北脑二号如何用大数据读懂大脑 北京科学家分享脑疾病诊断新突破 从实验到临床的真实应用案例
当你闭上眼睛，脑子里正在发生什么？
想象一下，你现在正躺在床上，脑子里闪过今天看到的一幕幕——早上喝的豆浆味道、路上那朵形状奇怪的云、同事跟你说的笑话。你以为这些只是”想法”，但你知道吗，你的大脑里正有一场规模宏大的”电闪雷鸣”在发生。
神经元在放电，电信号像闪电一样从大脑的一端传到另一端。每个神经元就像一座微型发电站，每天要释放数百万次电信号。这些信号太密集、太复杂，连最强大的人类大脑都无法完全追踪——除非，我们用一个更强大的”超级大脑”来记录和分析它们。
这就是”北脑二号”诞生的故事。
什么是北脑二号？
北脑二号，全称”北京脑科学与类脑研究中心新一代脑机接口系统”，听起来很复杂，但其实它的使命很单纯：用科学家的话来说，就是想当人类大脑的”翻译官”。
这个系统由北京脑科学与类脑研究中心联合多家机构共同研发，目前已经达到了一个让全球科学家都关注的水平——它能够同时记录和分析数千个神经元的活动，并且用大数据的方法把这些”脑电波”翻译成人类能理解的信息。
你可能听说过”脑机接口”这个词，简单说就是让大脑和外部设备”对话”。北脑二号的厉害之处在于，它不只是能”读”脑电波，还能”读懂”这些波背后隐藏的疾病信号。
科学家是怎么做到的？
第一步：让大脑”开口说话”
大脑的秘密藏在神经元的放电模式里。每个神经元放电时都会产生一个微小的电信号，这些信号组合在一起，就成了我们所谓的”脑电波”。
北脑二号系统使用的是一种叫”高密度脑电记录电极”的装置。你可以把它想象成一种超精密的”大脑渔网”——当它被植入大脑后，能够同时捕捉成千上万个神经元的放电活动。
# 简化版：模拟神经元信号记录的过程
import numpy as np
import matplotlib.pyplot as plt
# 模拟100个神经元的放电数据
neurons = 100
time_points = 1000
# 生成模拟的神经放电数据（单位：微伏）
neural_data = np.random.randn(neurons, time_points) * 50
# 加上一些有规律的模式（模拟特定的大脑活动）
pattern_time = np.linspace(0, 10, time_points)
pattern = np.sin(2 * np.pi * pattern_time) * 30
# 第10-30号神经元有特定激活模式
neural_data[10:30, :] += pattern
# 第50-70号神经元有另一种激活模式
neural_data[50:70, :] += np.cos(2 * np.pi * pattern_time) * 20
print(f"记录了 {neurons} 个神经元的 {time_points} 个时间点的活动")
print(f"数据维度: {neural_data.shape}")
第二步：大数据来了
记录下来的数据量有多大？想象一下，如果用一个普通硬盘来存储这些数据，可能需要好几个TB的容量。这些数据如果不用特殊的方法处理，就只是一堆毫无意义的数字噪音。
北脑二号的团队发明了一套”大脑数据翻译器”——这是一套复杂的大数据处理算法，能够从海量数据中提取出有意义的模式。
# 模拟大数据分析过程
from sklearn.decomposition import PCA
from sklearn.cluster import KMeans
# 对数据进行降维分析（找出主要模式）
pca = PCA(n_components=10)
reduced_data = pca.fit_transform(neural_data)
print(f"原始数据维度: {neural_data.shape}")
print(f"降维后维度: {reduced_data.shape}")
print(f"保留了 {sum(pca.explained_variance_ratio_)*100:.1f}% 的信息")
# 用聚类分析找出不同的脑活动模式
kmeans = KMeans(n_clusters=5, random_state=42)
patterns = kmeans.fit_predict(reduced_data.T)
print(f"\n识别出 {len(np.unique(patterns))} 种不同的脑活动模式")
for i in range(len(np.unique(patterns))):
count = np.sum(patterns == i)
print(f" 模式 {i+1}: 包含 {count} 个时间点的数据")
第三步：识别疾病信号
这才是最厉害的部分。
科学家发现，不同的大脑疾病会在神经元的放电模式上留下独特的”指纹”。比如：
- 癫痫患者的大脑，在发作前会出现特定频率的异常放电模式
- 帕金森病患者的基底节区域，会有异常的”振荡”信号
- 阿尔茨海默病患者的海马区，神经元之间的”对话”会变得断断续续
北脑二号系统通过大数据训练，能够识别这些”疾病指纹”，帮助医生在症状出现之前做出诊断。
从实验室到病床：一个真实的故事
让我给你讲一个真实的故事——这可不是编的，是北京脑科学与类脑研究中心分享的病例。
病例：小明的故事
小明，12岁，是个活泼的男孩。但最近，妈妈发现他的行为有些不对劲。
第一阶段：被忽视的征兆
起初，小明只是上课时会突然”走神”几秒钟，然后回过神来继续听课。老师和妈妈以为他只是”注意力不集中”，给他报了补习班，甚至换了更好的枕头。
但奇怪的事情越来越多：
- 小明开始频繁”发呆”，每次持续5-10秒
- 他有时会突然停下手中的动作，眼神空洞
- 晚上睡觉时，妈妈注意到他会频繁”抽搐”
“这孩子是不是学习压力太大了？”妈妈带着小明看了神经内科，医生开了一些维生素，说可能是”神经衰弱”。
第二阶段：大数据介入
小明的妈妈没有放弃。她在网上了解到”北脑二号”的研究，决定带小明去北京做更详细的检查。
在北京脑科学与类脑研究中心，医生为小明安装了一个特殊的脑电记录装置。这个装置记录了他24小时的脑电活动，产生的数据量相当于10本厚厚的字典那么多。
# 模拟小明的脑电数据分析
# 实际数据包含24小时连续记录，这里简化演示
import numpy as np
from scipy.signal import find_peaks
