗头痛。但这些药物效果不佳。最近的研究这幅图景显得更为复杂。偏头痛似乎源自大脑某些区域的神经网络功能失调,其中的神经元释放称为神经肽的信使,引发炎症并使脑血管扩张。
这些化学物质可能会增加颅内压——即大脑压迫颅骨——并且可能会起作用作为偏头痛的触发因素.
科学家已经设计出一种治疗偏头痛的药物,称为抗CGRP药物,这些药物可以通过注射进入血液来治疗或预防慢性偏头痛发作。一项受控临床研究在667名患者中发现,接受注射的患者经历头痛天数较少。
尽管这些药物有效且副作用相对轻微,但价格昂贵。这促使团队寻找另一种降低脑压的方法。
进入GLP-1受体激动剂。最著名的是Ozempic,这些药物因其能够大幅减重、管理糖尿病并降低心脏病风险而声名鹊起。
这远不止它们能做的全部。这些药物针对的是GLP-1受体,这种受体分布在多种细胞类型上,包括神经元,这表明它们可能不仅仅管理体重,还可能调节大脑. 好家伙,又来了一个“研究”! 这年头,研究就跟街边小广告似的,满天飞。随便打开个新闻,动不动就是“最新研究表明”、“科学家发现”,搞得好像全世界的研究人员都在加班加点给我们送惊喜。 但问题是,这些研究真的靠谱吗?咱们先不说那些为了发论文而发论文的“水货研究”,就说那些看起来高大上的“权威研究”,背后也可能藏着各种猫腻。 比如,研究经费谁出的?是不是某个利益集团在背后操控?样本量够不够大?数据有没有造假?结论是不是被过度解读了?这些都是坑啊! 所以啊,看到“One study”这种开头,咱们就得打起十二分精神。别急着相信,先问问自己:这研究靠谱吗?背后有没有什么不可告人的秘密?别一不小心就被带沟里去了。 总之,对待研究,咱们得保持清醒的头脑,别被那些花里胡哨的结论给忽悠了。毕竟,这年头,连研究都可能是个“坑”,咱们得学会自己判断,别轻易上当。研究发现,每天注射GLP-1药物可以减缓轻度阿尔茨海默病患者的认知衰退。另一个试炼建议这些药物可以治疗酒精成瘾。它们是如何工作的仍在调查中,但这些临床试验表明,GLP-1药物可以通过化学信号影响大脑,或许还有其他机制。
先前的研究发现,这些药物会调节大脑中的液体量。该器官浸泡在一种营养丰富的汤中,称为脑脊液,它可以缓冲大脑并清除废物。但是,液体可能会积聚并增加颅内压——可能导致偏头痛。
GLP-1药物可能降低那压力。一项早期研究发现一种药物可以正常化老鼠危险高的脑压,就像放掉过度膨胀的气球一样。一项小型随机临床试验在颅内压高的患者中,发现该药物几乎恢复到了正常水平。
这些有希望的结果促使那不勒斯费德里科二世大学的西蒙娜·布拉卡及其同事测试利拉鲁肽(一种GLP-1药物)作为慢性偏头痛的治疗方法。研究中的所有31名参与者都大致处于中年,肥胖,并且已经尝试了至少两种其他药物但症状没有改善。
“肥胖可能会通过增加头痛频率并降低对标准预防治疗的反应来加重偏头痛。”团队写道。
每位参与者在12周内每天接受一次药物注射。他们还保持了一份“头痛日记”,以记录他们的偏头痛情况并记录任何可能的副作用。
几乎所有人都报告称偏头痛发作的天数减少了。平均来说,他们的头痛从每月20天减少到大约11天。有些人报告说,他们头痛的日子减少了约75%。一名参与者在第一次注射后完全摆脱了偏头痛,并且在整个测试期间都没有发作。其他人就没有那么幸运了:有四个人对治疗没有反应,这表明这并不是一种万能的治疗方法。
然而,受益者表示,这种药物仅在一周内就改善了他们的生活质量,尽管有轻微的副作用。大约40%的参与者经历了恶心或便秘,这两种副作用都是GLP-1药物使用者常见的副作用。症状最终消失了。
