神经科学家如何使用AI
时间:2026-03-31 23:09 来源:生物行 作者:泉水 点击:次
在过去几年中，大型语言模型在规模和能力上都迅速增长。它们在复杂推理方面表现更佳，能够理解科学提示，并且现在不仅能处理文本，还能处理图形和代码。科学家们迅速将这些优势融入他们的工作流程——利用这些工具分析文献、头脑风暴假设、查询数据库、与复杂数据集交互以及研究新结果。八位神经科学家分享了他们在实验室中使用这些工具的方式。 1. 用AI理解细胞组织语言
我们的实验室使用LLM背后的核心技术来处理一种完全不同的“语言”：通过空间基因组学测量的细胞组织语言。我们提出了一个简单问题：AI模型能否像语言模型理解句子中的单词一样，根据细胞周围的背景来解释细胞？答案是肯定的。 我们开发了名为CellTransformer的模型，通过自监督方式在艾伦研究所合作者提供的大规模空间基因组学数据集上训练。AI模型检查一个细胞邻域，忽略其中某个细胞的分子身份，然后根据其邻居预测被隐藏的细胞身份。通过数百万次重复，它学习到不同细胞如何排列的基本规则。 这与以往旨在定义大脑中不同细胞类型的脑图谱绘制工作不同——我们的方法揭示的是这些细胞类型如何被组装成更大的功能区域。模型从头学习了神经解剖学的规则，无需任何人类指导，生成了一个全新的、超高分辨率的大脑图谱。CellTransformer以惊人的准确性再现了已知的大规模脑区，并发现了许多先前未编目的更精细亚区。 这一AI生成的地图提供了更详细、更无偏的脑区表示，使科学家能够将疾病状态或药物作用与高度特异性的细胞定义脑区关联起来。CellTransformer框架不仅适用于神经科学，可以作为强大的、组织无关的工具，应用于任何具有大规模空间转录组学数据的器官系统。 2. LLM作为日常研究助手
LLM极大地改变了我的工作方式，已成为我日常研究的重要组成部分。作为非英语母语者，我之前在清晰地表达想法时遇到困难——无论是把握电子邮件的语气还是完善审稿意见。现在我用LLM润色文稿、检查语法、调整语气，使写作对像我这样的非母语者更容易。 此外，我依赖LLM完成编码任务，特别是生成用于数据绘图或调试的小段代码。这些工具的交互性帮助我更有效地思考问题。我也常与LLM进行思想碰撞——无论是头脑风暴分析方法，还是思考如何构建我正在撰写的论文。 我的研究高度协作，涉及频繁的会议，我们转录会议内容，然后用LLM生成带有明确行动项的有组织摘要——极大节省了时间。最近，我们开始使用视觉语言模型作为科学家的强大助手，使我们能够以原本不可行的规模和速度进行分析，例如自动描述视觉皮层神经元对不同图像的反应有何共同点。 虽然我定期使用这些工具，但我对它们的输出保持批判性视角。如果能保持批判视角并意识到“幻觉”等局限，我相信LLM等AI工具具有彻底改变我们工作方式的巨大潜力。（是的，我用了LLM来润色这段文字！） 3. BrainGPT：LLM在预测实验结果上胜过人类
BrainGPT.org项目研究了在神经科学文献上训练的LLM能否在预测实验结果方面胜过人类专家。来自11个国家的国际团队开发了BrainBench基准测试（基于《神经科学杂志》摘要），测试人类专家和LLM区分真实研究结果与细微篡改结果的能力。 关键发现是：LLM表现出超人般的预测实验结果能力，且置信度校准良好（置信度越高，准确性越高）。这意味着混合团队（人类+AI）可以做出比任何一方更准确的预测。该系统可以通过利用LLM的独特能力加速科学发现。 一个令人信服的例子：哈佛医学院和麻省总医院的Michael Schwarzschild发现了一个潜在的帕金森病生物标志物，后来发现1980年代和1990年代的研究曾暗示过类似发现。当测试时，BrainGPT的LLM正确识别这一创新结果最有可能，展示了其发现被忽视研究和连接不同科学文献的能力。 团队正在与AE Studio合作开发开源工具，帮助各学科科学家利用这些预测能力。有兴趣的科学家、AI研究人员和软件开发人员可以注册获取项目更新或为项目做贡献。 4. 用LLM让神经科学数据更易用
我们使用LLM让神经科学家更容易重用DANDI档案中的复杂数据集。DANDI收录了数百个神经生理学数据集，包含使用电生理学和钙成像等技术收集的大脑活动记录，以及行为和数据。这些数据集富含新发现潜力，但如果你没有亲自收集数据，很难知道从哪里开始。 我们构建了一个系统，使用LLM完成部分繁重工作：首先，一个AI代理自主探索数据集——从远程文件加载数据，运行探索脚本，生成和检查可视化以理解数据。然后，第二个模型使用收集的信息编写Python笔记本，介绍数据集，展示如何开始加载、绘图和分析数据。经人工检查准确性后，笔记本与数据集一起在线提供。 目标是帮助科学家在几分钟内从“这看起来有趣”过渡到“我可以处理这个”。这是使公共神经科学数据更易于访问和重用的一步。 5. 用AI发现神经退行性疾病的早期分子信号
