The study aimed to compare glycemic control and pregnancy outcomes in women with type 1 diabetes mellitus (T1DM) using multiple daily injection therapy (MDI) and continuous subcutaneous insulin infusion (CSII) and to compare outcomes of women treated with long‐acting insulin or neutral protamine Hagedorn (NPH).

Methods:

This multicenter prospective cohort study involved women with pregestational T1DM treated with MDI and CSII. Primary outcome was glycated hemoglobin (HbA1c) before and during pregnancy. Secondary outcomes included maternal and neonatal outcomes and quality of life.

Results:

Of the 121 studied women, the average age was 28.48 years, and the average body mass index was 21.29 kg/m2 at conception and 26.32 kg/m2 at delivery. Of the studied women, 78.51% had planned pregnancy. Women treated with MDI and CSII had comparable HbA1c before pregnancy or in the first and second trimesters. In the third trimester, women on CSII therapy had significantly lower HbA1c (6.07 ± 0.62 vs 6.20 ± 0.88%, p = .017), higher HbA1c on‐target rate (71.43% vs 64.62%, p = .030), and greater decline of HbA1c from preconception to the third trimester (−0.65 vs −0.30%, p = .047). Fewer daily insulin requirements were observed in those used CSII compared with MDI‐treated women (0.60 ± 0.22 vs 0.73 ± 0.25 U/kg/day, p = .004). Newborns born of mothers treated with the CSII method were more likely to have neonatal jaundice (adjusted odds ratio [OR] 2.76, 95% confidence interval [CI] 1.16–6.57) and neonatal intensive care unit (adjusted OR 3.73, 95%CI 1.24–11.16), and women on CSII had lower scores in patient‐reported quality of life (p = .045). In the MDI group, those receiving long‐acting insulin had nonsignificant lower HbA1c and higher HbA1c on‐target rate in the second and third trimesters, compared with those treated with NPH.

Conclusions:

Insulin pump users may achieve better glycemic control than multiple daily insulin injections, which did not substantially improve pregnancy outcome.image

2016-11-01·American journal of therapeutics4区 · 医学

Using Caenorhabditis elegans as a Model for Obesity Pharmacology Development

4区 · 医学

Article

作者: Greenway, Frank L. ; Enright, Frederic M. ; Fitzpatrick, Zachary ; Keenan, Michael J. ; Vasselli, Joseph R. ; We, Wenqian ; Zheng, Jolene ; Finley, John W. ; Martin, Roy J. ; Johnson, William D. ; King, Michael L. ; King, Jason F.

The Caenorhabditis elegans model is a rapid and inexpensive method to address pharmacologic questions. We describe the use of C. elegans to explore 2 pharmacologic questions concerning candidate antiobesity drugs and illustrate its potential usefulness in pharmacologic research: (1) to determine a ratio of betahistine–olanzapine that blocks the olanzapine-induced intestinal fat deposition (IFD) as detected by Nile red staining and (2) to identify the mechanism of action of a pharmaceutical candidate AB-101 that reduces IFD. Olanzapine (53 μg/mL) increased the IFD (12.1 ± 0.1%, P < 0.02), which was blocked by betahistine (763 μg/mL, 39.3 ± 0.01%, P < 0.05) in wild-type C. elegans (N2). AB-101 (1.0%) reduced the IFD in N2 (P < 0.05), increased the pharyngeal pumping rate (P < 0.05), and reversed the elevated IFD induced by protease inhibitors atazanavir and ritonavir (P < 0.05). AB-101 did not affect IFD in a ACS null mutant strain acs-4(ok2872) III/hT2[bli-4(e937) let-?(q782) qIs48](I;III) suggesting an involvement of the lipid oxidation pathway and an upregulation of CPT-1. Our studies suggest that C. elegans may be used as a resource in pharmacologic research. This article is intended to stimulate a greater appreciation of its value in the development of new pharmaceutical interventions.

2013-08-01·Therapeutic advances in endocrinology and metabolism4区 · 医学

Insulin requirements in patients with diabetes and declining kidney function: differences between insulin analogues and human insulin?

4区 · 医学

ArticleOA

作者: Kulozik, Felix ; Hasslacher, Christoph

Objectives::

In diabetic nephropathy the decline of renal function causes modifications of the insulin and carbohydrate metabolism resulting in changed insulin requirements. The aim of the present study was to identify potential differences in the requirements of human insulin and various insulin analogues in patients with type 1 diabetes mellitus and renal dysfunction.

Methods::

The insulin requirements of 346 patients with type 1 diabetes mellitus under everyday life circumstances were assessed in an observational study. Simultaneously, laboratory parameters were measured and the estimated glomerular filtration rate (eGFR) was calculated using the formula by Cockcroft–Gault. Medical history and concomitant medication were recorded. The insulin requirements of long- and short-acting insulin were tested for a relationship with the eGFR and laboratory parameters.

Results::

The dosage of long-acting human insulin did not show any relation to eGFR. In contrast, a strong positive relation between dosage and renal function was found for insulin glargine and insulin detemir. After classification according to renal function, the insulin dosage at eGFR less than 60 ml/min was 29.7% lower in glargine-treated and 27.3% lower in detemir-treated patients compared with eGFR greater than 90 ml/min. Considering the whole range of eGFR, short-acting human insulin did not show a relation with renal function. Only after classification according to renal function was a dose reduction found for human insulin at eGFR less than 60 ml/min. In contrast, requirements of insulin lispro were significantly related to eGFR over the whole range of eGFR. At eGFR less than 60 ml/min the insulin dosage was 32.6% lower than at eGFR greater than 90 ml/min. The requirements of insulin aspart did not show any association with the eGFR.

Conclusions::

Patients with type 1 diabetes mellitus show different insulin requirements according to the renal function depending on the applied insulin. This finding is essential for the adjustment of insulin therapy in patients with diabetic nephropathy to achieve balanced glycemic control. To determine the underlying mechanisms, further studies on the pharmacokinetics and pharmacodynamics of the different insulins in patients with diabetic nephropathy are needed.