正如预期的那样,参与者减轻了一些体重,但额外的统计分析发现,体重减轻并没有影响偏头痛的频率。这表明GLP-1药物对偏头痛的影响“与其体重减轻的效果无关”,作者们写道。
团队刚刚开始解开GLP-1药物如何对抗偏头痛的机制。因为它们可以降低颅内压力,所以注射可能减少大脑中神经肽CGRP的分泌量。现有的抗CGRP偏头痛药物可以降低炎症并减少颅内压力,利拉鲁肽可能也有类似效果。
GLP-1药物还可以调节大脑中的盐分和钾水平,这些水平控制着神经元的激活。调整这些水平可能会潜在地改变神经元放电的能力,从而改变大脑释放CGRP和其他神经肽的能力。
此外,这项研究有一些值得注意的局限性。每位参与者都知道自己正在接受药物治疗,因此安慰剂效应可能影响了他们的判断。虽然他们在12周内体验到了益处,但更长的随访时间可以更好地判断这些益处是否持久。而且由于试验仅招募了肥胖人群,结果可能不适用于更广泛的人群。
该团队已经开始计划一项大规模的随机对照试验。“作为探索性试点研究,这些发现为更大规模的试验奠定了基础,这些试验将考察GLP-1药物在偏头痛管理中可能发挥的作用,”作者写道。
2025-06-30 22:00:00
新发现的基因可能使生产强效药物紫杉醇更加便宜和可持续。
漫步在英国的古墓地里,你可能会看到常春藤树,它们有着鲜绿色的叶子和令人惊叹的宝石红色果实,守护着墓地。这些针叶树在欧洲民间传说中被称为死亡和灾祸的象征.
它们根本不是。The太平洋红豆杉自然合成紫杉醇——一种广为人知的化疗药物,通常称为泰素,广泛用于对抗多种侵袭性癌症。在20世纪90年代末,它被FDA批准用于治疗乳腺癌、卵巢癌和肺癌,并且自那时以来,已被用于大约十几种其他恶性肿瘤的非标签用途。这是一个现代的成功故事,展示了我们将植物生物学转化为治疗药物的可能性。
但是因为紫杉醇是从树皮中提取的,采集生命-saving化学物质杀死了它的宿主。云杉树是生长缓慢,寿命很长,使它们成为不可持续的资源。如果科学家能够解开紫杉醇的遗传配方,他们可以在其他植物——甚至在酵母或细菌中——重新创造合成该分子的步骤,从而大规模生产紫杉醇而不伤害树木。
一项新的研究在自然这使我们更接近这一目标。紫杉醇是从前体化学物质巴卡亭III开始制造的,巴卡亭III只需几步化学反应即可得到最终产品,并且是在冷杉针叶中产生的。经过分析数千个冷杉树细胞后,研究团队绘制出一条由17个基因组成的途径,最终产生巴卡亭III。
他们将这些基因添加到了烟草植物中——烟草植物本身不会自然产生巴卡亭III——结果发现这些植物能够轻易地大量产生这种化学物质,水平与紫杉树针叶相当。
结果是“对我们理解负责生产这种药物的基因有了突破性认识”所写莱布尼茨汉诺威大学的雅各布·弗兰克并未参与这项研究。“这些发现是努力确保紫杉醇可靠供应的重要进展。”
人类长期以来一直使用植物作为药物。
More than ?这破事有啥好说的,不就多了点啥嘛,多一个零和多一个屁有啥区别,别在这装大尾巴狼了,老子时间宝贵。3500年前,埃及人发现柳树皮可以降低发热和减轻疼痛。此后我们提高了其效果,但主要成分现在在每家药店都有出售——阿司匹林。德国已批准来自薰衣草花朵的分子用于治疗焦虑障碍,并且一些来自甘草根的化合物也被批准可能 帮助根据早期临床试验,保护肝脏。
柳树在20世纪60年代末首次引起了科学家们的注意,当时他们正在筛选各种植物提取物以寻找潜在的抗癌药物。大多数都无效或毒性太大。紫杉醇因其对肿瘤的独特效果而脱颖而出。该分子阻止癌细胞在新细胞中构建“骨架-like”结构,并削弱其生长能力。
