• 流感感染细胞中不同硫酸软骨素水平下的MEK/ERK信号通路及Bcl-2家族蛋白变化

  •硫酸神经节苷脂富集细胞表现出增强的流感病毒入侵后产生量。•U0126处理可降低ERK磷酸化和流感病毒产量。•较高的SulCOS1产量并未伴随HA/NP蛋白或RNA水平升高。•流感感染与Bim减少和Bcl-2家族蛋白变化相关。•Bax靶向肽增强MDCK细胞中A型和B型流感病毒

  来源：Journal of Molecular Biology

  时间：2026-09-26

• 脑脊液神经炎症生物标志物与阿尔茨海默病谱系中的淀粉样蛋白β42/40、tau 病理及认知功能障碍相关

  摘要神经炎症越来越多地与阿尔茨海默病（AD）相关联，但不同的脑脊液（CSF）炎症生物标志物与AD病理之间的关系仍不清楚。本研究考察了反映星形胶质细胞活化（GFAP）、小胶质细胞活化（TREM2）、系统性炎症（CRP）、TNF相关信号通路（TNFR2）以及炎症性蛋白水解（ADA

  来源：Immunologic Research

  时间：2026-09-26

• 分布式时代下的直接编码

  大规模记录和状态空间分析通过揭示神经群体活动中的低维结构，已经彻底改变了系统神经科学。然而，这些进步也带来了一个风险：它们可能会掩盖产生计算的神经生物学组织。我重新审视霍勒斯·巴洛关于直接编码与分布式编码的区分，并结合现代知觉决策的研究。起点是一个较老的观点：皮层信号是嘈杂的

  来源：Current Opinion in Neurobiology

  时间：2026-09-26

• COVID-19患者脑干亚区体积改变：对呼吸和觉醒通路的影响

  •COVID-19组的eTIV标准化SCP体积更大。•COVID-19组的VTA和PAG体积估计值更小•SCP的FA、AD、RD和MD值发生了变化。•在COVID-19组中，焦虑与中脑体积呈负相关。引言2019冠状病毒病（COVID-19）大流行对全球健康产生了深远影响（Po

  来源：Brain Research

  时间：2026-09-26

• 行走应对障碍物时的脑-运动行为耦合：系统综述

  •障碍物规避依赖于高级皮层资源，特别是前额叶皮层活动，以支持适应性行走。•神经系统疾病人群和老年人更容易表现出神经低效率，其特征是皮层激活增加但步态表现下降。•健康的年轻成人和老年人能够调动额外的前额叶资源来维持步态表现，支持了神经补偿模型。•任务特征，包括突发性障碍物和双重

  来源：Neuroscience & Biobehavioral Reviews

  时间：2026-09-26

• L2AF: 用于高效多智能体协作的图注意力调制学习自动机

  ## 摘要 多智能体强化学习（MARL）受到联合动作空间组合爆炸以及智能体间复杂依赖关系被忽视的阻碍，这严重妨碍了有效协调和准确的信用分配。为应对这些挑战，本文提出了一种新型框架，称为融合特征提取的轻量级学习自动机（L2AF），并与图注意力调制特征提取器（GAMFE）相结合

  来源：Neural Networks

  时间：2026-09-26

• 面向解释性视觉问答的上下文感知因果推理

  摘要 解释性视觉问答（Explanatory Visual Question Answering, EVQA）是一项多模态推理任务，旨在回答与视觉相关的自然语言问题，并生成易于用户理解的多模态解释。尽管当前的EVQA方法能够生成语法正确且用词恰当的解释，但它们仍面临解释幻觉的

  来源：Neural Networks

  时间：2026-09-26

• 前景引导的双分支学习：面向稀疏 4D 雷达的 3D 目标检测

  摘要4D 成像雷达提供了长距离感知和多普勒速度测量能力，同时在夜间场景和雨雪雾等恶劣天气条件下保持了强大的鲁棒性。这些优势使其成为自动驾驶 3D 感知中一种有前途的传感器。然而，由于雷达成像机制，4D 雷达点云通常高度稀疏且分布不均匀，并且经常受到背景杂波和孤立噪声点的污染。

  来源：Neural Networks

  时间：2026-09-26

• HAD-MSF: 结合状态空间与图建模的多域神经融合用于高光谱异常检测

  •HAD-MSF 联合建模空间、光谱和频率结构。•AdaWAT 学习具有任务自适应能力的类小波频率分解。•SF-Mamba 和 SSGCN 捕获长距离依赖以及空间-光谱依赖关系。•自适应门控机制融合互补分支以实现无监督重建。•HAD-MSF 以较低的算术复杂度实现了具有竞争力

  来源：Neural Networks

  时间：2026-09-26

• HieFormer：利用双曲几何克服Transformer的层次表达能力限制

  摘要：3D实例分割需要在精细的几何判别能力之外，还对现实世界对象和场景的层次化组织进行有效表征。然而，传统的Transformer架构主要在欧几里得空间中操作，其体积呈多项式增长，可能与具有强树状结构的数据匹配不佳，并可能在杂乱场景中导致特征拥挤。我们提出了HieFormer

  来源：Neural Networks

  时间：2026-09-26

知名企业招聘：