项与精蛋白牛胰岛素(Rezolute) 相关的新闻（医药）

2025-12-30

·杨志华大夫

从实验室到临床：2025 神经科学技术创新与疾病诊疗实践

神经科学作为研究神经系统结构与功能的核心学科，近年来因技术革新和跨学科融合而快速发展。随着科技的进步，尤其是高分辨率成像技术和多模态数据分析的广泛应用，神经科学研究进入了一个全新的阶段。网络神经科学作为一个跨学科领域，通过分析大脑中各组成元素之间的连接关系，揭示了人类大脑在结构和功能上的复杂组织特征。近年来，网络神经科学方法在解析大脑结构-功能关系中取得了独特的见解，为理解大脑如何协调多层次的信息处理提供了框架[1][2][3]。此外，神经科学的进步不仅限于基础研究，还显著推动了临床应用的发展。以神经退行性疾病为例，阿尔茨海默病和帕金森病等疾病的治疗策略近年来取得显著进展。通过分子影像技术如磁共振波谱成像（MRS）、功能性磁共振成像（fMRI）、正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT）的整合应用，研究者能够更准确地识别和量化神经精神疾病中的关键病理过程，推动了精准医疗的发展[4][5]。在这一过程中，基于人工智能的神经网络模型和脑机接口技术的结合，特别是在神经调控领域，开启了智能神经调节的新篇章。深度学习方法已被用于解码神经信号，实现对运动执行的精准解读，这不仅加深了对神经机制的理解，也为实现非侵入式脑机接口提供了技术支持[6]。与此同时，神经科学与其他学科的融合日益紧密，促进了新兴领域的诞生。例如，纳米技术与神经调控的结合催生了纳米神经调控领域，通过功能化纳米颗粒实现对神经系统的远程、非侵入性调控，为治疗神经疾病提供了新思路[7]。光子学技术在神经探针中的应用，则极大提升了神经信号的空间和时间分辨率，助力揭示神经编码原理和脑回路功能，为神经疾病的治疗开辟了新的方向[8]。此外，社会环境因素对神经系统的影响也成为研究热点，神经科学与社会科学的跨界合作促进了对社会经济状态如何”渗透”至大脑结构与功能的理解，强调了社会正义视角在神经科学研究中的重要性[9]。综上所述，2025年神经科学正处于技术创新和学科交叉融合的关键时期。高分辨率成像和多模态数据分析技术的应用，推动了对大脑复杂网络的理解；神经退行性疾病治疗策略的突破，推动了精准医疗的发展；人工智能与神经科学的结合，特别是在脑机接口和神经调控领域，开创了智能神经调节的新篇章。未来，神经科学将在跨学科协作的推动下，继续深化对神经系统的认知，开拓更广阔的临床应用前景[10][1][4][2][6]。1 先进神经成像技术的突破1.1 超高分辨率磁共振成像（MRI）技术 2025年，超高场强磁共振成像（MRI）技术，特别是7特斯拉（7T）及以上磁场强度的设备，已成为神经科学领域的重要突破。这些超高场强MRI系统通过增加磁场强度显著提升了信噪比（SNR），从而实现了更高的空间分辨率和图像质量。7T MRI可以捕捉到更细微的脑微结构细节，如髓鞘化纤维束的小尺度组织变化和脑区的微观形态差异，远超传统1.5T或3T MRI的能力[11][12]。此外，7T MRI在脑功能成像中，也能更准确地描绘功能区域的连接性，支持构建更精细的功能连接图谱，促进对脑网络的深入理解[13][14]。在临床应用方面，超高场强MRI在早期神经退行性疾病诊断中展现出重要价值。以阿尔茨海默病（AD）为例，7T MRI能够检测到神经元丢失和脑结构萎缩的微小变化，同时结合定量T2映射等多参数成像技术，可以更早期、准确地揭示疾病的进展[15][16]。对癫痫患者，特别是药物难治性癫痫，7T MRI结合扩散张量成像（DTI）和功能磁共振成像（fMRI）技术能够更清晰地定位癫痫灶，辅助术前评估和手术规划，显著提升治疗效果[17][18]。尽管超高场强MRI在成像分辨率和功能连接研究方面优势明显，但仍存在诸如磁场不均匀性、成像伪影及设备成本高昂等挑战。为此，2025年的技术进展包括优化射频线圈设计、高效的图像重建算法及人工智能辅助图像后处理技术，以提升图像质量并减少伪影[19][20]。此外，针对7T MRI的安全性问题，如金属植入物的磁敏感性和加热效应，也进行了严格评估，确保临床使用的安全性[21]。综上所述，超高分辨率MRI技术以其卓越的空间和功能成像能力，正引领神经科学研究迈向微观结构与宏观功能的无缝结合，推动神经退行性疾病、癫痫等疾病的早期诊断和精准治疗，为未来脑科学发展奠定坚实基础。1.2 多模态成像技术的融合应用多模态成像技术通过将多种成像手段结合，充分发挥各自的优势，实现对脑结构、功能及代谢的全面评估。2025年，PET-MRI、光学成像与功能磁共振成像（fMRI）等多模态成像技术已实现集成化发展，为揭示神经活动机制和代谢变化提供了强有力的手段。 PET-MRI作为典型的多模态技术，结合了PET的高灵敏度代谢和分子成像能力与MRI的高空间分辨率结构和功能成像优势，实现了在单次扫描中同时获得解剖、功能和分子信息。这种集成技术特别适用于神经退行性疾病的早期诊断和治疗监测。例如，通过PET标记的淀粉样蛋白和tau蛋白与MRI结构影像的结合，有效提升了阿尔茨海默病的诊断准确性和疾病分期[15][22]。此外，PET-MRI对于癫痫病灶定位、肿瘤代谢活性评估等也展现出极大应用潜力[11][23]。光学成像，尤其是多光子显微镜技术，通过非侵入性、高分辨率的方式实现脑组织亚细胞水平的成像，揭示脑细胞活动和微环境变化，为认知功能和神经退行性机制研究提供了新视角[24]。与fMRI结合，能够同时监测血流动力学和神经元活动，促进对神经活动机制的多层次理解[14][25]。多模态成像在神经精神疾病的诊断和治疗监测中发挥着日益重要的作用。以抑郁症、自闭症和精神分裂症为例，融合结构MRI、功能MRI和PET代谢成像的多模态数据，结合人工智能算法，实现了更精准的疾病分型和疗效评估[26][27]。在癫痫领域，多模态成像提高了难治性癫痫病灶的检测率，为手术治疗提供了可靠依据[17][28]。当前，多模态成像技术面临数据整合复杂、成像时间长以及设备成本高等挑战。2025年的研究进展聚焦于利用深度学习等人工智能技术实现多模态数据的自动融合与分析，提升图像的解译效率和准确性[29][30]。同时，硬件层面不断优化扫描序列与成像协议，缩短扫描时间，降低患者负担[31]。综上，2025年多模态成像技术的融合应用不仅推动了对脑功能和代谢的系统性理解，也为神经精神疾病的精准诊断和个性化治疗提供了强大工具，展现出广阔的临床转化前景。1.3 神经成像数据的人工智能分析随着神经成像技术产生的数据量和复杂性剧增，人工智能（AI）尤其是深度学习和机器学习算法在神经成像数据处理中的应用成为2025年神经科学领域的重要发展方向。AI技术不仅显著提升了图像处理的自动化和准确性，还推动了神经疾病诊断、预后预测及机制研究的深入。在图像分割领域，深度卷积神经网络（CNN）能够实现对脑组织结构、病灶及功能区的精准分割，显著优于传统方法。例如，基于7T MRI的亚结构分割帮助准确识别阿尔茨海默病早期病变区域[32][33]。在癫痫病灶定位中，深度学习辅助的多模态影像融合与分割技术提升了病灶检测的灵敏度和特异性[17][18]。模式识别技术则通过提取高维影像特征，结合机器学习分类器，实现对神经精神疾病的自动诊断和分型。研究表明，基于神经影像特征的AI模型在区分前额颞叶痴呆、抑郁症、精神分裂症及帕金森病等疾病中表现出高准确率[26][34][35]。此外，结合多模态影像数据的深度融合模型能够更全面地捕捉疾病相关的复杂影像特征，提升诊断的鲁棒性和泛化能力[27][36]。在预测模型构建方面，AI辅助分析可实现对疾病进展、治疗反应及患者预后的精准预测。例如，基于PET和MRI影像的机器学习模型已用于阿尔茨海默病的风险评估和疗效监测[37][38]。此外，AI技术在脑卒中、创伤性脑损伤等急性神经事件的影像快速识别和风险评估中发挥关键作用，缩短诊断时间，优化临床决策[39][40]。值得注意的是，AI在神经成像领域的应用还促进了大规模、高维度数据的高效处理。基于GPU加速的计算框架，如HISRON，实现了对超高分辨率神经影像数据的实时处理和多维分析，极大提升了临床和科研的效率[41]。同时，解释性AI（XAI）技术的发展增强了模型的可解释性，为临床应用提供了信任基础[33]。然而，当前AI应用仍面临样本量不足、模型泛化能力有限、数据异质性大及伦理隐私等挑战。2025年的趋势聚焦于构建多中心大规模标准化数据集，开发低偏倚、高透明度的AI模型，并加强跨学科合作，推动AI技术在神经科学临床实践中的安全、有效应用[26][42][43]。综上，人工智能技术在神经成像数据分析中的突破，正推动神经科学研究和临床诊断进入精准化、智能化新时代，为神经疾病的早期诊断和个性化治疗提供强大支持。2 神经退行性疾病的治疗新策略2.1 基因编辑技术在神经疾病中的应用近年来，基因编辑技术，尤其是CRISPR-Cas9及其衍生技术，已经成为神经退行性疾病治疗领域的重要突破。CRISPR-Cas9系统通过设计特异性的导向RNA，使Cas9核酸酶能够精准地切割目标DNA，从而实现基因修复、敲除或调控。该技术在阿尔茨海默病（AD）和亨廷顿病（HD）中的应用备受关注。AD的发病与APP、PSEN1、PSEN2等基因突变密切相关，CRISPR-Cas9技术能够通过精准编辑这些致病基因，减少β-淀粉样蛋白和tau蛋白的异常积累，缓解神经毒性，实现疾病的基因治疗[44][45]。同样，针对HD中CAG重复扩增的基因编辑也展现出修复潜力[46]。此外，通过基因编辑技术结合诱导多能干细胞(iPSC)技术，研究者们成功构建了疾病模型和基因修复平台，为个体化治疗提供了坚实基础[47]。然而，基因编辑的安全性和效率仍是临床转化的重大挑战。CRISPR系统存在潜在的脱靶效应和基因组不稳定性，可能引发意外的基因突变和免疫反应[48][49]。此外，如何有效穿透血脑屏障将基因编辑工具精准输送至中枢神经系统的靶细胞，是实现基因治疗的关键瓶颈。为此，非病毒载体如纳米颗粒被开发用于CRISPR-Cas9的脑部递送，兼顾安全性和效率[50]。在临床应用方面，当前更多的是以体细胞基因编辑为主，避免胚系编辑引发的伦理争议[44]。未来，基因编辑技术有望与传统药物治疗相结合，实现协同治疗。基因疗法针对病因基础，药物治疗则缓解症状，两者结合将提高治疗效果并减少副作用[51][52]。此外，通过CRISPR干扰（CRISPRi）和CRISPR激活（CRISPRa）技术，实现基因表达的精准调控，为神经疾病提供更加灵活多样的治疗策略[47][53]。总体来看，基因编辑技术为神经退行性疾病治疗开启了精准医疗的新纪元，但如何确保安全高效的临床转化仍需进一步研究和技术创新。2.2 干细胞疗法与神经再生诱导多能干细胞（iPSC）技术为神经损伤修复提供了重要的细胞来源。iPSC可由患者体细胞重编程而成，具有自我更新和多向分化潜能，能分化为神经元、神经胶质细胞等多种神经系统细胞[54][47]。最新研究表明，iPSC来源的神经干细胞（NSC）在体外与体内均表现出促进神经网络重塑和功能恢复的能力。将iPSC衍生的NSC与特定的生物材料结合，构建工程化神经组织，能够显著促进受损神经的再生和突触形成[55][56]。此外，iPSC衍生的施旺细胞（SCs）具有促进髓鞘形成和支持轴突生长的功能，是神经修复的重要细胞成分[57][58]。干细胞移植不仅依赖于其分化能力，更重要的是其分泌的细胞外囊泡（如外泌体）对神经保护和炎症调节的作用。间充质干细胞（MSC）及其来源的外泌体在调节神经炎症、促进血管新生及神经元存活方面展现出显著疗效[59][60][61]。例如，MSC外泌体能通过激活PI3K-AKT信号通路，促进神经再生和组织修复[62]。同时，非基因改造的干细胞结合纳米技术的辅助，能够增强细胞的定向迁移和功能发挥，降低免疫排斥风险[63][64]。临床试验数据显示，干细胞疗法在神经疾病中的安全性较好，少见严重不良反应[65][66]。尽管疗效初现，但仍存在移植细胞存活率低、异质性大以及长期安全性未明等问题。未来研究应致力于优化干细胞来源、培养和移植技术，提升细胞定植率和功能整合[67][68]。综合来看，干细胞疗法结合先进的工程化策略和分泌物利用，为神经损伤的再生治疗开辟了广阔前景。2.3 新型药物与靶向治疗 2025年，神经退行性疾病领域涌现出多款新药物，涵盖小分子药物、单克隆抗体及免疫调节剂等多种类型[51][52]。其中，小分子药物通过改善线粒体功能、抑制炎症反应和调节蛋白质折叠等机制，减缓神经元损伤[69][70]。单克隆抗体如阿杜卡单抗、莱卡奈单抗等靶向β-淀粉样蛋白，促进其清除，已在临床试验中表现出改善认知功能的潜力[71]。免疫调节剂通过调控神经炎症、微胶质细胞活化，减少神经毒性环境，成为治疗新方向[49][72]。个体化药物治疗策略日益受到重视。通过基因组学和代谢组学分析，结合患者的遗传背景和病理特征，制定个性化用药方案，既提高疗效，又降低副作用[73][74]。例如，针对不同亚型的阿尔茨海默病患者，选择相应的靶向药物和剂量，实现精准干预[75]。此外，纳米载体系统的应用，显著提升了药物的脑内递送效率和稳定性，克服血脑屏障限制，增强治疗效果[76][51]。未来，新型药物研发将重点聚焦于多靶点、多机制联合治疗，整合药物与基因疗法、干细胞疗法等多种治疗手段，推动神经退行性疾病治疗走向综合、精准与个体化。与此同时，临床试验设计需更好地纳入患者异质性，优化药物筛选和疗效评估指标，促进新药物的临床转化和应用[75][77]。3 神经网络与人工智能的融合发展3.1 脑机接口（Brain-Computer Interface, BCI）技术进展 2025年，脑机接口（BCI）技术已取得显著进展，特别是在高精度、低侵入性设备的开发方面。传统的BCI系统存在体积庞大、侵入性强、能耗高和生物相容性差等问题，限制了其广泛应用。近年来，随着柔性高密度微电极阵列、神经形态芯片、无线传输技术和新型材料的应用，BCI硬件实现了更高空间分辨率、更低功耗和更强的生物相容性，有效解决了信号采集的稳定性和设备植入的安全性难题[78][79]。此外，混合脑机接口（hBCI）结合多模态信号和多感官输入，显著提升了信号检测性能和控制多自由度功能，突破了传统单一模式BCI的局限[80]。 BCI在运动障碍康复和神经功能替代中的应用日益广泛。植入式BCI通过皮层或深脑电极实现对瘫痪肢体的运动恢复、言语重建和感觉替代，临床试验表明其在恢复运动控制、语言表达及感觉功能方面具备巨大潜力[81][82][83]。辅助性BCI技术支持患者通过脑信号驱动外骨骼、机器人手臂甚至无人机，实现自主活动，显著提升患者生活质量[84][85]。非侵入式BCI结合功能性近红外光谱（fNIRS）和高密度扩散光学断层成像（HD-DOT）技术，支持实时动态监测脑血氧变化，为运动康复和辅助技术提供精准反馈[86]。然而，随着BCI技术的快速发展，伦理问题日益突出，涉及隐私保护、数据安全、知情同意及公平使用等方面。研究者强调建立完善的法规和伦理框架，确保BCI技术的负责任应用[87][88][89]。此外，技术挑战如信号分辨率提升、系统可靠性增强以及多学科融合仍需持续攻关[90][91]。未来BCI的发展趋势聚焦于脑-云接口、神经形态计算集成和深度学习助力的信号解码，旨在实现更高效、更智能、更安全的人机交互[92][93]。综上，2025年的BCI技术以高精度、低侵入性设备为核心，广泛应用于神经康复和功能替代领域，伦理规范和技术创新并重，推动脑机交互进入新纪元。3.2神经网络模型在认知功能研究中的应用基于深度学习的神经网络模型已成为模拟人脑认知过程的强大工具。深度神经网络（DNN）、卷积神经网络（CNN）及图神经网络（GNN）等架构通过层级特征提取，模拟大脑处理视觉、语言、决策等多层次信息的机制[94][95]。例如，深度卷积神经网络能够捕捉视觉对象识别中的抽象特征，反映大脑视觉皮层的分层处理；图神经网络则通过建模脑结构与功能连接的非欧几里得数据，揭示认知功能障碍中的结构-功能不匹配[95]。具体应用方面，神经网络模型在语言处理领域模拟符号学习和概念形成过程，解释符号学习如何增强类属概念的神经表征，同时区分专有名词与类别词的认知差异[96]。视觉识别通过神经网络模型复现视觉皮层对物体的空间与时间编码，支持认知地图构建和空间导航[97][98]。决策机制研究中，集成强化学习的神经同步模型模拟人脑决策状态转换，实现对脑电（EEG）和功能磁共振成像（fMRI）数据的高拟合[99][100]。此外，神经网络助力情绪识别和认知衰退研究。基于交叉频率耦合的脑网络特征分析提升了情绪分类准确性[101]；结合深度学习的结构-功能不匹配学习网络成为阿尔茨海默病早期诊断的有效生物标志物[95]。在认知障碍干预领域，基于自编码器的脑网络节点识别促进了经颅磁刺激（TMS）靶点的精准选取，从而改善轻度认知障碍患者的认知表现[102]。然而，神经网络模型也存在局限，如难以完全体现脑神经元的生物学复杂性、缺乏对脑区间动态交互的精细模拟，以及“黑箱”性质带来的可解释性不足[85][103]。未来研究方向包括结合神经形态计算、脑约束学习机制，提升模型的生物相容性和认知机制模拟能力[85]，并推动神经网络与神经科学实验数据的深度融合，实现认知功能障碍的精准建模与干预。综上，基于深度学习的神经网络模型在认知功能研究中发挥日益重要作用，涵盖语言、视觉和决策机制等多个领域，为理解脑功能障碍提供有力工具，同时也面临模型生物真实性和可解释性的挑战。3.3 人工智能辅助神经疾病诊断与治疗人工智能（AI）技术已成为神经疾病早期筛查与诊断的重要助力。通过机器学习和深度学习算法，结合多模态医学影像（如MRI、PET、EEG）及临床数据，AI显著提升了诊断的准确性和效率[87][104][105]。例如，AI模型在阿尔茨海默病早期检测中，准确率可达90%以上，有效区分认知障碍不同阶段[106][107]。在癫痫诊断领域，多模态AI系统能够识别发作模式和相关生物标志物，辅助个性化诊疗[108][109]。此外，AI辅助的脑机接口及神经影像分析技术为神经退行性疾病的功能恢复与监测提供新路径[83][110]。智能算法在个性化治疗方案设计和疗效预测中的应用逐渐成熟。AI通过综合患者遗传、影像及行为数据，辅助制定精准用药方案，并预测治疗反应和疾病进展，推动精准医学在神经疾病领域的落地[111][112][113]。例如，糖尿病性视网膜病变的非编码RNA调控机制研究借助AI揭示潜在治疗靶点[114]，抑郁症的神经网络异常通过AI辅助功能磁共振分析，为神经调控治疗提供依据[115]。临床神经科学中AI技术的整合呈现多元趋势。一方面，AI驱动的临床决策支持系统（CDSS）提升了诊疗决策的科学性和效率，促进医生与患者的有效沟通[113]。另一方面，结合机器人辅助康复、脑机接口和远程监测，AI实现了对神经疾病的动态管理与持续干预[116][117]。此外，人工智能与大数据的融合推动了神经精神疾病的早期干预和个体化治疗发展[118][119]。然而，AI在神经临床应用中仍面临伦理、数据隐私、安全和可解释性等挑战[120][89]。未来需加强跨学科合作，建立标准化评估体系，完善法规和伦理框架，促进AI技术安全、有效、普惠地服务于临床[91][120]。综上，人工智能正深刻改变神经疾病的诊断与治疗格局，通过提升早期筛查、个性化治疗和疗效预测能力，推动临床神经科学向智能化、精准化方向迈进，同时也需应对技术和伦理等多方面挑战。近年来，神经科学领域在成像技术、疾病治疗和人工智能融合方面的突破显著推动了该学科的发展，使基础研究与临床应用实现了前所未有的深度融合。从专家的角度来看，超高分辨率和多模态成像技术的进展极大地提升了我们对脑结构与功能的理解，这不仅加速了脑科学基础理论的构建，也为神经系统疾病的早期诊断和精准治疗提供了强有力的技术支撑。通过对多维度脑数据的整合，研究者能够更加精准地识别病理变化，推动个体化医疗成为可能。同时，基因编辑技术、干细胞疗法以及新型药物的开发为神经退行性疾病的治疗带来了前所未有的希望。这些先进的治疗手段代表了从传统对症治疗向根本性病因干预的转变，展现出巨大的应用潜力。然而，安全性问题及临床转化的复杂性仍是当前亟待解决的关键难题。如何在保证疗效的同时，最大限度地降低潜在风险，成为未来研究的重点方向。对此，跨学科合作和多中心临床试验显得尤为重要，只有通过严谨的科学验证，才能推动这些创新疗法走向广泛临床应用。此外，脑机接口和神经网络模型的发展推动了神经科学与人工智能的深度融合，开辟了智能神经调控和认知功能模拟的新纪元。脑机接口技术不仅为运动障碍患者提供了切实的功能恢复方案，也为认知障碍的干预提供了新的思路。与此同时，基于神经网络的人工智能模型在模拟脑功能、解析神经信息处理机制方面展现出巨大潜力，为理解复杂脑活动提供了强有力的工具。然而，不同研究在技术实现路径和应用场景上存在多样性，如何在创新与实际需求之间取得平衡，确保技术的可行性与安全性，是当前学界和产业界共同面临的挑战。展望未来，神经科学的发展将更加依赖跨学科协作，集成神经生物学、计算科学、工程技术和临床医学的优势资源，推动技术创新与临床需求的紧密结合。只有通过多学科的深度融合，才能实现神经系统疾病的精准诊断、个性化治疗及功能恢复。专家们普遍认为，未来的研究应更加注重数据共享与标准化，促进不同领域之间的信息互通和资源整合，以加快科学发现的转化速度。综上所述，2025年神经科学的快速进展不仅丰富了我们对脑的认知，也为神经疾病的治疗提供了新的可能性。面对多样化的研究成果和技术路径，科学界需保持开放包容的态度，理性评估各项技术的优势与局限，推动理论与实践的有机结合。唯有如此，神经科学才能真正实现从实验室到临床的跨越，造福广大患者，促进人类认知和健康水平的整体提升。参考文献 [1] Prakash RS, Shankar A, Tripathi V, et al.Mindfulness Meditation and Network Neuroscience: Review, Synthesis, and Future Directions. Biol Psychiatry Cogn Neurosci Neuroimaging. 2025;10(4):350-358. doi:10.1016/j.bpsc.2024.11.005 https://pubmed.ncbi.nlm.nih.gov/39561891/ [2] Barabási DL, Bianconi G, Bullmore E, et al.Neuroscience Needs Network Science. J Neurosci. 2023;43(34):5989-5995. doi:10.1523/JNEUROSCI.1014-23.2023 https://pubmed.ncbi.nlm.nih.gov/37612141/ [3] Barabási DL, Bianconi G, Bullmore E, et al.Neuroscience needs Network Science. ArXiv. . Published 2023 May 11. https://pubmed.ncbi.nlm.nih.gov/37214134/ [4] Navarro-Ballester A. Co-citation analysis of molecular imaging in neuropsychiatric disorders: integrating perspectives from radiology, neuroscience, and psychiatry. Psychoradiology. 