• 肠道微生物表达的硫酸转移酶可硫酸化25-羟基维生素D3并促进抑郁

  •大肠杆菌（*Escherichia coli*）来自抑郁症患者，能够降解25[OH]D3。•大肠杆菌中的磺基转移酶可将25[OH]D3磺化为25[OH]D3-3-硫酸酯。•25[OH]D3水平下降及25[OH]D3-3-硫酸酯的产生可能诱导抑郁样行为。•抑郁症患者中大肠杆菌

  来源：Brain, Behavior, and Immunity

  时间：2026-10-06

• 饮食中的advanced glycation end products（晚期糖基化终产物）通过影响肠道微生物群中的色氨酸代谢，进而与大鼠雄性小鼠出现类似焦虑和抑郁的行为有关

  • 饮食中的高级糖基化终产物（AGEs）与小鼠的焦虑和抑郁行为有关。 • AGEs与肠道微生物

  来源：Brain, Behavior, and Immunity

  时间：2026-10-06

• 来自光果甘草（Glycyrrhiza glabra L.）的光甘草定和光甘草醇作为人5-羟色胺转运体的天然协同调节剂：来自分子对接、分子模拟及机器学习定量构效关系模型的证据

  •来自甘草（Glycyrrhiza glabra L.）的植物化合物总黄酮和异黄酮在计算机模拟中显示出对血清素转运体（SERT）的良好亲和力，可被视为生成高亲和力小分子选择性血清素再摄取调节剂的潜在先导支架。•配体结合复合物的分子动力学模拟确认了血清素转运体（SERT）在外向

  来源：Neurochemistry International

  时间：2026-10-06

• 雌二醇调节雌性大鼠在可卡因戒断期间L型钙通道依赖的社会行为缺陷

  摘要 可卡因戒断期间的社交退缩是复吸的重要预测因素，然而其潜在的神经内分泌机制仍知之甚少，尤其是在雌性中。雌二醇是一种强大的中脑皮层-边缘系统环路神经调节因子，调节编码社交动机的多巴胺依赖性过程。L型钙

  来源：Journal of Neuroendocrinology

  时间：2026-10-06

• 音猬因子通过调控DRP1依赖性小胶质细胞焦亡减轻缺血性脑损伤

  摘要背景小胶质细胞焦亡在缺血性卒中后的神经炎症中发挥着关键作用。虽然小骨形态发生蛋白（SHH）信号通路已被证明在中脑缺血中具有神经保护作用，但SHH是否调节小胶质细胞焦亡及其潜在机制仍 largely 不清楚。方法采用酶联免疫吸附测定法（ELISA）分析急性缺血性卒中（AIS

  来源：Neurochemical Research

  时间：2026-10-06

• 双响应水凝胶通过栀子苷和锶离子实现对神经-骨轴的综合调控以促进骨缺损修复

  • 开发了一种温敏且pH响应的STGF水凝胶，实现了对骨修复所需栀子苷和锶离子的顺序递送。 • 将草药小分子药物和生物活性离子整合到一个双重响应平台中，以调节骨修复微环境。 • 揭示了栀子苷通过PI3K/Akt/GSK-3β通路增强雪旺细胞介导的神经营养支持，并促进BDNF分

  来源：Biomaterials Advances

  时间：2026-10-06

• 面部情绪主动编码中的有效连接：一项动态因果模型研究

  摘要既往研究已识别出参与面部表情情绪内容主动编码（ECFEs）的脑区；然而，对于这些脑区在功能网络内如何相互作用，目前所知甚少。本研究从62名执行延迟匹配样本任务的健康大学生中记录了脑电图数据，在该任务中，面部表情同时充当编码刺激和干扰刺激。研究者应用动态因果建模来检验双侧下

  来源：Experimental Brain Research

  时间：2026-10-06

• 提升 RVFL 网络：一个抗异常值的学习框架

  • 提出了基于AdaBoost的随机向量功能链接网络（AD-RVFL），以减轻异常值对分类的影响。• AD-RVFL-R将该框架扩展至回归任务，提升了泛化能力。• 提出了基于AdaBoost且采用传统指数损失的RVFL网络CAD-RVFL。• 在UCI数据集上的数值实验表明，

  来源：Neural Networks

  时间：2026-10-06

• 面向跨域诊断的分层故障特征知识迁移仿生零样本学习方法

  摘要复杂机械系统的故障诊断方法通常面临适应未知故障类型和变化工作条件的挑战。现有方法往往存在跨域适应性有限和零样本识别能力薄弱的问题。为克服这些局限，本文提出了一种仿生零样本学习框架，该框架融合了分层故障特征知识迁移与域适应技术。通过设计仿生网络来量化域间差异并生成可迁移的域

  来源：Neural Networks

  时间：2026-10-06

• 带数据约束的物理信息混合神经网络：Lorenz63案例研究

  摘要 物理信息神经网络（PINNs）是一种将物理先验知识融入神经网络的混合建模方法。通过将控制方程编码为损失函数中的软约束项，该方法实现了数据驱动方法与物理定律的有机结合。PINNs 在数据稀缺、高维空间和多物理耦合等复杂场景中表现出显著优势。然而，现有研究指出 PINNs

  来源：Neural Networks

  时间：2026-10-06

知名企业招聘：