E017 用AI发现了抑郁症的藏身之所,然后呢?博士生聊AI和生命研究嗑嗑科学

E017 用AI发现了抑郁症的藏身之所,然后呢?博士生聊AI和生命研究

60分钟 ·
播放数10050
·
评论数27

我们邀请了三位博士生,分别从遗传学、生物学机制和药物设计角度来聊聊AI对生命研究的影响。其中,宋立阳所在的实验室,利用空间转录组结合图神经网络等技术,定位了抑郁症相关脑区,找到了抑郁的藏身之所。

但这显然不是研究的终点。AI在生命研究中的应用,是过往知识的总结,还是不止于此,AI更将是一种新的科学探索工具?三位博士生展开了讨论。

本期嘉宾

张   鹏   张兵实验室(干细胞与再生生物学实验室)博士生
战   睿   黄晶实验室(计算生物物理与药物设计实验室)博士生
宋立阳   杨剑实验室(统计遗传学实验室)博士生

本期主持 沈是


特别感谢西湖大学湖心讲堂,生命科学学院WeTalk对本期提供的支持。

时间码
04:49
AI在各自学科中的应用程度
14:59
既然遗传信息是一种编码,生命过程可以理解成计算过程吗?
24:03
用AI技术发现抑郁症藏身之处
44:53
“湿实验”可以被取代吗?
57:12
嘉宾推荐 :《银河系漫游指南》、轻音乐、《自私的基因》

杨剑课题组开发的gsMap新方法显示,小鼠胚胎切片中,与智商强关联的细胞,主要分布在大脑;与血红蛋白浓度相关的细胞,集中在肝脏;而与身高最相关的细胞,则分布在软骨中。这一结果符合生物学“常识”。

拓展阅读
Nature报道,他们定位了抑郁症的“藏身之处”
长期轻断食,小心发量|Cell报道西湖大学张兵团队最新研究

展开Show Notes
沈是
沈是
2025.9.29
没有想到这一期如此受到大家的关注。我们聊到了AI和生命研究,也聊到了抑郁症可能和大脑特定区域的关联,只是,我们目前的认知依然还很有限。生命是什么,恐怕依然是一个巨大的神秘,也许也正是有那么多我们想知道却不知道的事情,生命也是迷人的。
沈是
沈是
2025.9.29
关于脑区和抑郁症相关性的研究,大家可以点击https://mp.weixin.qq.com/s/gPRyukI34N1mUPm3wtK-qw这篇科普报道了解
Leon立阳
Leon立阳
2025.9.28
20:23 严谨一点的说是训练集和验证集的误差项(残差)不独立的话会造成模型的效果被高估。😊
1Sparrow1
1Sparrow1
2025.9.29
好棒啊,散步的时候听。内容中有很多原理不是很理解,生物仅有高中基础。但是有所收获,AI是如何运用的,以及博士们对AI的看法。
关于抑郁症、强迫症等神经性疾病,我喜欢解释为行为强化以及大脑聚焦,我觉得可以通过同样的方式去缓解轻微的疾病。我觉得蝴蝶效应也可以应用到人的身上,微小的行为引发的类似滚雪球的结果。
沈是:或者说,发现原本并不直接显现的联系
一只喵17
一只喵17
2025.9.29
50:37 最后关于自然语言和AI语言的描述非常精彩,期待能够展开聊聊
沈是:未来也许可以再聊一期大语言模型
冰点FM
冰点FM
2025.10.04
56:53不甘于活着就好的恐怕早晚要出局啊
小高橙
小高橙
2025.9.29
听完啦
HD664818l
HD664818l
2025.9.28
不明觉厉
求求了,更新一下设备吧,声音忽大忽小,耳朵受难
沈是:之前几个话筒没有统一,最近几期已经完善了一些,感谢建议。
HD105193d
HD105193d
2025.10.04
沈是老师,看了疼痛那一期和这一期,有一个体会就是抑郁症的成病机理是很复杂的,也很好奇生活中的经历为什么会对神经层面造成影响,以及有没有关于抑郁症的最新研究和治疗方法,我相信这也是在这个快节奏高压力社会下人们普遍感兴趣的话题,能否专门做一期来讲讲,期待!
沈是:正在计划中,上新后来留言告诉你
听的有点难受,要不你们提前对一下问题吧🥹
沈是:感谢指出,还请多帮忙提意见^_^
一只喵17
一只喵17
2025.9.29
03:58 我生完孩子后,真的是几乎一夜白头😂带孩子太累了,好想了解那个研究文献,请问有分享么
沈是:https://mp.weixin.qq.com/s/x1JZus3VP0CJM56uVlMWMg张兵教授在一席的分享
一只喵17:感谢分享,做伸手党有点不好意思,多谢
david2cosmos
david2cosmos
2025.9.28
nice
五分熟白
五分熟白
2025.9.28
34:48 取均值降噪+自监督,感觉出现幻觉的概率很大啊!最后不会变成塔罗牌吧🎃
Leon立阳:感谢这位听众的留言!由于播客时间有限,我之前的解释不够严谨。在我们的算法中,训练的核心目标是重构数据的分布。打个比方,就像线性模型 y = ax + b,当我们要求解参数 b 时,实际上是通过模型输出的预测值 y’,利用极大似然函数去逼近真实 y 的分布。我们结合自编码器(autoencoder)和上述的损失函数,将原始高维数据矩阵 y (维度为 n x m)压缩到低维表示(维度为 n x k)。这个低维空间有效浓缩了 y 中包含的信息量。在此基础上,我们能够比较每个样本 [y_1, y_2,. .. , y_i] 在该空间中的相似度,并聚合其邻近信息,从而实现降噪。如果大家感兴趣,可以参考我们的论文:https://www.nature.com/articles/s41586-025-08757-x。
五分熟白:哇!很荣幸能收到原作者的回复!我在第一次听的时候没有特别仔细,再加上自己在神经网络方面的理解有限,所以当时觉得整个数据处理过程里有一些让我担忧的假设。 我的直觉是:如果空间转录组的数据噪声很大,通常可以通过增加切片数量、扩大样本规模来缓解。但在这里采用神经网络方式,把高维数据压缩到低维表示时,我会担心: 1. 这种变换函数在多大程度上能够真实捕捉“特定神经组织与抑郁症的相关性”?是否经过足够多 ST 数据与疾病表型的验证? 2. 空间转录组的解释力往往依赖于切片的二维空间。如果潜在机制实际上是三维的,或者并不符合图形学所假设的邻域关系,那么低维 embedding 里得到的模式可能就未必与生物机制对应。 换句话说,我担心的是:这种方法在统计学层面上能提高信噪比,但在生物学解释上,可能存在“看似合理、但实际并不一定有因果意义”的风险
HD105193d
HD105193d
2025.9.27
超级喜欢,加油
HD865002v
HD865002v
2025.9.28
很棒
DHoHD
DHoHD
2025.9.26
打卡
沈是:欢迎光临