5:kkaf026. Published 2025 None. doi:10.1093/psyrad/kkaf026 https://pubmed.ncbi.nlm.nih.gov/41200096/ [5] Huang SY, Lin KJ, Hung GU, Hsiao IT. Updates of nuclear medicine imaging in neurodegenerative disorders. J Formos Med Assoc. . Published online Dec 3,2025. doi:10.1016/j.jfma.2025.11.032 https://pubmed.ncbi.nlm.nih.gov/41344987/ [6] Shao X, Chung RS, Cavaleri JM, et al.Directional hand movement can be classified from insular cortex SEEG signals using recurrent neural networks and high-gamma band features. Sci Rep. 2025;15(1):29993. Published 2025 Aug 16. doi:10.1038/s41598-025-14805-3 https://pubmed.ncbi.nlm.nih.gov/40819020/ [7] Zhang Z, You Y, Ge M, Lin H, Shi J. Functional nanoparticle-enabled non-genetic neuromodulation. J Nanobiotechnology. 2023;21(1):319. Published 2023 Sep 7. doi:10.1186/s12951-023-02084-x https://pubmed.ncbi.nlm.nih.gov/37674191/ [8] Ahmed Taha B, Addie AJ, Saeed AQ, Haider AJ, Chaudhary V, Arsad N. Nanostructured Photonics Probes: A Transformative Approach in Neurotherapeutics and Brain Circuitry. Neuroscience. 562:106-124. doi:10.1016/j.neuroscience.2024.10.046 https://pubmed.ncbi.nlm.nih.gov/39490518/ [9] Webb EK, Cardenas-Iniguez C, Douglas R. Radically reframing studies on neurobiology and socioeconomic circumstances: A call for social justice-oriented neuroscience. Front Integr Neurosci. 16:958545. Published 2022 None. doi:10.3389/fnint.2022.958545 https://pubmed.ncbi.nlm.nih.gov/36118113/ [10] Stevenson JL, Yeagley NC, Bish JP. Evaluation of Students’ Conceptual Organization of Neuroscience May Depend on the Expert Referent. J Undergrad Neurosci Educ. 2020;19(1):A30-A35. Published 2020 None. https://pubmed.ncbi.nlm.nih.gov/33880090/ [11] Duncan JS, Trimmel K. Advanced neuroimaging techniques in epilepsy. Curr Opin Neurol. 2022;35(2):189-195. doi:10.1097/WCO.0000000000001007 https://pubmed.ncbi.nlm.nih.gov/34812749/ [12] Willemink MJ, Coolen BF, Dyvorne H, et al.Ultra-high resolution, 3-dimensional magnetic resonance imaging of the atherosclerotic vessel wall at clinical 7T. PLoS One. 2020;15(12):e0241779. Published 2020 None. doi:10.1371/journal.pone.0241779 https://pubmed.ncbi.nlm.nih.gov/33315867/ [13] Yamashita K, Zong X, Hung SC, Lin W, Castillo M. Hippocampal Sulcus Remnant: Common Finding in Nonelderly Adults on Ultra-High-Resolution 7T Magnetic Resonance Imaging. J Comput Assist Tomogr. 2020 Jan/Feb;44(1):43-46. doi:10.1097/RCT.0000000000000944 https://pubmed.ncbi.nlm.nih.gov/31789683/ [14] Fukuda M, Poplawsky AJ, Kim SG. Time-dependent spatial specificity of high-resolution fMRI: insights into mesoscopic neurovascular coupling. Philos Trans R Soc Lond B Biol Sci. 2021;376(1815):20190623. doi:10.1098/rstb.2019.0623 https://pubmed.ncbi.nlm.nih.gov/33190606/ [15] Akram AS, Grezenko H, Singh P, et al.Advancing the Frontier: Neuroimaging Techniques in the Early Detection and Management of Neurodegenerative Diseases. Cureus. 2024;16(5):e61335. Published 2024 May. doi:10.7759/cureus.61335 https://pubmed.ncbi.nlm.nih.gov/38947709/ [16] Seginer A, Schmidt R. Phase-based fast 3D high-resolution quantitative T2 MRI in 7 T human brain imaging. Sci Rep.2022;12(1):14088. Published 2022 Aug 18. doi:10.1038/s41598-022-17607-z https://pubmed.ncbi.nlm.nih.gov/35982143/ [17] Yao L, Cheng N, Chen AQ, et al.Advances in Neuroimaging and Multiple Post-Processing Techniques for Epileptogenic Zone Detection of Drug-Resistant Epilepsy. J Magn Reson Imaging. 2024;60(6):2309-2331. doi:10.1002/jmri.29157 https://pubmed.ncbi.nlm.nih.gov/38014782/ [18] Sone D. Making the Invisible Visible: Advanced Neuroimaging Techniques in Focal Epilepsy. Front Neurosci. 15:699176. Published 2021 None. doi:10.3389/fnins.2021.699176 https://pubmed.ncbi.nlm.nih.gov/34385902/ [19] Lin K, Wang M, Wang Y, Li H, Wang W. A multi-channel MRI console for ultra-high field up to 14 T. Rev Sci Instrum. 2025;96(3). doi:10.1063/5.0239183 https://pubmed.ncbi.nlm.nih.gov/40052864/ [20] Bazin PL, Alkemade A, van der Zwaag W, Caan M, Mulder M, Forstmann BU. Denoising High-Field Multi-Dimensional MRI With Local Complex PCA. Front Neurosci. 13:1066. Published 2019 None. doi:10.3389/fnins.2019.01066 https://pubmed.ncbi.nlm.nih.gov/31649500/ [21] Dong W, Ramchandran K, Galloy AE, et al.Safety Clearance and Artifact Testing of a Nitinol Breast Biopsy Clip in an Ultra-High Resolution (7 Tesla) Magnetic Resonance Imaging Environment. Indian J Radiol Imaging. 2025;35(2):263-271. Published 2025 Apr. doi:10.1055/s-0044-1791491 https://pubmed.ncbi.nlm.nih.gov/40297117/ [22] Wilson H, de Natale ER, Politis M. Recent Advances in Neuroimaging Techniques to Assist Clinical Trials on Cell-Based Therapies in Neurodegenerative Diseases. Stem Cells. 2022;40(8):724-735. doi:10.1093/stmcls/sxac039 https://pubmed.ncbi.nlm.nih.gov/35671344/ [23] Shoukair DH, Majzoub RE, Kassem M, et al.Identification of neuro-inflammatory biomarkers through non-invasive advanced neuroimaging techniques in pharmaco-resistant epilepsy: A systematic review. Epilepsy Behav. 171:110641. doi:10.1016/j.yebeh.2025.110641 https://pubmed.ncbi.nlm.nih.gov/40848443/ [24] Pallen S, Shetty Y, Das S, Vaz JM, Mazumder N. Advances in nonlinear optical microscopy techniques for in vivo and in vitro neuroimaging. Biophys Rev.2021;13(6):1199-1217. Published 2021 Dec. doi:10.1007/s12551-021-00832-7 https://pubmed.ncbi.nlm.nih.gov/35047093/ [25] Murphy JE, Yanes JA, Kirby LAJ, Reid MA, Robinson JL. Left, right, or bilateral amygdala activation? How effects of smoothing and motion correction on ultra-high field, high-resolution functional magnetic resonance imaging (fMRI) data alter inferences. Neurosci Res. 150:51-59. doi:10.1016/j.neures.2019.01.009 https://pubmed.ncbi.nlm.nih.gov/30763590/ [26] Chen Z, Liu X, Yang Q, et al.Evaluation of Risk of Bias in Neuroimaging-Based Artificial Intelligence Models for Psychiatric Diagnosis: A Systematic Review. JAMA Netw Open. 2023;6(3):e231671. Published 2023 Mar 1. doi:10.1001/jamanetworkopen.2023.1671 https://pubmed.ncbi.nlm.nih.gov/36877519/ [27] Du Y, Niu J, Xing Y, Li B, Calhoun VD. Neuroimage Analysis Methods and Artificial Intelligence Techniques for Reliable Biomarkers and Accurate Diagnosis of Schizophrenia: Achievements Made by Chinese Scholars Around the Past Decade. Schizophr Bull. 2025;51(2):325-342. doi:10.1093/schbul/sbae110 https://pubmed.ncbi.nlm.nih.gov/38982882/ [28] Cendes F, McDonald CR. Artificial Intelligence Applications in the Imaging of Epilepsy and Its Comorbidities: Present and Future. Epilepsy Curr. 2022 Mar-Apr;22(2):91-96. Published 2022 Mar-Apr None. doi:10.1177/15357597211068600 https://pubmed.ncbi.nlm.nih.gov/35444507/ [29] DuPre E, Poldrack RA. The future of data analysis is now: Integrating generative AI in neuroimaging methods development. Imaging Neurosci (Camb). 2. Published 2024 None. doi:10.1162/imag_a_00241 https://pubmed.ncbi.nlm.nih.gov/40800478/ [30] Guo R, Wei J, Sun L, et al.A survey on advancements in image-text multimodal models: From general techniques to biomedical implementations. Comput Biol Med. 178:108709. doi:10.1016/j.compbiomed.2024.108709 https://pubmed.ncbi.nlm.nih.gov/38878398/ [31] Zhang Q, Hu Y, Zhou C, et al.Reducing pediatric total-body PET/CT imaging scan time with multimodal artificial intelligence technology. EJNMMI Phys. 2024;11(1):1. Published 2024 Jan 2. doi:10.1186/s40658-023-00605-z https://pubmed.ncbi.nlm.nih.gov/38165551/ [32] Brown SSG, Rutland JW, Verma G, et al.Ultra-High-Resolution Imaging of Amygdala Subnuclei Structural Connectivity in Major Depressive Disorder. Biol Psychiatry Cogn Neurosci Neuroimaging. 2020;5(2):184-193. doi:10.1016/j.bpsc.2019.07.010 https://pubmed.ncbi.nlm.nih.gov/31570286/ [33] Hofmann SM, Goltermann O, Scherf N, et al.The utility of explainable AI for MRI analysis: Relating model predictions to neuroimaging features of the aging brain. Imaging Neurosci (Camb). 3. Published 2025 None. doi:10.1162/imag_a_00497 https://pubmed.ncbi.nlm.nih.gov/40800884/ [34] Zhao J, Huo H, Jiang J. Application of Multimodal Image Fusion 3D Reconstruction Technology Combined with 3D Printing Guide Plate in Meningioma Surgery. World Neurosurg. 196:123768. doi:10.1016/j.wneu.2025.123768 https://pubmed.ncbi.nlm.nih.gov/39956374/ [35] Cao W, Liu J, Liu S. Recent Advances in AI for Parkinson’s Disease Diagnosis: A Scoping Review. Stud Health Technol Inform. 329:1956-1957. doi:10.3233/SHTI251297 https://pubmed.ncbi.nlm.nih.gov/40776314/ [36] Du Z, Wang T. Knowledge domain and dynamic patterns in multimodal molecular imaging from 2012 to 2021: A visual bibliometric analysis. Medicine (Baltimore). 2023;102(4):e32780. doi:10.1097/MD.0000000000032780 https://pubmed.ncbi.nlm.nih.gov/36705366/ [37] Nazir S. The future of Alzheimer’s disease risk prediction: a systematic review. Neurol Sci. 2025;46(8):3377-3390. doi:10.1007/s10072-025-08167-x https://pubmed.ncbi.nlm.nih.gov/40220257/ [38] Christodoulou RC, Papageorgiou PS, Sarquis MD, et al.From Lesion to Decision: AI for ARIA Detection and Predictive Imaging in Alzheimer’s Disease. Biomedicines. 2025;13(11). Published 2025 Nov 10. doi:10.3390/biomedicines13112739 https://pubmed.ncbi.nlm.nih.gov/41301832/ [39] Trigylidas TE, McCollum NL, Brown KM, et al.Improving Timely Diagnosis of Arterial Ischemic Stroke at a Pediatric Emergency Department. Pediatrics. 2025;155(6). doi:10.1542/peds.2024-067166 https://pubmed.ncbi.nlm.nih.gov/40314401/ [40] Hastings N, Samuel D, Ansari AN, et al.The Role of Artificial Intelligence-Powered Imaging in Cerebrovascular Accident Detection. Cureus. 2024;16(5):e59768. Published 2024 May. doi:10.7759/cureus.59768 https://pubmed.ncbi.nlm.nih.gov/38846243/ [41] Salinas-Medina A, Gonzalez-Mitjans A, Toussaint PJ, Liu X, Evans A. HISRON: AI-Driven GPU-Accelerated Framework for Scalable High-Resolution Neuroimaging Analysis. Annu Int Conf IEEE Eng Med Biol Soc. 2025:1-7. doi:10.1109/EMBC58623.2025.11253703 https://pubmed.ncbi.nlm.nih.gov/41336985/ [42] Bacon EJ, He D, Achi NAD, et al.Neuroimage analysis using artificial intelligence approaches: a systematic review. Med Biol Eng Comput. 