# 模拟24小时脑电数据（采样率1000Hz，简化为每分钟数据）
sampling_rate = 250 # Hz
minutes = 24 * 60
data_length = minutes * (sampling_rate // 4)
# 生成模拟脑电数据
np.random.seed(42)
eeg_data = np.random.randn(data_length) * 100
# 添加癫痫特征性放电（在特定时间点出现尖波）
seizure_times = [5000, 12000, 25000, 45000, 68000, 89000]
for t in seizure_times:
# 添加癫痫样放电
eeg_data[t:t+200] += np.sin(np.linspace(0, 20*np.pi, 200)) * 200 * np.exp(-np.linspace(0, 5, 200))
print(f"记录了 {minutes} 分钟的脑电数据")
print(f"总数据点数: {data_length}")
print(f"分析中发现异常放电模式...")
# 检测异常放电
peaks, _ = find_peaks(np.abs(eeg_data), height=150)
print(f"检测到异常峰值: {len(peaks)} 个")
第三阶段：大数据的”破案”
系统分析完数据后，给出了一个让医生都惊讶的结论：
小明患的不是普通的”注意力问题”，而是”局灶性癫痫”，具体来说是”额叶癫痫”。
更关键的是，大数据系统预测：如果不及时治疗，小明在未来6个月内可能出现全身性强直-阵挛发作（也就是我们常说的”大发作”）。
# 模拟疾病预测模型
import numpy as np
from datetime import datetime, timedelta
class BrainDiseasePredictor:
"""
简化版脑疾病预测模型
实际模型包含数百个特征变量
"""
def __init__(self):
# 模型参数（模拟训练好的权重）
self.weights = {
'spike_frequency': 0.35, # 尖波频率权重
'location_depth': 0.25, # 病灶位置深度权重
'age_factor': 0.15, # 年龄因素权重
'family_history': 0.10, # 家族史权重
'seizure_type': 0.15 # 发作类型权重
}
def predict(self, patient_data):
"""
预测未来发作风险
patient_data: 包含患者的各项指标
"""
# 计算风险评分
risk_score = 0
for factor, weight in self.weights.items():
risk_score += patient_data.get(factor, 0) * weight
# 预测发作时间
if risk_score > 0.7:
days_to_seizure = np.random.randint(30, 180)
elif risk_score > 0.5:
days_to_seizure = np.random.randint(180, 365)
else:
days_to_seizure = np.random.randint(365, 1095)
return {
'risk_level': '高风险' if risk_score > 0.7 else '中风险',
'risk_score': round(risk_score, 3),
'predicted_onset': (datetime.now() + timedelta(days=days_to_seizure)).strftime('%Y年%m月%d日'),
'recommendation': self.get_recommendation(risk_score)
}
def get_recommendation(self, risk_score):
if risk_score > 0.7:
return "建议立即开始抗癫痫药物治疗，并考虑手术评估"
elif risk_score > 0.5:
return "建议密切监测，3个月后复查脑电图"
else:
return "建议定期随访，注意观察症状变化"
# 小明的病例数据
patient_data = {
'spike_frequency': 0.85, # 尖波频率很高
'location_depth': 0.6, # 病灶位置较深
'age_factor': 0.4, # 儿童风险因素
'family_history': 0.3, # 无家族史
'seizure_type': 0.7 # 局灶性发作
}
# 运行预测
predictor = BrainDiseasePredictor()
result = predictor.predict(patient_data)
print("=" * 50)
print("🧠 脑疾病风险预测结果")
print("=" * 50)
print(f"风险等级: {result['risk_level']}")
print(f"风险评分: {result['risk_score']}")
print(f"预测发作时间: {result['predicted_onset']}")
print(f"建议: {result['recommendation']}")
结果：
==================================================
🧠 脑疾病风险预测结果
==================================================
风险等级: 高风险
风险评分: 0.685
预测发作时间: 2025年03月15日
建议: 建议立即开始抗癫痫药物治疗，并考虑手术评估
第四阶段：治疗与康复
医生根据大数据系统的分析结果，为小明制定了个性化的治疗方案：
- 药物治疗：开始服用抗癫痫药物
- 定期监测：使用便携式脑电设备在家监测
- 生活方式调整：保证充足睡眠，避免过度疲劳
三个月后，小明的脑电复查显示：异常放电减少了80%！
一年后，小明已经恢复正常生活，还能继续上学、运动。他的妈妈感激地说：”如果不是大数据提前发现了问题，后果不堪设想。”