紫杉醇取得了巨大的成功,但医疗界担心天然的云杉树无法满足临床需求。科学家们很快开始尝试人工合成这种药物。发现了一种名为巴卡亭III的化合物,在经过一些化学修饰后可以转化为紫杉醇。一个游戏规则的改变者在他们的探索中。这种紫杉醇前体在各种可以不杀死树木就可收割的云杉属植物的针叶中含量要大得多。但这一过程需要多个化学步骤,并且成本非常高。
从头合成baccatin III或紫杉醇合成生物学——也就是说,将必要的基因转移到其他植物或微生物中——这将是一种更高效的替代方案,并且可以提升工业规模的生产量。然而,为了使这一想法得以实现,科学家们需要追踪参与这些化学物质生产的整个基因路径。
二 队伍最近整理了云杉近50,000个基因,并发现了一套制作巴卡廷III所需的最小基因集。弗兰克写道,虽然这是一个“突破性”的成就,但将这些基因添加到尼古丁植物中产生了非常低的化学物质含量。
与细菌基因组中协同工作的基因通常位于彼此附近不同相比,植物中的相关基因往往散布在整个基因组中。这种像 confetti(彩纸)一样的组织使得很容易错过参与化学物质生产的关键基因。
新的研究采用了一种简单但“高度创新的战略,“弗兰克写道。”
当雪松受到攻击时,雪松植物会产生更多的巴卡亭III作为防御机制。通过使雪松针叶受压,研究团队认为可以确定哪些基因同时被激活。科学家们已经知道一些参与巴卡亭III生产的基因,因此这些成分可以用来找出当前食谱中缺失的基因。
团队将刚剪下的云杉针叶浸入装有水和肥料的孔板中——就像迷你多肉托盘。然后他们添加了盐、激素和细菌等压力因子,以刺激baccatin III的生产。这种设置同时筛选了数百种压力因子的组合。
然后,该团队对超过17,000个单细胞的mRNA进行了测序——mRNA是基因表达的代理指标,以追踪哪些基因在何种条件下共同激活。
团队发现了八个新的参与紫杉醇合成的基因。其中一个被称为FoTO1的基因特别关键,可以大幅提升多种重要前体物的产量,包括巴卡亭III。弗兰克写道:“这种基因以前从未被发现参与过这样的生物化学途径,而且几乎不可能通过传统方法找到。”
他们将17个对baccatin III生产至关重要的基因拼接到烟草植物中,烟草植物是一种常用于研究植物遗传的物种。升级后的烟草在baccatin III的产生水平上与云杉针叶相当,有时甚至更高。
尽管这项工作是一个重要的步骤,但依赖烟草植物本身也有问题。增加的基因不能遗传给后代,这意味着每一代都需要重新工程化。这使得这项技术难以扩大规模。相反,科学家们可能使用微生物,后者易于大规模培养,并且已经被用于生产制药产品。
“理论上,通过稍微调整一下,我们真的可以大量生产这种物质,从而完全不再需要用水杨树来获取baccatin。”说过研究作者康纳·麦克卢恩在新闻发布会上表示。
然而,最终目标是从头到尾生产紫杉醇。尽管团队已经绘制出了整个巴卡亭III合成途径,并发现了一种将巴卡亭III转化为紫杉醇的基因,但配方中仍缺少两种关键酶。
令人惊讶的是,哥本哈根大学的一个独立小组解决了这个问题编码那些酶的基因今年四月。将这两项研究结合起来,在理论上可以从头合成紫杉醇,麦克卢恩及其同事已经准备好尝试这一方法了。
“紫杉醇一直是植物天然产物生物合成领域的圣杯。”说过研究作者伊丽莎白·萨特利
团队的方法也可能惠及其他科学家,他们渴望探索植物中潜在的新药物的宇宙。中文, 印度的和美洲的土著文化人们长期以来一直依赖植物作为治疗的来源。现在,现代技术开始揭示其中的原因。
职位科学家通过基因工程使烟草植物生产一种流行的抗癌药物首次出现在奇点枢纽.