2024;62(9):2599-2627. doi:10.1007/s11517-024-03097-w https://pubmed.ncbi.nlm.nih.gov/38664348/ [43] Agarwal S, Wood D, Grzeda M, et al.Systematic Review of Artificial Intelligence for Abnormality Detection in High-volume Neuroimaging and Subgroup Meta-analysis for Intracranial Hemorrhage Detection. Clin Neuroradiol. 2023;33(4):943-956. doi:10.1007/s00062-023-01291-1 https://pubmed.ncbi.nlm.nih.gov/37261453/ [44] Pandya K, Kumar D. CRISPR/cas genome editing for neurodegenerative diseases: Mechanisms, therapeutic advances, and clinical prospects. Ageing Res Rev.113:102922. doi:10.1016/j.arr.2025.102922 https://pubmed.ncbi.nlm.nih.gov/41109516/ [45] Lu L, Yu X, Cai Y, Sun M, Yang H. Application of CRISPR/Cas9 in Alzheimer’s Disease. Front Neurosci. 15:803894. Published 2021 None. doi:10.3389/fnins.2021.803894 https://pubmed.ncbi.nlm.nih.gov/34992519/ [46] Karwacka M, Olejniczak M. Advances in Modeling Polyglutamine Diseases Using Genome Editing Tools. Cells. 2022;11(3). Published 2022 Feb 2. doi:10.3390/cells11030517 https://pubmed.ncbi.nlm.nih.gov/35159326/ [47] McTague A, Rossignoli G, Ferrini A, Barral S, Kurian MA. Genome Editing in iPSC-Based Neural Systems: From Disease Models to Future Therapeutic Strategies. Front Genome Ed. 3:630600. Published 2021 None. doi:10.3389/fgeed.2021.630600 https://pubmed.ncbi.nlm.nih.gov/34713254/ [48] Zhao S, Yang Q, Gao C. The mechanism of super-enhancer regulation of gene expression and research progress in neurodegenerative diseases. Rev Invest Clin. 2025;77(2):35-43. Published 2025 Apr 9. doi:10.24875/RIC.24000246 https://pubmed.ncbi.nlm.nih.gov/40203197/ [49] Chen Y, Yin P, Chen Q, et al.Neurodegenerative diseases and immune system: From pathogenic mechanism to therapy. Neural Regen Res. . Published online Sep 3,2025. doi:10.4103/NRR.NRR-D-25-00274 https://pubmed.ncbi.nlm.nih.gov/40903956/ [50] Williams L, Larsen J. Nanoparticle-mediated delivery of non-viral gene editing technology to the brain. Prog Neurobiol. 232:102547. doi:10.1016/j.pneurobio.2023.102547 https://pubmed.ncbi.nlm.nih.gov/38042249/ [51] Cascione M, De Matteis V, Leporatti S, Rinaldi R. The New Frontiers in Neurodegenerative Diseases Treatment: Liposomal-Based Strategies. Front Bioeng Biotechnol. 8:566767. Published 2020 None. doi:10.3389/fbioe.2020.566767 https://pubmed.ncbi.nlm.nih.gov/33195128/ [52] Arbo BD, Schimith LE, Goulart Dos Santos M, Hort MA. Repositioning and development of new treatments for neurodegenerative diseases: Focus on neuroinflammation. Eur J Pharmacol. 919:174800. doi:10.1016/j.ejphar.2022.174800 https://pubmed.ncbi.nlm.nih.gov/35131314/ [53] Shang J, Song F, Zhang Z, Chen D, Yang S. Application of novel CRISPR tools in brain therapy. Life Sci. 352:122855. doi:10.1016/j.lfs.2024.122855 https://pubmed.ncbi.nlm.nih.gov/38908787/ [54] Si Z, Wang X. Stem Cell Therapies in Alzheimer’s Disease: Applications for Disease Modeling. J Pharmacol Exp Ther. 2021;377(2):207-217. doi:10.1124/jpet.120.000324 https://pubmed.ncbi.nlm.nih.gov/33558427/ [55] Wu Z, Zhou Y, Hou X, et al.Construction of functional neural network tissue combining CBD-NT3-modified linear-ordered collagen scaffold and TrkC-modified iPSC-derived neural stem cells for spinal cord injury repair. Bioact Mater. 35:242-258. Published 2024 May. doi:10.1016/j.bioactmat.2024.01.012 https://pubmed.ncbi.nlm.nih.gov/38333615/ [56] Powell RA, Atkinson EA, Smith PO, et al.Engineered Neural Tissue (EngNT) Containing Human iPSC-Derived Schwann Cell Precursors Promotes Axon Growth in a Rat Model of Peripheral Nerve Injury. Bioengineering (Basel). 2025;12(9). Published 2025 Aug 23. doi:10.3390/bioengineering12090904 https://pubmed.ncbi.nlm.nih.gov/41007149/ [57] Kim HS, Kim JY, Song CL, Jeong JE, Cho YS. Directly induced human Schwann cell precursors as a valuable source of Schwann cells. Stem Cell Res Ther. 2020;11(1):257. Published 2020 Jun 26. doi:10.1186/s13287-020-01772-x https://pubmed.ncbi.nlm.nih.gov/32586386/ [58] Huang Z, Powell R, Phillips JB, Haastert-Talini K. Perspective on Schwann Cells Derived from Induced Pluripotent Stem Cells in Peripheral Nerve Tissue Engineering. Cells. 2020;9(11). Published 2020 Nov 17. doi:10.3390/cells9112497 https://pubmed.ncbi.nlm.nih.gov/33213068/ [59] Fayazi N, Sheykhhasan M, Soleimani Asl S, Najafi R. Stem Cell-Derived Exosomes: a New Strategy of Neurodegenerative Disease Treatment. Mol Neurobiol. 2021;58(7):3494-3514. doi:10.1007/s12035-021-02324-x https://pubmed.ncbi.nlm.nih.gov/33745116/ [60] Palanisamy CP, Pei J, Alugoju P, et al.New strategies of neurodegenerative disease treatment with extracellular vesicles (EVs) derived from mesenchymal stem cells (MSCs). Theranostics. 2023;13(12):4138-4165. Published 2023 None. doi:10.7150/thno.83066 https://pubmed.ncbi.nlm.nih.gov/37554286/ [61] Quan J, Liu Q, Li P, et al.Mesenchymal stem cell exosome therapy: current research status in the treatment of neurodegenerative diseases and the possibility of reversing normal brain aging. Stem Cell Res Ther. 2025;16(1):76. Published 2025 Feb 21. doi:10.1186/s13287-025-04160-5 https://pubmed.ncbi.nlm.nih.gov/39985030/ [62] Aldali F, Yang Y, Deng C, et al.Induced Pluripotent Stem Cell-Derived Exosomes Promote Peripheral Nerve Regeneration in a Rat Sciatic Nerve Crush Injury Model: A Safety and Efficacy Study. Cells. 2025;14(7). Published 2025 Apr 2. doi:10.3390/cells14070529 https://pubmed.ncbi.nlm.nih.gov/40214483/ [63] Kwon S, Yoo KH, Sym SJ, Khang D. Mesenchymal stem cell therapy assisted by nanotechnology: a possible combinational treatment for brain tumor and central nerve regeneration. Int J Nanomedicine. 14:5925-5942. Published 2019 None. doi:10.2147/IJN.S217923 https://pubmed.ncbi.nlm.nih.gov/31534331/ [64] Soto PA, Vence M, Piñero GM, et al.Sciatic nerve regeneration after traumatic injury using magnetic targeted adipose-derived mesenchymal stem cells. Acta Biomater. 130:234-247. doi:10.1016/j.actbio.2021.05.050 https://pubmed.ncbi.nlm.nih.gov/34082099/ [65] Svendsen SP, Svendsen CN. Cell therapy for neurological disorders. Nat Med. 2024;30(10):2756-2770. doi:10.1038/s41591-024-03281-3 https://pubmed.ncbi.nlm.nih.gov/39407034/ [66] Aisaiti A, Aierxiding S, Shoukeer K, Muheremu A. Mesenchymal stem cells for peripheral nerve injury and regeneration: a bibliometric and visualization study. Front Neurol. 15:1420402. Published 2024 None. doi:10.3389/fneur.2024.1420402 https://pubmed.ncbi.nlm.nih.gov/39161869/ [67] Posarelli M, Romano D, Tucci D, et al.Ocular-Surface Regeneration Therapies for Eye Disorders: The State of the Art. BioTech (Basel). 2023;12(2). Published 2023 Jun 15. doi:10.3390/biotech12020048 https://pubmed.ncbi.nlm.nih.gov/37366796/ [68] Wynne TM, Fritz VG, Simmons ZT, et al.Potential of Stem-Cell-Induced Peripheral Nerve Regeneration: From Animal Models to Clinical Trials. Life (Basel). 2024;14(12). Published 2024 Nov 23. doi:10.3390/life14121536 https://pubmed.ncbi.nlm.nih.gov/39768245/ [69] Feng YS, Tan ZX, Wu LY, Dong F, Zhang F. The involvement of NLRP3 inflammasome in the treatment of neurodegenerative diseases. Biomed Pharmacother. 138:111428. doi:10.1016/j.biopha.2021.111428 https://pubmed.ncbi.nlm.nih.gov/33667787/ [70] Wang W, Sun T. Impact of TRPV1 on Pathogenesis and Therapy of Neurodegenerative Diseases. Molecules. 2023;29(1). Published 2023 Dec 28. doi:10.3390/molecules29010181 https://pubmed.ncbi.nlm.nih.gov/38202764/ [71] Zhao X, Ma R, Shen J, Xu D, Yang Z. Mapping the evolving landscape of lecanemab research in Alzheimer’s Disease: A bibliometric analysis. Eur J Pharmacol. 1006:178187. doi:10.1016/j.ejphar.2025.178187 https://pubmed.ncbi.nlm.nih.gov/41016570/ [72] Meier S, Larsen ASG, Wanke F, et al.An efficient, non-viral arrayed CRISPR screening platform for iPSC-derived myeloid and microglia models. Stem Cell Reports. 2025;20(3):102420. doi:10.1016/j.stemcr.2025.102420 https://pubmed.ncbi.nlm.nih.gov/39983727/ [73] de Olazarra AS, Wang SX. Advances in point-of-care genetic testing for personalized medicine applications. Biomicrofluidics. 2023;17(3):031501. Published 2023 May. doi:10.1063/5.0143311 https://pubmed.ncbi.nlm.nih.gov/37159750/ [74] Cesario A, D’Oria M, Bove F, et al.Personalized Clinical Phenotyping through Systems Medicine and Artificial Intelligence. J Pers Med. 2021;11(4). Published 2021 Apr 2. doi:10.3390/jpm11040265 https://pubmed.ncbi.nlm.nih.gov/33918214/ [75] Arnold SE, Hyman BT, Betensky RA, Dodge HH. Pathways to personalized medicine-Embracing heterogeneity for progress in clinical therapeutics research in Alzheimer’s disease. Alzheimers Dement. 2024;20(10):7384-7394. doi:10.1002/alz.14063 https://pubmed.ncbi.nlm.nih.gov/39240044/ [76] Asefy Z, Hoseinnejhad S, Ceferov Z. Nanoparticles approaches in neurodegenerative diseases diagnosis and treatment. Neurol Sci. 2021;42(7):2653-2660. doi:10.1007/s10072-021-05234-x https://pubmed.ncbi.nlm.nih.gov/33846881/ [77] Babu S, Krishnan M, Panneerselvam A, Chinnaiyan M. A comprehensive review on therapeutic application of mesenchymal stem cells in neuroregeneration. Life Sci. 327:121785. doi:10.1016/j.lfs.2023.121785 https://pubmed.ncbi.nlm.nih.gov/37196856/ [78] Ban S, Chong D, Kwon J, et al.Advances in flexible high-density microelectrode arrays for brain-computer interfaces. Biosens Bioelectron. 292:118102. doi:10.1016/j.bios.2025.118102 https://pubmed.ncbi.nlm.nih.gov/41100980/ [79] Gao W, Yan Z, Zhou H, et al.Revolutionizing brain‒computer interfaces: overcoming biocompatibility challenges in implantable neural interfaces. J Nanobiotechnology. 2025;23(1):498. Published 2025 Jul 10. doi:10.1186/s12951-025-03573-x https://pubmed.ncbi.nlm.nih.gov/40640801/ [80] Li Z, Zhang S, Pan J. Advances in Hybrid Brain-Computer Interfaces: Principles, Design, and Applications. Comput Intell Neurosci. 