聚焦腦科學、基因組學、腦機接口｜最新AI模型匯總

潘展 | 整理

人工智能與多學科交叉領域不斷取得進展，本周介紹的AI模型呈現多點開花，覆腦科學、生命科學、基因組學、藥物研發等方向，展現出從模式識別向工程級設計、精準預測的跨越升級。

這些新模型在提升計算效率、挖掘生物機制、降低研發成本等方面實現關鍵突破，為相關領域的科學發現與應用落地提供了全新技術支撐。

01

NeMO Analytics

領域：腦科學 / 神經發育

團隊：馬里蘭大學醫學院（UMSOM）

簡介：NeMO Analytics 是面向新皮層發育的多組學數據聯合分析平臺，專為無編程背景生物學家設計。

該模型采用比較 Transformer 架構逐細胞繪制新皮質發育圖譜，整合了涵蓋人類、非人靈長類動物和小鼠共 188 項研究的多組學數據。

NeMO Analytics模型數據分解 圖源：論文

其核心創新在于內置結構聯合分解（SJD）算法跨物種多數據集聯合降維，實現一站式整合數據探索、可視化與生物學解讀。

該模型鑒定出了神經元生長關鍵調控因子FOXN3—— 該基因在人類中被 “關閉”，從而支持大腦更大幅度生長。并用于追蹤發育早期表觀遺傳紊亂與炎癥如何觸發與自閉癥、精神分裂癥相關的特定通路。

研究鏈接：

https://www.nature.com/articles/s41593-026-02204-4

02

Episodic Memory BMI Translator

領域：神經科學 / 腦機接口（BMI）

團隊：南加州大學凱克醫學院

簡介：該模型是面向記憶修復的侵入式腦機接口系統，核心是解碼海馬體等腦區神經信號，重建、增強情景記憶。

模型通過植入式電極采集海馬、內側顳葉神經元放電，采用模式識別算法，搜尋與現實事件（面孔、地點、聲音）對應的同步神經活動簇。用機器學習將神經模式映射為可解讀的記憶表征，實現記憶“讀取、寫入及修復”。

模型原理圖 圖源：論文

其核心創新在于可構建個性化情景記憶“神經詞典”，進而通過腦機接口發送電脈沖，重新觸發或強化特定記憶模式，實現了“讀、寫記憶”雙向閉環，使BMI從運動控制突破延伸至高級認知功能修復。

研究鏈接：

https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202520125

03

MOOSE-Star

領域：計算物理與算法效率

團隊：多家機構研究團隊

簡介：MOOSE-Star是一款開創性 AI for Science 模型框架，基于DeepSeek-R1-Distill-Qwen-7B進行微調，旨在解決科學發現中的“組合爆炸”問題，運用創新的數學分解策略將其復雜度從指數級降至對數級。

其核心創新在于引入概率分解和動機引導的層次化搜索。靈感檢索模塊將整體發現概率拆解為序列化的單步靈感。假設合成模塊基于 SPECTER2 聚類樹的導航機制快速定位極少數的關鍵科研靈感。同時在訓練中引入“增量式”更新，避免冗余信息。

MOOSE-STAR時間縮放特性 圖源：論文

其性能在多個維度上大幅超越了基準模型，靈感檢索準確率達到54.37%，假設合成評分提升至5.16。能夠從數千篇看似無關的跨學科論文中，精準提取出蛋白質相互作用的新機理，并生成具備實驗驗證潛力的科研假設，且計算開銷大幅降低。

研究鏈接：

https://arxiv.org/pdf/2603.03756

04

MetaVision3D

領域：腦科學/ 代謝組學

團隊：佛羅里達大學

簡介：MetaVision3D 是一款人工智能驅動的計算工具，可生成大腦“代謝組” 的高分辨率三維圖譜，代謝組包含為神經功能供能的脂肪、碳水化合物等分子。

該模型核心創新在于通過深度學習將數千張薄層二維質譜成像切片進行配準與“堆疊”，形成完整三維立體結構，解剖學準確率達 95%–99%。

流程示意圖 圖源;論文

最新研究顯示，研究人員可對特定腦區進行“放大”觀測，精準定位神經退行性疾病中代謝異常的位置。在阿爾茨海默病小鼠模型的海馬體中發現了標準二維掃描無法觀測到的特異性代謝簇。

