🧠 **AI驱动的精细脑图绘制：** CellTransformer模型利用Transformer架构，通过分析细胞间的空间关系（“邻里结构”）来预测分子特性，成功绘制出目前最精细的小鼠脑图，包含1300个脑区及亚区，为大脑研究提供了全新的精细视角。

📊 **数据驱动的结构划分：** 与传统依赖细胞类型或人工经验划分不同，新图谱完全基于数据生成，脑区边界由细胞和分子特征自动界定，揭示了大量未知区域，特别是对中脑网状核等区域的细分，极大地丰富了我们对大脑结构的认知。

💡 **拓展应用与研究潜力：** 该AI模型不仅在神经科学领域具有突破性意义，其算法的通用性使其有望应用于其他器官系统（如癌组织）的研究，结合空间转录组学数据，为揭示健康与疾病机制、药物开发及疾病治疗提供强大的新工具。

🔬 **功能与疾病关联新维度：** 通过以前所未有的精细度揭示大脑结构，科学家能够更准确地将功能、行为和疾病状态与更小、更具体的细胞区域相对应，从而为深入理解大脑工作机制和探索新的治疗靶点奠定基础。

根据细胞的“邻里结构”预测分子特性，AI模型助力绘制最精细小鼠脑图。

在人工智能（AI）与神经科学的强强联合下，美国加州大学旧金山分校与艾伦研究所团队联合开发出一种名为CellTransformer的AI模型，助力绘制出目前最精细的小鼠脑图，共包含1300个脑区及亚区。这一成果以前所未有的精细度揭示了大脑结构，使科学家得以将功能、行为和疾病状态与更小、更具体的细胞区域相对应，为探索大脑工作机制开辟了新方向。相关成果发表于新一期《自然·通讯》杂志。新模型的核心在于其Transformer架构，这与ChatGPT等大模型所采用的技术原理相同。研究人员称，Transformer模型擅长理解上下文关系，以往它用于分析句子中词语之间的联系，而CellTransformer则用来分析空间中相邻细胞之间的关系。

它能根据一个细胞的“邻里结构”来预测其分子特性，从而构建出精细的大脑组织图谱。与以往主要依据细胞类型划分的大脑图谱不同，新成果聚焦于脑区结构本身。它完全依托数据生成，边界由细胞和分子特征自动界定，而非依赖人工经验判断。凭借对1300个脑区及亚区的精细划分，这张图谱成为迄今动物脑中最精确、最复杂的数据驱动型图谱之一。研究表明，CellTransformer不仅能准确再现海马体等已知脑区，还能在中脑网状核等理解不足的区域中发现新的、更细分的亚区。团队成员形象地解释说，这就像从一张只标出大洲和国家的地图，变成了一张能看城市的地图。这一全新的脑区划分完全基于数据，而非人工标注，揭示了大量未知区域。根据以往研究，这些新发现的区域很可能对应着尚未探索的脑功能。团队指出，这一AI模型的潜力远超神经科学。CellTransformer的算法具有组织通用性，可应用于其他器官系统甚至癌组织，借助空间转录组学数据揭示健康与疾病中的生物机制，为药物开发和疾病治疗提供新工具。