2019:3807670. Published 2019 None. doi:10.1155/2019/3807670 https://pubmed.ncbi.nlm.nih.gov/31687006/ [81] Rosenfeld JV. Neurosurgery and the Brain-Computer Interface. Adv Exp Med Biol. 1462:513-527. doi:10.1007/978-3-031-64892-2_32 https://pubmed.ncbi.nlm.nih.gov/39523287/ [82] Stavisky SD. Restoring Speech Using Brain-Computer Interfaces. Annu Rev Biomed Eng. 2025;27(1):29-54. doi:10.1146/annurev-bioeng-110122-012818 https://pubmed.ncbi.nlm.nih.gov/39745941/ [83] Zhao JZ. [The role and responsibility of clinical neuroscience in brain-computer interface clinical research]. Zhonghua Yi Xue Za Zhi. 2024;104(23):2102-2104. doi:10.3760/cma.j.cn112137-20240410-00837 https://pubmed.ncbi.nlm.nih.gov/38871467/ [84] Abrams Z. The Future of Brain-Computer Interfaces. IEEE Pulse. 2022 Nov-Dec;13(6):21-24. doi:10.1109/MPULS.2022.3227806 https://pubmed.ncbi.nlm.nih.gov/37021872/ [85] Blazek PJ, Lin MM. Explainable neural networks that simulate reasoning. Nat Comput Sci. 2021;1(9):607-618. doi:10.1038/s43588-021-00132-w https://pubmed.ncbi.nlm.nih.gov/38217134/ [86] Xia Y, Chen J, Li J, et al.A Deep-Learning Empowered, Real-Time Processing Platform of fNIRS/DOT for Brain Computer Interfaces and Neurofeedback. IEEE Trans Neural Syst Rehabil Eng. 33:1220-1230. doi:10.1109/TNSRE.2025.3553794 https://pubmed.ncbi.nlm.nih.gov/40117159/ [87] Karikari E, Koshechkin KA. Review on brain-computer interface technologies in healthcare. Biophys Rev.2023;15(5):1351-1358. Published 2023 Oct. doi:10.1007/s12551-023-01138-6 https://pubmed.ncbi.nlm.nih.gov/37974976/ [88] Chen Y, Zhang Z, Wang F, Ding P, Zhao L, Fu Y. [An emerging discipline: brain-computer interfaces medicine]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2024;41(4):641-649. doi:10.7507/1001-5515.202310028 https://pubmed.ncbi.nlm.nih.gov/39218588/ [89] El-Osta A, Al Ammouri M, Khan S, et al.Community perspectives regarding brain-computer interfaces: A cross-sectional study of community-dwelling adults in the UK. PLOS Digit Health. 2025;4(2):e0000524. Published 2025 Feb. doi:10.1371/journal.pdig.0000524 https://pubmed.ncbi.nlm.nih.gov/39908280/ [90] Sun Y, Chen X, Liu B, et al.Signal acquisition of brain-computer interfaces: A medical-engineering crossover perspective review. Fundam Res. 2025;5(1):3-16. Published 2025 Jan. doi:10.1016/j.fmre.2024.04.011 https://pubmed.ncbi.nlm.nih.gov/40166113/ [91] Fu Y, Lu H. [Technical maturity and bubble risks of brain-computer interface (BCI): Considerations from research to industrial translation]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2025;42(4):651-659. doi:10.7507/1001-5515.202507053 https://pubmed.ncbi.nlm.nih.gov/40887178/ [92] Wan C, Pei M, Shi K, et al.Toward a Brain-Neuromorphics Interface. Adv Mater. 2024;36(37):e2311288. doi:10.1002/adma.202311288 https://pubmed.ncbi.nlm.nih.gov/38339866/ [93] Chen ZS. Emerging Brain-to-Content Technologies from Generative AI and Deep Representation Learning. IEEE Signal Process Mag. 2024;41(6):94-104. doi:10.1109/msp.2024.3484629 https://pubmed.ncbi.nlm.nih.gov/40786597/ [94] Livezey JA, Glaser JI. Deep learning approaches for neural decoding across architectures and recording modalities. Brief Bioinform. 2021;22(2):1577-1591. doi:10.1093/bib/bbaa355 https://pubmed.ncbi.nlm.nih.gov/33372958/ [95] Gamgam G, Yıldırım Z, Kabakçıoğlu A, Gurvit H, Demiralp T, Acar B. Siamese Graph Convolutional Network quantifies increasing structure-function discrepancy over the cognitive decline continuum. Comput Methods Programs Biomed. 254:108290. doi:10.1016/j.cmpb.2024.108290 https://pubmed.ncbi.nlm.nih.gov/38954916/ [96] Nguyen PTU, Henningsen-Schomers MR, Pulvermüller F. Causal Influence of Linguistic Learning on Perceptual and Conceptual Processing: A Brain-Constrained Deep Neural Network Study of Proper Names and Category Terms. J Neurosci. 2024;44(9). Published 2024 Feb 28. doi:10.1523/JNEUROSCI.1048-23.2023 https://pubmed.ncbi.nlm.nih.gov/38253531/ [97] Zhao D, Zhang Z, Lu H, Cheng S, Si B, Feng X. Learning Cognitive Map Representations for Navigation by Sensory-Motor Integration. IEEE Trans Cybern. 2022;52(1):508-521. doi:10.1109/TCYB.2020.2977999 https://pubmed.ncbi.nlm.nih.gov/32275629/ [98] Zhao D, Si B. Formation of cognitive maps in large-scale environments by sensorimotor integration. Cogn Neurodyn. 2025;19(1):19. doi:10.1007/s11571-024-10200-2 https://pubmed.ncbi.nlm.nih.gov/39801918/ [99] Hall R, Jackson M, Maleki M, Crogman HT. Modeling cognition through adaptive neural synchronization: a multimodal framework using EEG, fMRI, and reinforcement learning. Front Comput Neurosci. 19:1616472. Published 2025 None. doi:10.3389/fncom.2025.1616472 https://pubmed.ncbi.nlm.nih.gov/41180117/ [100] Timashkov A, Anderson S, Zinchenko O. Neural correlates of uncertainty processing: meta-analysis of fMRI studies. Front Neurosci. 19:1662272. Published 2025 None. doi:10.3389/fnins.2025.1662272 https://pubmed.ncbi.nlm.nih.gov/41306425/ [101] Wang W. Brain network features based on theta-gamma cross-frequency coupling connections in EEG for emotion recognition. Neurosci Lett. 761:136106. doi:10.1016/j.neulet.2021.136106 https://pubmed.ncbi.nlm.nih.gov/34252515/ [102] Sun J, Liu M, Shen A, Chen X, Gao X, Li Y. Identifying Critical Nodes in the Cognitive Decline Process through EEG Network Community Detection Based on Autoencoder. Annu Int Conf IEEE Eng Med Biol Soc. 2024:1-4. doi:10.1109/EMBC53108.2024.10782607 https://pubmed.ncbi.nlm.nih.gov/40031488/ [103] Garagnani M. On the ability of standard and brain-constrained deep neural networks to support cognitive superposition: a position paper. Cogn Neurodyn. 2024;18(6):3383-3400. doi:10.1007/s11571-023-10061-1 https://pubmed.ncbi.nlm.nih.gov/39712129/ [104] Roy B, Verma AK, Funahashi Y, Dwivedi Y. Deciphering the epigenetic role of long non-coding RNAs in mood disorders: Focus on human brain studies. Clin Transl Med. 2025;15(3):e70135. doi:10.1002/ctm2.70135 https://pubmed.ncbi.nlm.nih.gov/40038891/ [105] Aslan E, Özüpak Y. Comparison of machine learning algorithms for automatic prediction of Alzheimer disease. J Chin Med Assoc. 2025;88(2):98-107. doi:10.1097/JCMA.0000000000001188 https://pubmed.ncbi.nlm.nih.gov/39965789/ [106] Slimi H, Cherif I, Abid S, Sayadi M. Biologically inspired hybrid model for Alzheimer’s disease classification using structural MRI in the ADNI dataset. Front Artif Intell. 8:1590599. Published 2025 None. doi:10.3389/frai.2025.1590599 https://pubmed.ncbi.nlm.nih.gov/40612382/ [107] Ahmed G, Er MJ, Fareed MMS, et al.DAD-Net: Classification of Alzheimer’s Disease Using ADASYN Oversampling Technique and Optimized Neural Network. Molecules. 2022;27(20). Published 2022 Oct 20. doi:10.3390/molecules27207085 https://pubmed.ncbi.nlm.nih.gov/36296677/ [108] Xie X, Chen P, Liu H, et al.Advances in multimodal artificial intelligence models for epilepsy research. Epilepsy Behav. 174:110811. doi:10.1016/j.yebeh.2025.110811 https://pubmed.ncbi.nlm.nih.gov/41289803/ [109] Medel-Matus JS, Santana-Gomez C, Escalante RG, et al.Artificial intelligence in preclinical epilepsy research: Current state, potential, and challenges. Epilepsia Open. . Published online Sep 12,2025. doi:10.1002/epi4.70137 https://pubmed.ncbi.nlm.nih.gov/40938346/ [110] Gong J, Zhao Z, Niu X, et al.AI reshaping life sciences: intelligent transformation, application challenges, and future convergence in neuroscience, biology, and medicine. Front Digit Health. 7:1666415. Published 2025 None. doi:10.3389/fdgth.2025.1666415 https://pubmed.ncbi.nlm.nih.gov/41064793/ [111] Xiao J, Li M, Cai R, et al.Smart Pharmaceutical Monitoring System With Personalized Medication Schedules and Self-Management Programs for Patients With Diabetes: Development and Evaluation Study. J Med Internet Res. 27:e56737. Published 2025 Feb 11. doi:10.2196/56737 https://pubmed.ncbi.nlm.nih.gov/39933171/ [112] Miao R, Chen HH, Dang Q, et al.Beyond the limitation of targeted therapy: Improve the application of targeted drugs combining genomic data with machine learning. Pharmacol Res. 159:104932. doi:10.1016/j.phrs.2020.104932 https://pubmed.ncbi.nlm.nih.gov/32473309/ [113] Umoh I, Xia X, Winblad B, et al.Deciphering Perspectives: A European Survey on Clinical Decision Support Tools for Dementia and Alzheimer’s Disease. Dement Geriatr Cogn Disord. 2025;54(5):284-293. doi:10.1159/000544801 https://pubmed.ncbi.nlm.nih.gov/39999809/ [114] Zuo Z, Li N, Zhang Q, Liu Q, Qin H, Yao K. The Role of Non-coding RNAs in Diabetic Retinopathy: Mechanistic Insights and Therapeutic Potential. Mol Neurobiol. 2025;62(8):9829-9860. doi:10.1007/s12035-025-04863-z https://pubmed.ncbi.nlm.nih.gov/40164888/ [115] Tien Y, Li CT. Shared neural network dysfunctions in treatment-resistant major depression and alcohol use disorder: Resting-state fMRI evidence and implications for neuromodulation. J Chin Med Assoc. . Published online Dec 8,2025. doi:10.1097/JCMA.0000000000001325 https://pubmed.ncbi.nlm.nih.gov/41355453/ [116] Calderone A, Latella D, Bonanno M, et al.Towards Transforming Neurorehabilitation: The Impact of Artificial Intelligence on Diagnosis and Treatment of Neurological Disorders. Biomedicines. 2024;12(10). Published 2024 Oct 21. doi:10.3390/biomedicines12102415 https://pubmed.ncbi.nlm.nih.gov/39457727/ [117] Huo C, Sun Z, Xu G, et al.fNIRS-based brain functional response to robot-assisted training for upper-limb in stroke patients with hemiplegia. Front Aging Neurosci. 14:1060734. Published 2022 None. doi:10.3389/fnagi.2022.1060734 https://pubmed.ncbi.nlm.nih.gov/36583188/ [118] Tendulkar M, Tendulkar R. Amalgamating artificial intelligence & neuropsychiatry: Multimodal approach for precision diagnosis. Asian J Psychiatr. 115:104795. Published online Dec 19,2025. doi:10.1016/j.ajp.2025.104795 https://pubmed.ncbi.nlm.nih.gov/41435526/ [119] Ren W, Xue X, Liu L, Huang J. AI Applications in Depression Detection and Diagnosis: Bibliometric and Visual Analysis of Trends and Future Directions. JMIR Ment Health. 12:e79293. Published 2025 Oct 22. doi:10.2196/79293 https://pubmed.ncbi.nlm.nih.gov/41022381/ [120] Tekin U, Dener M. A bibliometric analysis of studies on artificial intelligence in neuroscience. Front Neurol. 16:1474484. Published 2025 None. doi:10.3389/fneur.2025.1474484 https://pubmed.ncbi.nlm.nih.gov/40040909/