2025-06-28 22:00:00
车轮改变了整个人类的历史进程。但它的发明却笼罩在一层神秘之中。
想象一下,你在公元前3900年的东南欧开采铜矿。一天又一天,你拖着铜矿石穿过矿井里闷热的隧道。
你已经接受了采矿生活的单调乏味。然后有一天下午,你目睹了一个同事做了件非凡的事情。
他用一个奇形怪状的装置,轻松地单次搬运相当于他体重三倍的货物。当他返回矿井取另一趟货物时,你突然意识到你所选择的职业即将变得轻松许多,而且收入会大大增加。
你没有意识到:你正在见证的将改变历史的进程——不仅仅是你这个小小的采矿社区的历史,而是全人类的历史。
尽管轮子对人类产生了深远的影响,但没有人确切知道它是谁发明的,或者它最初是在何时何地被构思出来的。上述假设性的情景是基于2015年的理论那里的矿工在现今的匈牙利喀尔巴阡山脉——大约6000年前首次发明了车轮,作为一种运输铜矿石的手段。
理论得到了发现的支持超过150节-miniaturized 车厢由该地区的考古学家发掘出。这些小型四轮模型是由黏土制成的,外表面刻有篮子编织图案,类似于当时采矿社区使用的编织技术。后来的碳 dating 发现,这些马车是目前已知最早的轮式运输工具的描绘。
这个理论也提出了一个特别引起我兴趣的问题,一名航空航天工程师谁研究工程设计科学. 一个科学知识匮乏的采矿社会是如何发现车轮的,而高度发达的文明却未能做到这一点,这是如何发生的?例如古埃及人, 没有?
长期以来一直认为车轮是从简单的木制滚轮演变而来的. 但直到最近,没有人能够解释这种转变是如何或为什么发生的。更令人惊讶的是,从20世纪60年代开始,一些研究人员开始强烈表示怀疑关于滚轮理论。
毕竟,滚轴要发挥作用,需要平坦坚实的地面和无坡度、无急弯的路径。此外,一旦手推车经过这些滚轴,就需要不断将用过的滚轴带到队伍的前面,以保持货物的移动。因此,在古代世界适当地使用滚轮根据怀疑论者的意见,滚木太稀少且太不实用,不可能是车轮进化的起点。
但一个矿井——其封闭的人造通道——为滚轮提供了有利条件。这一因素以及其他因素促使我的团队重新审视滚轮假说。
从滚轮到车轮的过渡需要两项关键创新。首先是对承载货物的手推车进行改造。手推车的底部必须安装半圆形的凹槽,用来固定滚轮。这样,当操作者拉动手推车时,滚轮也会被拉在一起。
这种创新可能是因为矿井环境的限制,频繁地将用过的滚轮搬回车头会特别麻烦。
有槽滚子的发现标志着车轮演进的一个转折点,并为第二项也是最重要的创新铺平了道路。这一下一步涉及滚子本身的改变。为了理解这种改变是如何和为什么发生的,我们转向了物理学和计算机辅助工程。
开始我们的调查,我们创建了一个计算机程序,旨在模拟从滚轮到车轮的进化过程。我们的假设是,这一转变是由一种称为“机械优势.” 这同一原理允许老虎钳通过提供额外的杠杆作用来放大用户的握力。同样地,如果我们能够修改滚轮的形状以产生机械优势,这将放大用户的推力,使推动手推车变得更加容易。
我们的算法通过建模数百种潜在的滚轮形状,并评估每种形状的性能,包括机械优势和结构强度来工作。后者用于确定给定的滚轮在承受货物重量时是否会断裂。正如预测的那样,算法最终收敛于熟悉的轮轴形状,并确定其为最优形状。
在算法执行过程中,每个新的设计都比其前一个版本稍微好一些。我们相信6000年前矿工们也经历了一个类似的进化过程。
不清楚最初是什么促使矿工们探索不同的滚轮形状。一种可能性是,滚轮与滚轮座接口处的摩擦导致周围木材磨损,从而在接触点处使滚轮略有变窄。另一种理论是,矿工们开始将滚轮变薄,以便他们的手推车能够越过地面上的小障碍物。