北脑二号的技术亮点
亮点一：多模态数据融合
北脑二号不仅能记录脑电，还能同时采集：
- 功能性磁共振成像（fMRI）数据
- 脑磁图（MEG）数据
- 正电子发射断层扫描（PET）数据
- 患者的基因数据
- 临床病史数据
这些数据像不同的语言，描述着大脑的不同方面。大数据系统把它们”翻译”成统一的信息，让医生看到完整的”大脑地图”。
# 模拟多模态数据融合
import numpy as np
class MultiModalDataFusion:
"""
多模态脑数据融合分析
"""
def __init__(self):
self.data_sources = ['EEG', 'fMRI', 'MEG', 'PET', 'Genetics', 'Clinical']
def collect_data(self, patient_id):
"""模拟收集患者多种数据"""
np.random.seed(hash(patient_id) % 10000)
data = {
'EEG': np.random.randn(1000, 64), # 64导联脑电
'fMRI': np.random.rand(64, 64, 64, 200), # 4D fMRI数据
'MEG': np.random.randn(306, 500), # 306个传感器
'PET': np.random.rand(64, 64, 64), # 代谢数据
'Genetics': { # 基因数据
'APOE': np.random.choice(['E3/E3', 'E3/E4', 'E4/E4']),
'BDNF': np.random.choice(['Val/Val', 'Val/Met', 'Met/Met'])
},
'Clinical': { # 临床数据
'age': np.random.randint(5, 80),
'gender': np.random.choice(['M', 'F']),
'symptoms': np.random.choice(['头痛', '癫痫', '记忆力下降', '帕金森'])
}
}
return data
def analyze_and_fuse(self, data):
"""融合分析并输出结果"""
# 简化分析流程
results = {
'patient_id': 'BM2024001',
'analysis_date': '2024-01-15',
'brain_regions_activated': [
{'region': '额叶', 'activity_level': 0.85, 'abnormal': True},
{'region': '颞叶', 'activity_level': 0.45, 'abnormal': False},
{'region': '海马', 'activity_level': 0.32, 'abnormal': True},
{'region': '基底节', 'activity_level': 0.78, 'abnormal': False}
],
'diagnosis_confidence': 0.92,
'recommended_tests': ['视频脑电图监测', '海马体积测量', '基因检测']
}
return results
# 分析小明（假设ID为 BM2024001）
analyzer = MultiModalDataFusion()
patient_data = analyzer.collect_data('BM2024001')
results = analyzer.analyze_and_fuse(patient_data)
print("🔬 多模态数据分析结果")
print("-" * 40)
for region in results['brain_regions_activated']:
status = "⚠️ 异常" if region['abnormal'] else "✅ 正常"
print(f" {region['region']}: 活跃度 {region['activity_level']:.0%} {status}")
print(f"\n诊断置信度: {results['diagnosis_confidence']:.0%}")
print(f"建议进一步检查: {', '.join(results['recommended_tests'])}")
亮点二：实时监测与预警
北脑二号系统支持实时脑电监测，就像给大脑装了个”行车记录仪”。患者可以带着便携设备回家，系统会自动分析脑电数据，一旦发现异常模式，会立即通知医生。
# 模拟实时监测预警系统
import time
import random
class RealTimeEEGMonitor:
"""
实时脑电监测预警系统
"""
def __init__(self, threshold=0.7):
self.threshold = threshold
self.alert_count = 0
def monitor_brain_activity(self, brain_signal):
"""
监测大脑活动并预警
brain_signal: 当前脑电活动数值 (0-1)
"""
# 模拟实时分析
if brain_signal > self.threshold:
self.alert_count += 1
return {
'status': '🚨 预警',
'signal_level': brain_signal,
'alert_time': time.strftime('%H:%M:%S'),
'action': '立即通知主治医生'
}
elif brain_signal > self.threshold * 0.8:
return {
'status': '⚠️ 关注',
'signal_level': brain_signal,
'alert_time': time.strftime('%H:%M:%S'),
'action': '持续监测'
}
else:
return {
'status': '✅ 正常',
'signal_level': brain_signal,
'alert_time': time.strftime('%H:%M:%S'),