核酸药物

2025-12-29

·BoneWrights & Nephews

疼痛&电生理一周文献回顾（2025.12.30）

如果没有对研究结果进行彻底的分析和讨论，对未来病患的治疗也没有产生积极影响，那单纯的文献积累也没有任何意义。 ————Nikolaus L Renner《AO创伤骨科治疗关键点——从失败中学习》 📅 每周推送日程表周一｜椎间盘 · 脊柱侧弯 · Piezo · Spp1 周二｜疼痛 · 电生理 · 脊髓电刺激 · 肠道菌群周三｜脊髓损伤 · 脂代谢周四｜骨坏死 · 骨缺损修复 · 骨质疏松周五｜关节炎 · 软骨退变周六｜生物医学工程（超声 · 3D打印）周日｜Journal Club · 读刊笔记本文由AI生成，请务必自主阅读信源进行理性判断。 spinal cord stimulationRevision of an Eight-lead Boston Scientific® Spinal Cord Stimulator With Epidural Migration: A Case Report. • 中文标题：波士顿科学®八导联脊髓刺激器硬膜外移位修复：病例报告 • 作者：Nwadi Igwe, Anna Green, …, Thelma Wright • 期刊名称：Cureus • 影响因子：1.5 • 期刊分区：2区 • 论文总结：本文属于疼痛管理与神经调控领域，报告了一例60多岁男性患者在植入八导联脊髓刺激器（SCS）后发生电极硬膜外迁移的复杂病例。患者最初经历成功试用和永久植入，但术后影像显示电极从T10-T12移位至T12-L1，首次修复后仍出现进一步迁移并引发腹痛，最终需神经外科干预进行桨状电极植入。文章亮点在于详细描述了电极复位手术的技术细节，包括瘢痕组织清除、透视引导下重新定位及自锚定机制固定。关键结论指出，尽管当前固定技术有一定效果，但电极迁移仍是影响SCS疗效的主要并发症，强调了精细手术操作、严密术后监测的重要性，并呼吁改进电极设计以增强长期稳定性。 • DOI链接：http://dx.doi.org/10.7759/cureus.97316 🧠 🔍 🛠️Case Report: Rare case of anterior cruciate ligament reconstruction in a 26-year-old female paraplegic patient: technical considerations and rehabilitation outcomes. • 中文标题：病例报告：26岁女性截瘫患者前交叉韧带重建罕见病例：技术考量及康复结果 • 作者：Abdullah Raizah • 期刊名称：Front Surg • 影响因子：1.8 • 期刊分区：2区 • 论文总结：本文属于骨科与康复医学领域，报道了一例罕见的26岁女性弛缓性截瘫患者在多发性创伤后发生前交叉韧带（ACL）完全断裂并接受ACL重建手术的病例。该患者因膝关节不稳影响康复进程，在MRI确诊后接受了关节镜下ACL重建术，采用同侧腘绳肌腱与对侧半腱肌腱联合移植物，并通过前内侧入路进行股骨悬吊固定和胫骨可吸收螺钉固定。术后配合包含神经肌肉电刺激的个性化康复方案，股四头肌力量由MRC 2级提升至4级，步态功能明显改善。研究表明，对于部分恢复活动能力的截瘫患者，若机械性膝关节不稳定阻碍功能进展，ACL重建是一种可行的治疗选择，强调个体化手术设计与康复策略的重要性。 • DOI链接：http://dx.doi.org/10.3389/fsurg.2025.1620241 🦵 💪 🧠Factors in Surgical Placement and System Design to Reduce Pocket Awareness and Optimize the User Experience of Spinal Cord Stimulators - A Comprehensive Review. • 中文标题：手术植入位置和系统设计中影响脊髓刺激器植入感和用户体验的因素——一项综合综述 • 作者：Brandon Gish, Zayd Al-Asadi, …, Timothy Deer • 期刊名称：J Pain Res • 影响因子：2.5 • 期刊分区：2区 • 论文总结：本文综述了脊髓刺激（SCS）技术的最新进展，重点探讨了手术植入位置和系统设计如何影响患者的‘植入物感知’（pocket awareness）及整体用户体验。文章指出，尽管疼痛缓解是主要目标，但减少患者对植入设备的感知、提升舒适度同样重要。涉及医生操作、患者个体差异以及制造商设计等多方面因素均可影响这一感知。通过优化电池设计以缩小设备体积，并结合临床实践指南，可提高患者满意度。文章还概述了当前主流SCS系统的特性，并呼吁临床更多关注患者与设备之间的互动体验。 • DOI链接：http://dx.doi.org/10.2147/JPR.S551513 🔋 🧩 👥Repetitive transcranial magnetic stimulation promotes motor function recovery in mice after spinal cord injury through preserving mitochondrial integrity • 中文标题：重复经颅磁刺激通过维持线粒体完整性促进小鼠脊髓损伤后运动功能的恢复 • 作者：Xinlong Wang, Gaiqin Pei, …, Wenjun Qian • 期刊名称：Neuro Endocrinol Lett • 影响因子：0.6 • 期刊分区：2区 • 论文总结：该研究探讨了重复经颅磁刺激（rTMS）在脊髓损伤（SCI）后对线粒体结构完整性的影响及其在运动功能恢复中的作用。研究使用雌性C57BL/6J小鼠，分为正常组、SCI组、假rTMS组和rTMS组。结果显示，接受rTMS治疗的小鼠表现出显著改善的后肢运动功能（BMS评分提高），线粒体超微结构完整性更好，并且线粒体外膜蛋白TOM20的表达水平显著升高。研究表明，rTMS通过保护线粒体结构完整性，促进SCI后运动功能的恢复，揭示了其潜在的神经修复机制。 • DOI链接：http://www.ncbi.nlm.nih.gov/pubmed/41420881 ⚡ 🧫 🐭Optimizing Restless Legs Syndrome Care: Integrating Rehabilitation into Multimodal Management. • 中文标题：优化不宁腿综合征的治疗：将康复治疗融入多模式管理 • 作者：Umer Younas, Muhammad Khalil, Hafsa Qadir, Farooq Rathore • 期刊名称：J Pak Med Assoc • 影响因子：0.8 • 期刊分区：2区 • 论文总结：本文综述了不宁腿综合征（RLS）的多模式管理策略，涵盖其流行病学、病理生理机制及诊断标准。RLS是一种常见但常被漏诊的神经系统疾病，主要与遗传因素、脑内铁缺乏和多巴胺能系统功能障碍有关。诊断依据国际不宁腿综合征研究组（IRLSSG）2012年共识标准。文章重点介绍了非药物治疗在RLS管理中的重要作用，包括生活方式调整、有氧训练、阻力训练、柔韧性练习、物理疗法（如气动加压、振动疗法）以及身心干预（如瑜伽、认知行为疗法、针灸等）。同时，也总结了药物治疗选项，如加巴喷丁类药物、多巴胺激动剂、阿片类药物和铁剂补充。此外，文中提及一些尚处于实验阶段的新型疗法，如经颅磁刺激、脊髓刺激和深部脑刺激等。整体强调康复治疗应作为多学科综合管理的重要组成部分。 • DOI链接：http://dx.doi.org/10.47391/JPMA.25-97 🧘♂️ 💤 ⚖️The effects of electrical stimulation on neurons and glia of the central nervous system. • 中文标题：电刺激对中枢神经系统神经元和胶质细胞的影响 • 作者：Jack Devlin, Ryan Gilbert • 期刊名称：J Neural Eng • 影响因子：3.8 • 期刊分区：2区 • 论文总结：本文综述了直流（DC）和交流（AC）电刺激对中枢神经系统（CNS）中神经元和胶质细胞的影响及其作为神经治疗手段的潜力。研究表明，DC刺激可促进轴突向阴极生长，而AC刺激则支持双向轴突延伸，且刺激强度和持续时间显著影响神经突生长。电刺激还能调节星形胶质细胞和小胶质细胞的炎症反应，促使其转向有利于再生的抗炎表型（A2/M2状态）。此外，电刺激可促进少突胶质细胞前体细胞（OPCs）分化为成熟少突胶质细胞，增强髓鞘形成。联合干细胞治疗、药物递送或电活性生物材料时，电刺激的疗效进一步提升。临床研究显示，短时单次电刺激可带来长期功能改善，已在脊髓损伤、帕金森病和中风患者中初步实现步态、手部震颤和语言功能的恢复。该研究强调，深入理解电刺激对神经细胞的调控机制对优化其临床应用至关重要。 • DOI链接：http://dx.doi.org/10.1088/1741-2552/ae2f9c ⚡ 🧠 🧲Sudden onset Brown-Sequard-like symptoms due to fibrotic scar tissue formation around spinal cord stimulator electrode with associated spinal cord compression. • 中文标题：脊髓刺激器电极周围纤维化瘢痕组织形成并伴有脊髓压迫，导致突发性布朗-塞卡综合征样症状。 • 作者：Rylie Wackerly, Victor Castano, Vincent Wang • 期刊名称：Surg Neurol Int • 影响因子：1.9 • 期刊分区：2区 • 论文总结：本文报告了一例罕见的迟发性神经系统并发症：一名48岁女性在脊髓刺激器（SCS）植入17年后突然出现类似布朗-塞卡综合征的症状，包括左侧为主的截瘫、T10感觉平面丧失和大便失禁。影像学检查显示T8-T10水平存在硬膜外纤维化瘢痕组织，导致脊髓受压及T2加权像高信号改变。经T8-T10椎板切除术切除瘢痕组织后，患者运动功能改善，但仍有部分感觉障碍。术后MRI证实脊髓压迫解除，但脊髓内仍残留轻微信号异常。该病例表明，即使在SCS植入多年后，也可能因瘢痕形成引发严重脊髓压迫，临床医生应警惕此类迟发性并发症。 • DOI链接：http://dx.doi.org/10.25259/SNI_1077_2025 ⚠️ 🧵 🧠Spinal Cord Stimulation in Schwannomatosis: A Case Report. • 中文标题：脊髓刺激治疗神经鞘瘤病：病例报告 • 作者：Caleb Graham, Ivan Chew, Justin Jackson • 期刊名称：A A Pract • 影响因子：0.6 • 期刊分区：2区 • 论文总结：本文属于疼痛医学与神经调控领域，报道了一例48岁神经鞘瘤病患者因慢性下肢神经性疼痛对多种常规治疗（手术切除、介入操作和药物管理）无效后，接受脊髓刺激（SCS）治疗的病例。经过成功的经皮试验后，患者接受了永久性SCS植入，实现了近乎完全且持续的疼痛缓解。该案例表明，脊髓刺激等先进介入疗法可能在目前公认的适应症之外具有更广泛的应用潜力，为难治性神经性疼痛患者的治疗提供了新的思路和创新方向。 • DOI链接：http://dx.doi.org/10.1213/XAA.0000000000002121 🩺 🌟 🧬Update on the Treatment of Autonomic Disorders. • 中文标题：自主神经功能障碍治疗进展 • 作者：Abdulmunaim Eid, Gabriel Vázquez-Vélez, …, Daniel Di Luca • 期刊名称：Curr Treat Options Neurol • 影响因子：1.8 • 期刊分区：2区 • 论文总结：本文综述了自主神经功能障碍的现有及新兴治疗方法，涵盖非药物、药物和神经调控策略。自主神经功能障碍可由多种中枢和周围神经系统疾病引起，表现为体位性低血压、尿路功能障碍、性功能障碍、便秘和胃轻瘫等症状。尽管目前尚无针对主要病因的疾病修饰疗法，但已有多种对症治疗手段。近年来，新型药物如屈昔多巴（用于体位性低血压）、β-3肾上腺素能激动剂（用于痉挛性膀胱）以及普芦卡必利、依洛比西巴和利那洛肽（用于便秘）显示出更优疗效或耐受性。此外，神经调控设备如脊髓刺激器、骶神经刺激器和胃电刺激器等在临床试验中展现出潜力，但多数仍处于实验阶段。文章提出了一种整合三种治疗方式的分步临床管理方案。 • DOI链接：http://dx.doi.org/10.1007/s11940-025-00830-0 🫀 🔄 🧠Real-World Spinal Cord Stimulation Utilization and Implant Status: An Analysis of a Novel, Real-Time, Remote Monitoring Database. • 中文标题：真实世界中脊髓刺激的使用情况和植入状态：一项基于新型实时远程监测数据库的分析 • 作者：Jason Pope, Robert Levy, …, Peter Staats • 期刊名称：Neuromodulation • 影响因子：3.5 • 期刊分区：2区 • 论文总结：本文属于神经调控与疼痛管理领域，利用一种新型的实时远程监测数据库，对前500例美国患者植入脊髓刺激器（SCS）后的实际使用情况和植入状态进行了回顾性分析。研究亮点在于首次通过自动化远程监控技术获取每日客观设备使用数据，克服了传统临床随访方法在数据完整性和连续性上的局限。关键结论显示，在中位植入时间364天后，95.1%的患者仍保留植入物，96.8%积极使用SCS治疗，仅有4.9%被取出，且取出主因是手术并发症。此外，研究提出了“虚拟取出”概念（占0.9%），即因长期不使用而被视为功能上停止使用的病例，这为评估真实世界疗效提供了更全面的视角。结果表明远程监测可提升长期数据完整性，并支持将其作为SCS术后管理的新标准。 • DOI链接：http://dx.doi.org/10.1016/j.neurom.2025.11.004 📡 📊 🕒Biofeedback Using Virtual Reality and Yoga Pranayama Modulates Blood Pressure and Heart Rate Variability in People with and without Cervical Spinal Cord Injuries. • 中文标题：利用虚拟现实和瑜伽呼吸法进行生物反馈可以调节颈椎脊髓损伤患者和非损伤患者的血压和心率变异性。 • 作者：Rachel Torres, Camilo Castillo, Daniela Terson de Paleville • 期刊名称：Int J Yoga Therap • 影响因子：1.1 • 期刊分区：无 • 论文总结：本研究开发并验证了一种结合虚拟现实、瑜伽呼吸法（kapalabhati和brahmari pranayama）、自体训练和内感受觉察的生物反馈方案，旨在帮助颈椎脊髓损伤患者及健康人群快速调节血压，避免药物副作用。研究共纳入13名脊髓损伤患者和7名健康对照，经过为期一个月、共8次、每次1小时的训练，结果显示该方案能有效调节平均动脉压（目标为放松时降低至少5 mmHg，刺激时升高至少5 mmHg）以及心率变异性。此外，研究还评估了训练前后受试者对直立倾斜试验、瓦尔萨尔瓦动作和节律性深呼吸的血流动力学反应，并通过问卷调查评估了生活质量和内感受能力。结果表明，该非药物干预手段在改善心血管自主调节功能方面具有显著潜力，适用于慢性颈髓损伤患者和普通人群。 • DOI链接：http://dx.doi.org/10.17761/2025-D-24-00080 🧘 🎮 ❤️Gallic acid alleviates visceral hyperalgesia following maternal separation in mice by inhibiting EphrinB2/EphB2 signaling mediated activation of neurons and glial cells. • 中文标题：没食子酸通过抑制EphrinB2/EphB2信号通路介导的神经元和胶质细胞活化，减轻小鼠母子分离后的内脏痛觉过敏。 • 作者：Shu-Fen Guo, Yu Wang, …, Jia-Ping Ruan • 期刊名称：Front Immunol • 影响因子：5.9 • 期刊分区：2区 • 论文总结：本研究聚焦于早期生活应激（ELS）引发的内脏痛觉过敏及其潜在治疗策略。研究发现，脊髓中的EphrinB2/EphB2信号通路在母子分离（MS）诱导的小鼠内脏痛觉过敏中起关键作用，该通路通过激活神经元和胶质细胞并上调NMDAR受体促进疼痛感知。天然化合物没食子酸（GA）可稳定结合EphrinB2-EphB2复合物，抑制该信号通路的激活，从而显著缓解疼痛行为和神经炎症反应。研究表明，GA具有通过调控神经-胶质信号治疗功能性胃肠疾病的潜力，为开发新型镇痛药物提供了理论依据。 • DOI链接：http://dx.doi.org/10.3389/fimmu.2025.1698744 🍃 🧬 🐭Spinal cord injury neuropathic painCold Hyperaesthesia and Chronic Pain After Paediatric-Onset Spinal Cord Injury: An Exploratory Cross-Sectional Study. • 中文标题：儿童期脊髓损伤后冷觉过敏和慢性疼痛：一项探索性横断面研究 • 作者：Marta Ríos-León, Beatriz Huidobro-Labarga, …, Julian Taylor • 期刊名称：Pain Med • 影响因子：2.9 • 期刊分区：2区 • 论文总结：本研究旨在描述儿童期起病脊髓损伤（SCI）患者中伤害性疼痛和神经性混合疼痛（NP）亚型的感觉特征。研究采用标准化床旁感觉测试（BST）和定量感觉测试（QST），发现动态QST检测到SCI平面以上持续性冷觉强度升高，提示可能存在神经病理性疼痛机制；而标准化QST显示损伤平面及以下冷痛阈值升高，符合伤害性疼痛特征。此外，SCI病程与冷觉异常强度相关，且损伤平面与远端感觉变化存在关联，表明儿童SCI后整个神经轴可能均受累。该结果强调了进一步研究冷觉过敏在慢性疼痛分型中的作用，未来更大样本的研究有助于改善儿童SCI相关疼痛的预后。 • DOI链接：http://dx.doi.org/10.1093/pm/pnaf174 ❄️ 🧒 🧠An orally bioavailable MrgprX1-positive allosteric modulator alleviates certain neuropathic pain-related behaviors in humanized mice. • 中文标题：一种口服生物利用度高的MrgprX1阳性变构调节剂可缓解人源化小鼠的某些神经性疼痛相关行为。 • 作者：Ankit Uniyal, Niyada Hin, …, Yun Guan • 期刊名称：Sci Transl Med • 影响因子：14.6 • 期刊分区：2区 • 论文总结：该研究聚焦于开发一种非阿片类镇痛疗法，靶向人Mas相关G蛋白偶联受体X1（MrgprX1），该受体在初级伤害性感觉神经元中特异性表达。研究人员开发了一种口服生物利用度高、代谢稳定且安全性良好的MrgprX1正向变构调节剂BCFTP。实验证明，BCFTP能剂量依赖性地缓解人源化小鼠在神经损伤后的热痛觉过敏和自发性疼痛行为，其作用机制依赖于MrgprX1，并通过增强内源性配体BAM8-22介导的脊髓C纤维突触传递抑制来实现。值得注意的是，BCFTP未引起耐受性、瘙痒、镇静或奖赏效应等副作用，并能与吗啡产生协同镇痛作用。研究结果表明，靶向MrgprX1的PAM有望成为治疗神经性疼痛的安全有效的新策略。 • DOI链接：http://dx.doi.org/10.1126/scitranslmed.adw9446 💊 🧬 🧠Caudal Granular Insular Cortex to Somatosensory Cortex I: A critical pathway for the transition of acute to chronic pain. • 中文标题：尾侧颗粒状岛叶皮层至体感皮层 I：急性疼痛向慢性疼痛转变的关键通路 • 作者：Jayson Ball, Maggie Finch, …, Linda Watkins • 期刊名称：J Neurosci • 影响因子：4.4 • 期刊分区：2区 • 论文总结：该研究聚焦于神经性疼痛中急性向慢性转变的关键机制，发现尾侧颗粒状岛叶皮层（CGIC）到初级体感皮层（SI）的神经通路在疼痛慢性化过程中起关键作用。通过化学遗传学手段调控CGIC及其向SI的投射，研究人员证实该通路的活动不仅对维持神经性疼痛至关重要，且其长期抑制可持久逆转疼痛症状。此外，在健康大鼠中激活该通路足以诱发痛觉过敏，并增强脊髓背角等疼痛相关脑区的神经活动。结合已有研究，结果表明CGIC通过调节SI对伤害性信号的门控功能，推动慢性疼痛的形成。这一发现为治疗慢性疼痛提供了新的潜在靶点。 • DOI链接：https://doi.org/10.1523/JNEUROSCI.1306-25.2025 🔗 🔁 🧠Pain AND (Electroencephalography OR "Spinal cord electrodes")Quantitative assessment of signal quality and usability of EEG and EMG recordings with PEDOT:PSS-coated microneedle electrodes. • 中文标题：利用PEDOT:PSS涂层微针电极对脑电图和肌电图记录的信号质量和可用性进行定量评估 • 作者：Tomoya Yamaguchi, Yuta Kurashina, …, Hikaru Yokoyama • 期刊名称：Front Neurosci • 影响因子：3.2 • 期刊分区：2区 • 论文总结：本文研究了涂覆PEDOT:PSS的微针（MN）电极在脑电图（EEG）和肌电图（EMG）信号采集中的性能。研究表明，与传统湿电极和干电极相比，该新型电极在无需导电凝胶的情况下，显著提升了EMG信噪比，并实现了与湿电极相当的EEG信号质量。尽管在有毛发区域使用时需要额外时间分开发丝，但其清理更便捷且佩戴疼痛感与干电极相当。该技术在保证高质量信号的同时提升了使用便利性，在临床和实际应用中具有广阔前景。 • DOI链接：http://dx.doi.org/10.3389/fnins.2025.1706501 🧠 🔌 📈Effects of Subanesthetic Esketamine on Postoperative Sleep Quality Through EEG Analysis in Breast Cancer Patients: A Randomized Clinical Trial. • 中文标题：亚麻醉剂量艾司氯胺酮对乳腺癌患者术后睡眠质量的影响：一项随机临床试验（通过脑电图分析） • 作者：Yuening Zhan, Yanmei Zhang, …, Lingfei Wang • 期刊名称：Drug Des Devel Ther • 影响因子：5.1 • 期刊分区：2区 • 论文总结：本研究属于麻醉学与肿瘤康复交叉领域，重点探讨亚麻醉剂量艾司氯胺酮对乳腺癌手术患者术后睡眠质量的改善作用。研究采用随机双盲对照设计，发现使用艾司氯胺酮可显著降低术后睡眠障碍（POSD）的发生率，并在术后24小时和72小时均显著改善匹兹堡睡眠质量指数（PSQI）评分。亮点在于结合术中脑电图（EEG）监测，揭示艾司氯胺酮可增强γ波段相对功率谱密度，且该神经电生理变化独立于其他因素与POSD风险降低相关，提示其促进睡眠的潜在机制可能涉及对皮层振荡的调节。该结果为术后睡眠干预提供了新的药理策略和神经机制依据。 • DOI链接：http://dx.doi.org/10.2147/DDDT.S567980 💤 🧠 💉"gut microbiota" AND painCould the estrobolome have a role in endometriosis pathogenesis and infertility? A systematic review. • 中文标题：雌激素组是否可能在子宫内膜异位症的发病机制和不孕症中发挥作用？一项系统性综述 • 作者：Stefania Saponara, Francesco Scicchitano, …, Stefano Angioni • 期刊名称：BMC Womens Health • 影响因子：2.7 • 期刊分区：2区 • 论文总结：本文是一篇系统性综述，探讨了肠道菌群中的雌激素代谢组（estrobolome）在子宫内膜异位症发病机制及不孕症中的潜在作用。研究发现，肠道菌群失调以及β-葡萄糖醛酸酶活性的升高可能导致雌激素代谢异常，从而促进局部和全身的雌激素刺激，加剧病灶进展。同时，这些微生物变化与炎症因子水平升高和免疫细胞持续激活相关，共同参与疾病的病理生理过程。文章强调，调节肠道菌群或雌激素代谢可能成为改善子宫内膜异位症和不孕症患者临床结局的新策略。 • DOI链接：http://dx.doi.org/10.1186/s12905-025-04195-z 🌸 🦠 🧫Beyond the joints: mechanistic insights and multidisciplinary strategies for spondyloarthritis-associated uveitis. • 中文标题：超越关节：强直性脊柱炎相关性葡萄膜炎的机制见解和多学科策略 • 作者：Shuyue Pan, Ling Xiang, …, Rui-Juan Cheng • 期刊名称：Front Immunol • 影响因子：5.9 • 期刊分区：2区 • 论文总结：本文综述了强直性脊柱炎（SpA）相关性急性前葡萄膜炎（AAU）的发病机制及诊疗进展。AAU是SpA最常见的关节外表现，表现为单侧急性眼部炎症，症状包括眼红、疼痛、畏光和视力模糊。其发病机制涉及遗传因素、肠道菌群失调和免疫系统异常。目前糖皮质激素仍是主要治疗手段，但非甾体抗炎药、改善病情抗风湿药及生物制剂也显示出良好疗效，尤其是生物制剂因其安全性和有效性受到广泛关注。 • DOI链接：http://dx.doi.org/10.3389/fimmu.2025.1715107 👁️ 🦠 🧬Gut Microbiota Alterations in Endometriosis: An Observational Study in a Spanish Female Cohort. • 中文标题：子宫内膜异位症患者肠道菌群改变：一项西班牙女性队列观察性研究 • 作者：Antonio Martínez-Lara, Alejandro De Tena-Sanz, …, José Almansa • 期刊名称：Biol Reprod • 影响因子：3.1 • 期刊分区：2区 • 论文总结：本研究通过16S rRNA基因测序分析了西班牙女性队列中子宫内膜异位症（EM）患者与健康对照组的肠道菌群差异。研究发现，在科、属和种水平上有18个分类单元显著不同，EM患者在科和属水平上表现出略高的多样性，可能反映少数物种在炎症和雌激素信号通路相关类群中的优势。此外，部分肠道菌群与患者的疼痛和不孕症状存在显著相关性。研究支持肠道微生物组（特别是estrobolome）在子宫内膜异位症中的潜在作用，提示这些差异菌群可作为诊断、监测和个体化治疗的生物标志物及靶点。 • DOI链接：http://dx.doi.org/10.1093/biolre/ioaf272 🧫 🔍 🌿 🩺 BoneWrights & Nephews：为了分享而建立的公众号这里不仅有日更的主题文献周报，还有定期更新的临床知识、习题分析与经验分享，以及来自骨科、康复科医生的生活日常与思考。 🌟 欢迎关注、留言与分享让更多同行加入我们的学习与交流。