无论怎样,由于机械优势,这一轴区域的缩小使推车变得更加容易。随着时间的推移,性能更好的设计不断被优选,新的滚轮也被制造出来模仿这些顶尖设计。
因此,滚轮逐渐变窄,直到只剩下两端被大圆盘封顶的细长杆。这个原始结构标志着我们现在所说的“车轮”的诞生。
根据我们的理论,车轮并不是在某个精确的时刻被发明出来的。相反,就像物种的进化一样,车轮是通过一系列小的改进逐渐发展而来的。
这只是车轮漫长而持续进化过程中的一个章节。在喀尔巴阡矿工贡献了5000多年后,一位巴黎自行车修理工发明了滚子轴承,又一次革新了轮式交通。
讽刺的是,滚珠轴承在概念上与滚子类似,是轮子的进化前驱。围绕轴形成一个环,创造了一个在轴和轮毂之间滚动的界面,从而绕过了摩擦。通过这一创新,车轮的演变终于回到了原点。
这个例子也展示了车轮的演变,就像它的标志性形状一样,是一条蜿蜒曲折的道路——没有明确的起点,没有终点,以及无数默默无闻的变革。
2025-06-27 22:00:00
新的分子穿梭体可以携带抗体和酶来治疗癌症和其他脑部疾病。
我们的大脑是一座堡垒。其脆弱的内部完全被一层名为血脑屏障的保护墙所包围。
如其名所述,血脑屏障将血液中的内容物与大脑分隔开来,防止血液中的细菌和其他病原体侵害脆弱的大脑组织,同时允许氧气和某些营养物质通过。
保护是有代价的:一些由大分子组成的药物无法进入大脑。这些药物包括用于阻止阿尔茨海默病蛋白质团块形成的抗体,以及免疫疗法等。摧毁致命脑肿瘤,以及缺乏能够救援遗传性发育疾病的酶。
几十年来,科学家们一直在试图将这些较大的药物走私进入大脑而不破坏血脑屏障。现在,多亏了一类新的分子穿梭体,他们即将取得成功。一个有力的竞争者是基于转铁蛋白的,一种向大脑供应铁的蛋白质——这种元素对于确保大脑健康功能所需的众多关键化学反应是必不可少的。
尽管穿梭疗法仍处于初级阶段,但它已经改变了人们的生活。例如,Hunter综合征,这是一种罕见且无法治愈的遗传病,患者的脑细胞缺乏一种关键酶。患有此病的孩子们在很小的时候就开始失去语言、听力和运动能力。在严重的情况下,他们的生命会在10到20岁.
早期结果在使用转铁蛋白穿梭系统进行的临床试验中显示出前景。通过静脉注射将缺失的酶输送到患有亨特综合症的儿童和成人脑中后,患者逐渐恢复了说话、行走和跑动的能力。如果没有穿梭系统,酶太大无法通过血脑屏障。
如果穿梭机通过进一步的安全测试,并能适应不同类型的货物,它有可能通过简单的手臂注射直接将广泛的大型生物治疗药物——包括基因疗法——送入大脑。从癌症到神经退行性疾病以及其他常见的脑部疾病如中风,这将开启新的治疗可能性。
我们常常把身体和大脑看作是两个独立的部分。从某种意义上说,它们确实是独立的。血脑屏障是一层紧密编织的细胞层,覆盖在大脑中的血管内,调节哪些分子可以进入。这些细胞构建得像砖墙一样——将它们连接在一起的分子实际上被称为“紧密连接”。
但它们并不是不可穿透的。小分子,如氧气和咖啡因可以穿过屏障,给我们带来一杯好咖啡后的早晨能量提升。一旦进入大脑,这些分子可以很容易地在整个器官中扩散,以滋养能量需求高的组织。其他分子,如葡萄糖(糖)或铁,则需要特殊的蛋白质“转运体”分布在屏障细胞表面,才能进入。
运输蛋白对它们所携带的物质非常特定,通常只能抓住一种类型的分子。一旦装载完毕,这些蛋白质会形成一个脂肪泡将分子包裹起来,就像宇宙飞船一样,穿过屏障——带着保护在里面的货物——并将内容物释放到大脑中。换句话说,有可能暂时打开屏障,将较大的分子从血液运输到大脑。
一些聪明的想法已经开始了测试。