额颞叶变性是一种影响大脑额叶和颞叶区域的痴呆症，会损害言语、决策和运动功能。尽管它是60岁以下人群中最常见的痴呆症，但其分子基础仍知之甚少。我们的项目使用可解释的图神经网络对来自FTD患者的大规模蛋白质组学数据进行分析，模型通过检测早期分子信号预测未来的认知衰退——有时在症状出现之前——以预测疾病将如何影响患者的生活。 然后我们应用LLM增强的可解释性技术来识别驱动模型预测的主要蛋白质，突出可能构成FTD基础的分子模式。在识别出前10个预测蛋白后，定制的AI查询PubMed并总结相关论文，回答诸如：这些蛋白已知功能是什么？哪些已知与神经退行性疾病（如阿尔茨海默病或帕金森病研究）有关？哪些可能是新的？ 我们的团队验证所有参考文献。自动搜索丰富了我们的解读和讨论，指导我们选择未来实验室测试的蛋白质。虽然LLM可能通过幻觉引入错误（引用不存在的论文），但我们将LLM的角色限制在总结PubMed自动搜索结果，所有输出由团队手动审核。即使AI可能误解发现或遗漏关键文献，该工具在假设生成方面仍有价值。 6. 用AI系统综述：MetaBeeAI
我们使用LLM克服生物学和神经科学中的一个挑战：发表的文献量太大。我们的项目MetaBeeAI专注于理解杀虫剂等应激源如何影响昆虫大脑和行为。核心问题是普遍性的：研究者无法跟上文献。 MetaBeeAI使用LLM阅读数千篇论文，识别相关发现，并提取结构化数据——包括实验设计、受影响的脑区和行为结果——以可直接纳入元分析或计算模型的形式呈现。这是一个“专家参与”系统，研究者可以在每个阶段验证输出、纠正错误，并提供随时间改进提示和微调的反馈。这使过程透明、可审计，并适应不同领域的需求。 我们还正在构建一个由领域专家策划的基准数据集，帮助评估LLM在真实生物文献上的表现，推动模型成为更好的科学读者。最终目标是让神经科学和生物学领域的研究者都能使用这个工具，帮助他们提取关键发现、综合证据、加速发现。 7. LLM作为大脑处理模型
除了使用LLM进行写作和编码支持外，我们还将其作为大脑处理的预测模型。我们最近发现，GPT类型模型的内部表征与人脑语言网络的表征惊人地相似。当我们向人类和这些模型呈现相同文本时，两者表现出惊人的一致性：模型的内部激活预测了大脑中的神经活动模式和阅读时间等行为反应。 这种对齐足够强，我们现在可以用LLM选择能可靠增加或减少人类语言系统特定部分活动的句子。这非常令人兴奋，因为它开启了纯粹通过感知输入（而非侵入性程序）进行非侵入性脑活动调节的可能性。 受这些发现启发，我们也在研究LLM作为一种“物种”：使用神经科学中的功能定位器分析各种模型，发现只有相对一小部分LLM组件用于核心语言处理，大部分用于辅助任务——这再次反映了人类语言网络与更广泛的推理和世界知识系统是不同的。我们发现这种双向交流非常有价值：用AI模型理解大脑，用神经科学工具剖析模型。我相信这种日益增长的协同作用将产生越来越好的大脑模型。 8. 用LLM自动发现计算模型
计算模型在神经科学中扮演重要角色，将神经过程的抽象描述与可在数据上检验的定量预测相结合。传统上，实现这类模型完全是人类的专长——特别是具有神经科学和建模专业知识的研究人员。然而，LLM现在也能编写可执行代码，为自动生成计算模型打开了大门。虽然LLM生成的代码仍落后于熟练程序员，但可以快速、大规模地生产。 AlphaEvolve等方法利用这一点：在优化循环中生成和完善代码，以发现最大化某些得分的程序。我们团队正将其用于数据驱动的计算模型发现，优化LLM生成的程序以捕捉神经科学数据集。我们专门应用这种方法来发现捕捉动物学习行为的计算模型。 该流程从一个包含示例程序和LLM修改说明的“提示”开始。LLM提出修改，每个新程序根据其拟合行为数据的程度评分。在每次迭代中，提示中的示例程序被得分更高的LLM生成程序替换。结果程序在拟合数据方面表现良好（正是为此优化），并且相对可读（由在人类编写代码上训练的LLM生成）。难点在于理解这些模型：理解不同代码元素的作用，以及它们如何与先前工作相关。 这项工作说明了生成式AI带来的更广泛的权衡。历史上，构建模型对理论家来说是主要挑战，这一过程隐含地强制了理想属性，如基于先前文献、可解释性、新颖性以及对感兴趣现象的关注。有了生成工具，创建变得容易，但质量不保证。计算神经科学家现在的挑战是明确形式化我们期望模型具备的确切属性。 (责任编辑：泉水) |