聚焦脑科学、基因组学、脑机接口｜最新AI模型汇总

潘展 | 整理

人工智能与多学科交叉领域不断取得进展，本周介绍的AI模型呈现多点开花，覆脑科学、生命科学、基因组学、药物研发等方向，展现出从模式识别向工程级设计、精准预测的跨越升级。

这些新模型在提升计算效率、挖掘生物机制、降低研发成本等方面实现关键突破，为相关领域的科学发现与应用落地提供了全新技术支撑。

01

NeMO Analytics

领域：脑科学 / 神经发育

团队：马里兰大学医学院（UMSOM）

简介：NeMO Analytics 是面向新皮层发育的多组学数据联合分析平台，专为无编程背景生物学家设计。

该模型采用比较 Transformer 架构逐细胞绘制新皮质发育图谱，整合了涵盖人类、非人灵长类动物和小鼠共 188 项研究的多组学数据。

NeMO Analytics模型数据分解 图源：论文

其核心创新在于内置结构联合分解（SJD）算法跨物种多数据集联合降维，实现一站式整合数据探索、可视化与生物学解读。

该模型鉴定出了神经元生长关键调控因子FOXN3—— 该基因在人类中被 “关闭”，从而支持大脑更大幅度生长。并用于追踪发育早期表观遗传紊乱与炎症如何触发与自闭症、精神分裂症相关的特定通路。

研究链接：

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

02

Episodic Memory BMI Translator

领域：神经科学 / 脑机接口（BMI）

团队：南加州大学凯克医学院

简介：该模型是面向记忆修复的侵入式脑机接口系统，核心是解码海马体等脑区神经信号，重建、增强情景记忆。

模型通过植入式电极采集海马、内侧颞叶神经元放电，采用模式识别算法，搜寻与现实事件（面孔、地点、声音）对应的同步神经活动簇。用机器学习将神经模式映射为可解读的记忆表征，实现记忆“读取、写入及修复”。

模型原理图 图源：论文

其核心创新在于可构建个性化情景记忆“神经词典”，进而通过脑机接口发送电脉冲，重新触发或强化特定记忆模式，实现了“读、写记忆”双向闭环，使BMI从运动控制突破延伸至高级认知功能修复。

研究链接：

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

03

MOOSE-Star

领域：计算物理与算法效率

团队：多家机构研究团队

简介：MOOSE-Star是一款开创性 AI for Science 模型框架，基于DeepSeek-R1-Distill-Qwen-7B进行微调，旨在解决科学发现中的“组合爆炸”问题，运用创新的数学分解策略将其复杂度从指数级降至对数级。

其核心创新在于引入概率分解和动机引导的层次化搜索。灵感检索模块将整体发现概率拆解为序列化的单步灵感。假设合成模块基于 SPECTER2 聚类树的导航机制快速定位极少数的关键科研灵感。同时在训练中引入“增量式”更新，避免冗余信息。

MOOSE-STAR时间缩放特性 图源：论文

其性能在多个维度上大幅超越了基准模型，灵感检索准确率达到54.37%，假设合成评分提升至5.16。能够从数千篇看似无关的跨学科论文中，精准提取出蛋白质相互作用的新机理，并生成具备实验验证潜力的科研假设，且计算开销大幅降低。

研究链接：

https://arxiv.org/pdf/2603.03756

04

MetaVision3D

领域：脑科学/ 代谢组学

团队：佛罗里达大学

简介：MetaVision3D 是一款人工智能驱动的计算工具，可生成大脑“代谢组” 的高分辨率三维图谱，代谢组包含为神经功能供能的脂肪、碳水化合物等分子。

该模型核心创新在于通过深度学习将数千张薄层二维质谱成像切片进行配准与“堆叠”，形成完整三维立体结构，解剖学准确率达 95%–99%。

流程示意图 图源;论文

最新研究显示，研究人员可对特定脑区进行“放大”观测，精准定位神经退行性疾病中代谢异常的位置。在阿尔茨海默病小鼠模型的海马体中发现了标准二维扫描无法观测到的特异性代谢簇。

研究论文：

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

05

AQuaRef

领域：生命科学/ 蛋白质科学

团队：劳伦斯伯克利国家实验室

简介：AQuaRef 是融合人工智能与量子计算的蛋白质结构建模方法，聚焦蛋白质折叠的 “精修阶段”，解决传统人工智能（如阿尔法折叠）在药物分子对接中物理精度不足的问题。

其核心创新在于将量子机器学习与传统神经网络结合，模拟氨基酸之间电子层面的相互作用。

AQuaRef中AIMNet2 MLIP模型的计算缩放图源：论文

相较于纯传统精修工具，该模型将蛋白质结构预测的均方根偏差降低 40%。此前，该模型成功完成一种复杂病毒蛋白酶的结构精修，发现了一类新型抗病毒药物此前未被发现的结合口袋。并因其在解析帕金森病相关蛋白结构方面的卓越表现备受关注。

研究链接：

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

06

Neuro-Region Age-Mapper

领域：脑科学/ 遗传学

团队：哈佛医学院、南加州大学等

简介：Neuro-Region Age-Mapper是一款三维神经网络系统，用于解析大脑不同区域差异化衰老的遗传机制。

该模型核心创新在于摒弃整体大脑单一脑龄”计算方式，基于 4 万余张磁共振影像，同步分析 148 个独立脑区，可捕捉疾病的空间异质性。

研究框架 图源：论文

模型 基于三维卷积神经网络和多尺度结构特征，鉴定出了1212 个与特定脑区衰老加速相关的遗传关联位点。发现KCNK2基因与阿尔茨海默病易感脑区的快速衰老特异性相关，为预防性治疗提供全新靶点。

研究论文：

https://arxiv.org/abs/2602.12751

07

Unreasonable Discovery Platform

领域：生命科学 / 药物研发

团队：Unreasonable Labs

简介：这是一款“物理感知”人工智能平台，由初创公司Unreasonable Labs开发，旨在打通人工智能分子设计与实验室实际合成的技术壁垒。

该平台核心创新在于采用自研化学“世界模型”，利用数学拓扑结构来识别不同科学领域之间的隐藏规律，从而生成全新的、可验证的科学假设。其注重因果关系特性，不仅预测分子药效，还可判断其能否通过标准实验室自动化设备合成。成功将药物研发中的“合成失败率” 降低 60%。

在最新的展示中，该平台在短短数周内完成了以往需要数年才能实现的新型蛋白质适应性景观模拟和可持续材料设计，在创纪录时间内成功鉴定并合成三种新型抗炎候选药物。

研究论文：

https://arxiv.org/abs/2603.04124

08

ChemBERTa-77M-MTR

领域：药物发现/化学信息学

团队：联合研究团队

介绍：作为ChemBERTa家族的更新版本，这一基于Transformers的模型因其庞大的7700万分子训练集而备受关注。

该模型将化学SMILES字符串视为学习“分子语法”的语言，核心创新在于其跨模态注意力使模型能够“读取”生物活性文本（例如“抑制EC50”）并将其与化学结构联系起来。多任务回归 (MTR) 策略，让模型在预训练阶段直接预测 200 种不同的分子理化性质。模型因而具有极高的参数效率，使得其具备极强的捕捉功能团和芳香环等化学特征的能力。

模型框架示意图 图源:论文

ChemBERTa结构精简，但在多项性能测试中超过通用大模型，从传统药理学文献中提取化合物-靶点活性三联组的准确率达到80%。

研究论文：

https://arxiv.org/pdf/2209.01712

Deep Science预印本