其中一种是受天然感染大脑的病毒,如HIV的启发。科学家在研究HIV的蛋白质序列后,发现了一个简短且安全的部分——TAT,它有助于病毒穿透血脑屏障。通过蛋白质序列分析,他们可以将一小段肽(大约十几个蛋白质“字母”长)物理地标记到TAT穿梭体上。已经开始了使用该系统的临床试验。减少中风造成的损害只需一次注射。但这些微小的载体在处理如抗体或酶这类较大的蛋白质时却存在问题。
最近,科学家们从屏障中已经嵌入的运输机制中得到了启发——也就是说,为什么以及如何允许一些较大的蛋白质进入。这一想法来自于阿尔茨海默病的试验。通过抗体分解疾病特征性的蛋白质团块显示出减缓症状的希望,但用静脉注射的方式很难将它们送入大脑。
在大多数情况下,大约0.1%实际上,治疗药物很难穿透大脑,这意味着需要使用更高剂量的药物,从而增加成本并增加副作用的风险。抗体还倾向于聚集在大脑内的血管周围,而不是深入移动。
特别是有一种运输蛋白引起了科学家们的注意:转铁蛋白。这种大型蛋白质——想象一下四叶草的形状——在血液中捕捉铁,然后将其附着在血脑屏障上。转铁蛋白的“茎”就像一个信号灯,告诉屏障可以将货物安全地运输到大脑中。屏障细胞将转铁蛋白包裹起来进行穿越,并在另一侧释放它。
科学家们没有尝试工程化整个蛋白质,而是合成了它的茎部——最重要的部分,然后可以将几乎任何大型货物连接上去。多项研究我发现穿梭子相对安全,不会危及大脑正常的铁处理过程。货物保持其功能在旅程之后,一旦进入大脑。
基于转铁蛋白的载体正在被研究用于多种脑部疾病。
在亨特综合症中,一个携带缺失酶的穿梭体有显示出早期的成功. 这种疗法有效的原因之一是,穿梭体最终会进入细胞的废物工厂,即溶酶体中。这些充满酸性物质的囊泡是穿梭体及其货物的自然停靠点——这也是酶需要去的地方,使得这种状况成为理想的应用案例。
科学家们也在研究其他脑部疾病,如阿尔茨海默病,其中包含一种称为蛋白质的有毒团块淀粉样β蛋白逐渐在大脑内部积累。穿梭子可以增加进入大脑的治疗性抗体数量,使治疗更加高效。其他团队正在测试方法作为携带针对转移性乳腺癌导致的脑癌的抗癌抗体的手段。
这些脑部穿梭工具还处于早期阶段,但正在努力将其他类型的血脑屏障运输器工程化以作为载体。这些运输器与基于转铁蛋白的那些相比具有不同的特性。有些会在释放其货物时更慢地,例如,使它们有可能用于具有更长治疗效果的缓释药物。
能载人的穿梭巴士基因疗法或基因编辑器也可能改变我们治疗遗传性神经疾病的方式。基于转铁蛋白的载体已经携带将反义寡核苷酸——能够阻断基因功能的分子——注入小鼠和猕猴的大脑中交付了功能性的CRISPR组件注入老鼠。
随着越来越强大的AI模型能够预测和构思蛋白质序列,研究人员可以根据自然蛋白质进一步开发更高效的蛋白质载体——极大地扩展了治疗脑部疾病的可能性。
2025-06-26 22:00:00
依赖AI的科学论文数量 quadrupled,AI能够解决的问题范围一天天扩大。
现代人工智能是数十年精心科学研究的产物。现在,它开始通过加速学术界的进步来回报这些努力。
自从人工智能作为一门学科出现以来,研究人员就梦想着创造出足够智能的工具,以加速人类无尽的知识获取驱动力。随着2010年代深度学习的兴起,这一目标终于变得切实可行。
从2012年到2022年,依赖某种方式使用AI的科学论文比例已经增加到接近9%. 研究人员正在使用神经网络来分析数据、进行文献综述或建模跨各个科学学科的复杂过程。随着技术的进步,他们能够解决的问题范围也在日益扩大。
人工智能在科学中应用的 poster boy 不可否认是谷歌深度mind的AlphaFold,其发明者因此获得了2024年化学诺贝尔奖. 使用的模型利用了变压器架构的进展——这种架构驱动了大型语言模型——来解决“蛋白质折叠问题”困扰科学家们数十年.
