arXiv q-bio.NC（Neurons and Cognition）·· 15 天前AI 评分38
跨物种表征学习对齐小鼠与人类神经动力学并追踪临床药效
Cross-species representation learning aligns mouse and human neural dynamics and tracks clinical drug efficacy
AI 导读
研究团队开发了一种双规则对比学习框架，通过按生物状态而非物种组织表征，直接从电生理数据中识别跨物种共享的神经动力学。该框架恢复了跨物种的保守感觉响应结构，并在癫痫中解析了三种小鼠模型与异质性人类患者群体的关系；将给药动物投影至冻结的跨物种表征后，药物诱导的向人类对齐健康状态的移动，回顾性追踪了十种模型-药物组合的已知临床药效，包括一种疾病特异性有害效应。
AI 要点
团队
第一作者 Marko Tvrdic，末位作者 Gabriel Ocana-Santero，共 7 位作者。
主要结果
框架恢复跨物种共有的感觉反应结构；在癫痫中区分三种小鼠模型与异质人类患者群体的关系；药物诱导的移动可回溯性追踪十种模型-药物组合的已知临床疗效，包括一种疾病特异性有害效应。
解决什么问题
临床前模型难以预测人类药物疗效，尤其神经疾病；神经活动维度高，难以区分保守的疾病相关特征与物种、记录模态和实验情境带来的变异。
方法
提出双规则对比学习框架，直接从电生理数据学习按生物状态而非物种组织的表征，对齐对应的小鼠与人类状态并保持不同表型分离。
局限
从研究设计看，为表征学习框架的回顾性验证，未设前瞻性对照。
AI 依据原文整理，未经人工核对。
来源：arXiv q-bio.NC（Neurons and Cognition） · arxiv.org