研究論文：

https://www.biorxiv.org/content/10.1101/2023.11.27.568931v1

05

AQuaRef

領域：生命科學/ 蛋白質科學

團隊：勞倫斯伯克利國家實驗室

簡介：AQuaRef 是融合人工智能與量子計算的蛋白質結構建模方法，聚焦蛋白質折疊的 “精修階段”，解決傳統人工智能（如阿爾法折疊）在藥物分子對接中物理精度不足的問題。

其核心創新在于將量子機器學習與傳統神經網絡結合，模擬氨基酸之間電子層面的相互作用。

AQuaRef中AIMNet2 MLIP模型的計算縮放圖源：論文

相較于純傳統精修工具，該模型將蛋白質結構預測的均方根偏差降低 40%。此前，該模型成功完成一種復雜病毒蛋白酶的結構精修，發現了一類新型抗病毒藥物此前未被發現的結合口袋。并因其在解析帕金森病相關蛋白結構方面的卓越表現備受關注。

研究鏈接：

https://www.nature.com/articles/s41467-025-64313-1

06

Neuro-Region Age-Mapper

領域：腦科學/ 遺傳學

團隊：哈佛醫學院、南加州大學等

簡介：Neuro-Region Age-Mapper是一款三維神經網絡系統，用于解析大腦不同區域差異化衰老的遺傳機制。

該模型核心創新在于摒棄整體大腦單一腦齡”計算方式，基于 4 萬余張磁共振影像，同步分析 148 個獨立腦區，可捕捉疾病的空間異質性。

研究框架 圖源：論文

模型 基于三維卷積神經網絡和多尺度結構特征，鑒定出了1212 個與特定腦區衰老加速相關的遺傳關聯位點。發現KCNK2基因與阿爾茨海默病易感腦區的快速衰老特異性相關，為預防性治療提供全新靶點。

研究論文：

https://arxiv.org/abs/2602.12751

07

Unreasonable Discovery Platform

領域：生命科學 / 藥物研發

團隊：Unreasonable Labs

簡介：這是一款“物理感知”人工智能平臺，由初創公司Unreasonable Labs開發，旨在打通人工智能分子設計與實驗室實際合成的技術壁壘。

該平臺核心創新在于采用自研化學“世界模型”，利用數學拓撲結構來識別不同科學領域之間的隱藏規律，從而生成全新的、可驗證的科學假設。其注重因果關系特性，不僅預測分子藥效，還可判斷其能否通過標準實驗室自動化設備合成。成功將藥物研發中的“合成失敗率” 降低 60%。

在最新的展示中，該平臺在短短數周內完成了以往需要數年才能實現的新型蛋白質適應性景觀模擬和可持續材料設計，在創紀錄時間內成功鑒定并合成三種新型抗炎候選藥物。

研究論文：

https://arxiv.org/abs/2603.04124

08

ChemBERTa-77M-MTR

領域：藥物發現/化學信息學

團隊：聯合研究團隊

介紹：作為ChemBERTa家族的更新版本，這一基于Transformers的模型因其龐大的7700萬分子訓練集而備受關注。

該模型將化學SMILES字符串視為學習“分子語法”的語言，核心創新在于其跨模態注意力使模型能夠“讀取”生物活性文本（例如“抑制EC50”）并將其與化學結構聯系起來。多任務回歸 (MTR) 策略，讓模型在預訓練階段直接預測 200 種不同的分子理化性質。模型因而具有極高的參數效率，使得其具備極強的捕捉功能團和芳香環等化學特征的能力。

模型框架示意圖 圖源:論文

ChemBERTa結構精簡，但在多項性能測試中超過通用大模型，從傳統藥理學文獻中提取化合物-靶點活性三聯組的準確率達到80%。

研究論文：

https://arxiv.org/pdf/2209.01712

Deep Science預印本