蛋白质的结构决定了其功能,但在之前,发现其形状的唯一方法是使用复杂的成像技术,如X射线晶体学和冷冻电子显微镜。相比之下,AlphaFold 只需从构成它的氨基酸序列中就能预测其形状,这是计算机科学家们多年来一直尝试但未能实现的。
这使得在短短两年内就可以预测科学上已知的每一种蛋白质的形状成为可能,这一成就可能对生物医学研究产生变革性的影响。AlphaFold 3,将于2024年发布,将更进一步。它可以预测结构和相互作用蛋白质,以及DNA、RNA和其他生物分子。
谷歌还将其AI应用于生命科学的另一个领域,与哈佛研究人员合作创建最详细的地图的人类大脑连接到目前为止,该团队从一个人脑的1毫米立方体中取了超薄切片,并使用基于AI的成像技术mapping了其中的大约50,000个细胞和1.5亿个突触连接。
这无疑是迄今为止最详细的连接组迄今为止人类大脑产生的数据现在已免费提供,为科学家提供了探索神经架构和连接性的关键工具。这可能有助于我们更好地理解神经疾病,并可能提供有关学习和记忆等核心认知过程的见解。
AI 也正在革新材料科学领域。2023年,谷歌DeepMind发布了图神经网络称为GnoME预测了220万种新型无机晶体结构,包括380,000个稳定 ones这有可能成为新科技的基础。
其他大型AI开发商也纷纷进入这一领域。去年,Meta发布并开源它自己的基于变压器的材料发现模型,并且最关键的是,它拥有超过11000万份材料模拟数据集,用于训练这些模型,这应该允许其他研究人员构建自己的材料科学AI模型。
今年早些时候微软发布了MatterGen,使用了扩散模型——与许多图像和视频生成模型中使用的架构相同——来生成新型无机晶体。经过微调后,他们展示了该模型可以被提示生成具有特定化学、机械、电子和磁性性能的材料。
AI的一个最大优势是其能够模拟远超传统计算技术处理能力的复杂系统。这使其非常适合用于天气预报和气候模型,目前依赖于在超级计算机上运行的巨大物理模拟。
Google DeepMind的GraphCast模型是第一个展示该方法前景的研究,该方法使用图神经网络生成10天预报在一分钟内,并且比现有需要几小时的金标准方法具有更高的准确性。
AI 预测如此有效,以至于已经由欧洲中期天气预报中心部署使用,该中心的人工智能预测系统今年早些时候上线。该模型速度更快,能耗低1000倍,并将准确性提高了20%。
微软创建了一个它称之为“地球系统基础模型”的东西名为 Aurora它被训练在超过一百万小时的地质物理数据上。在预测空气质量、海洋波浪和热带气旋路径方面,它的性能优于现有方法,同时使用的计算量仅为后者的一小部分。
AI 也在推动物理学的基本发现。当大型强子对撞机将粒子束相撞时,每秒会产生数百万次碰撞。筛选这些数据以寻找有趣的现象是一项艰巨的任务,但现在研究人员已经开始转向AI为他们去做。
同样,德国的研究人员一直在使用AI来筛选引力波数据,寻找其中的迹象中子星合并. 这有助于科学家及时检测到合并事件,从而对准望远镜进行观测。
然而,最令人兴奋的是人工智能自身承担科学家角色的潜力。结合实验室自动化技术,机器人学,借助机器学习,现在有可能创建“自动驾驶实验室”。这些实验室从研究人员那里获得一个高层次的目标,比如实现特定的化学反应产率,然后自主运行实验直到达到这个目标。
其他人更进一步,实际上将AI应用于实验的设计和规划中。2023年,卡内基梅隆大学的研究人员展示了他们的AI “共认知科学家”由OpenAI的GPT-4驱动,可以自主规划并执行已知化合物的化学合成。
Google 已经创建了一个多智能体系统由其Gemini 2.0推理模型驱动,可以帮助科学家生成假设并提出新的研究项目。另一个由Sakana AI开发的“AI科学家”撰写了一篇机器学习论文,通过同行评审过程为一个知名的AI会议的工作坊。
尽管这一切都令人兴奋,但AI在科学中的接管也可能带来潜在的缺点. 神经网络是黑箱,内部工作机制难以解读,这使得结果难以解释。而且许多研究人员对这项技术不够熟悉,无法发现常见的陷阱,这些陷阱可能会扭曲结果。
然而,这些模型处理数据和在远超人类理解规模上建模的惊人能力仍然是一个重要的工具。如果谨慎应用,人工智能可以在众多领域大幅加速进步。
职位一位AI科学家的梦想比以往任何时候都更接近首次出现在奇点枢纽.