2025-10-18

·生物谷

为何有人“脸盲”还不懂察言观色？新研究锁定大脑 “社交开关”——岛叶小白蛋白神经元

社交是生物生存与繁衍的核心行为，从识别熟悉同伴避免重复社交投入，到感知他人情绪调整互动策略，背后都依赖大脑精密的神经调控。岛叶皮层作为整合社交信息、痛觉、内感受的关键脑区，其在社交记忆、共情等行为中的作用已被关注，但局部抑制性神经元如何参与调控，一直是未解之谜。近日，发表于Cell Rep的一项研究Parvalbumin interneurons in the insular cortex control social familiarity and emotion recognition，聚焦岛叶无颗粒区（aIC）的小白蛋白阳性中间神经元（PVINs），首次明确其为社交熟悉度与情绪识别的核心调控因子。研究团队通过细胞特异性显微内镜钙成像与化学遗传学技术，首先揭示aIC的PVINs在社交互动中存在特异性活性变化。在家庭笼（HC）测试中，当小鼠与同类互动时，16.5%的PVINs活性显著升高（定义为Social-ON细胞），仅0.9%的PVINs活性降低（Social-OFF细胞）；且Social-ON细胞在社交期的事件发生率显著高于非社交期，其比例与社交互动时长无相关性，说明PVINs直接编码社交信息，而非单纯响应行为强度。图1：岛叶无颗粒区（aIC）小白蛋白中间神经元（PVINs）中Social-ON与Social-OFF细胞的活性特征为探究PVINs对社交信息的编码规律，研究开展线性箱（LC）测试，观察小鼠对社交刺激（同类）与非社交刺激（物体）的偏好动态。结果显示，小鼠初次接触时更偏好社交刺激，但再次接触（熟悉后）偏好减弱；同时，PVINs的社交活性呈现高度动态性——S1期响应社交刺激的Rsoc-ON细胞中，92.6%来自Control期未被特定刺激激活的Other细胞，且社交刺激诱导PVINs向Social-ON转换的比例（12.0%）显著高于非社交刺激（2.2%），证明PVINs通过动态重组实现对社交熟悉度的编码。为验证PVINs的功能意义，研究通过化学遗传学抑制aIC的PVINs。结果发现，抑制后小鼠在LC测试中无法失去对熟悉同类的偏好，即难以建立社交熟悉度；同时，锥体细胞（PNs）的社交目标特异性转换异常——原本向非社交刺激倾斜的转换被打破，C21处理组中Rsoc-ON细胞向Lsoc-ON转换的比例（21.2%）远高于向ROBJ-ON转换（2.9%），社交与非社交转换比达7.31（对照组仅1.23-2.22），提示PVINs通过调控PNs的目标偏好重组，控制社交熟悉度形成。图2：抑制小白蛋白中间神经元（PVINs）破坏线性箱（LC）测试中的社交熟悉度在情绪识别（ER）测试中，研究进一步发现PVINs对情绪信息处理的关键作用。正常情况下，小鼠能识别同类应激状态，S2期与受应激（ST）同伴的互动时长显著增加；而抑制PVINs后，这种偏好完全消失。钙成像显示，应激刺激诱导PVINs向ST同伴特异性激活转换（S2期RST-ON细胞比例显著高于LNST-ON），且这种转换直接调控PNs的情绪编码——对照组中RNST-ON细胞向RST-ON转换的比例（20.9%-25.3%）远高于向LNST-ON（3.3%-9.2%），而抑制组转换比降至0.94，证明PVINs是情绪识别的核心调控节点。图3：抑制小白蛋白中间神经元（PVINs）抑制对受应激（ST）同伴的互动增加及锥体细胞表征综上，这项研究首次阐明岛叶无颗粒区小白蛋白中间神经元的核心功能：通过动态调节锥体细胞的社交与情绪目标偏好，实现对社交熟悉度和情绪识别的情境依赖性调控。这一发现不仅填补了岛叶皮层局部抑制性神经元调控社交行为的机制空白，更为自闭症、精神分裂症等伴随社交情绪障碍的疾病提供了新的神经靶点——这类疾病常存在PVINs功能异常，未来针对aIC的PVINs进行调控，或有望为社交障碍的干预提供新方向。参考文献： Fujima S, Sato M, Nakai N, Takumi T. Parvalbumin interneurons in the insular cortex control social familiarity and emotion recognition. Cell Rep. 2025;44(9):116085. doi:10.1016/j.celrep.2025.116085 本文仅用于学术分享，转载请注明出处。若有侵权，请联系微信：bioonSir 删除或修改！点击下方「阅读原文」，前往生物谷官网查询更多生物相关资讯~

临床结果

100 项与精蛋白牛胰岛素(Rezolute) 相关的药物交易

登录后查看更多信息

研发状态

10 条进展最快的记录,

后查看更多信息

适应症	最高研发状态	国家/地区	公司	日期
行为障碍	临床1期	美国	Sutro Biopharma, Inc.	2018-07-09
乳腺癌	临床1期	美国	Sutro Biopharma, Inc.	2018-07-09
生理性性功能障碍	临床1期	美国	Sutro Biopharma, Inc.	2018-07-09
1型糖尿病	临床1期	-	Rezolute, Inc.	-
1型糖尿病	临床1期	-	XOMA Royalty Corp.	-