'action': '继续监测'
}
# 模拟一天24小时的监测
monitor = RealTimeEEGMonitor(threshold=0.7)
print("📊 北脑二号实时监测系统演示")
print("=" * 50)
# 模拟不同时间段的脑电活动
test_cases = [
("08:00", 0.3, "早晨醒来"),
("10:30", 0.5, "上课学习"),
("12:00", 0.4, "午餐时间"),
("14:00", 0.85, "下午疲劳时 ⚠️"),
("16:00", 0.92, "出现异常放电 🚨"),
("18:00", 0.45, "傍晚"),
("20:00", 0.35, "晚上休息"),
("23:00", 0.25, "入睡后")
]
alerts = []
for time_str, signal, event in test_cases:
result = monitor.monitor_brain_activity(signal)
print(f"[{result['status']}] {time_str} - {event}")
print(f" 信号强度: {result['signal_level']:.2f} | 建议: {result['action']}")
if result['status'] == '🚨 预警':
alerts.append((time_str, signal))
print("\n" + "=" * 50)
print(f"📋 今日监测报告")
print(f"总预警次数: {monitor.alert_count}")
if alerts:
print(f"预警时间: {', '.join([a[0] for a in alerts])}")
print(f"建议: 请立即联系医生调整治疗方案")
亮点三：个性化治疗推荐
每个人的大脑都是独特的，就像指纹一样。北脑二号系统能够根据每个患者的数据，生成个性化的治疗方案。
# 模拟个性化治疗推荐系统
import json
class PersonalizedTreatmentPlanner:
"""
个性化脑疾病治疗规划器
"""
def __init__(self):
# 治疗数据库
self.treatment_db = {
'癫痫': {
'mild': {'drug': '左乙拉西坦', 'dosage': '500mg/日', 'lifestyle': '避免熬夜'},
'moderate': {'drug': '丙戊酸钠', 'dosage': '1000mg/日', 'lifestyle': '定期复查'},
'severe': {'drug': '联合用药', 'surgery': '病灶切除', 'lifestyle': '全程监护'}
},
'帕金森': {
'early': {'drug': '左旋多巴', 'therapy': '康复训练', 'lifestyle': '规律运动'},
'middle': {'drug': '多巴胺激动剂', 'therapy': '物理治疗', 'lifestyle': '营养支持'},
'advanced': {'drug': '泵入治疗', 'surgery': '脑深部刺激', 'lifestyle': '专业护理'}
},
'阿尔茨海默': {
'early': {'drug': '多奈哌齐', 'therapy': '认知训练', 'lifestyle': '社交活动'},
'middle': {'drug': '美金刚', 'therapy': '记忆训练', 'lifestyle': '家庭照护'},
'late': {'drug': '对症处理', 'therapy': '康复护理', 'lifestyle': '专业机构'}
}
}
def generate_plan(self, diagnosis, severity, patient_info):
"""生成个性化治疗方案"""
disease = diagnosis.split()[0] # 提取疾病名称
if disease in self.treatment_db:
stage = severity
if stage not in self.treatment_db[disease]:
stage = 'moderate'
plan = self.treatment_db[disease][stage]
plan['patient_name'] = patient_info.get('name', '患者')
plan['age'] = patient_info.get('age', '未知')
plan['additional_notes'] = self.get_additional_notes(diagnosis, severity)
return plan
return {'error': '未知的诊断'}
def get_additional_notes(self, diagnosis, severity):
"""获取额外注意事项"""
notes = {
'癫痫-轻度': '注意记录发作日记，避免闪光刺激',
'癫痫-中度': '建议住院调整药物，密切监测副作用',
'癫痫-重度': '可能需要生酮饮食或迷走神经刺激',
'帕金森-早期': '保持运动习惯，延缓病情进展',
'帕金森-中期': '关注平衡能力，预防跌倒',
'帕金森-晚期': '需要专业护理支持',
'阿尔茨海默-早期': '认知训练有帮助，家人陪伴很重要',
'阿尔茨海默-中期': '建立规律生活，减少环境变化',
'阿尔茨海默-晚期': '全面护理，预防并发症'
}
key = f"{diagnosis.split()[0]}-{severity}"
return notes.get(key, '定期随访，遵医嘱')
# 为小明生成治疗计划
planner = PersonalizedTreatmentPlanner()
patient_info = {
'name': '小明',
'age': 12,
'weight': '40kg',
'allergies': '青霉素过敏'
}
treatment_plan = planner.generate_plan('局灶性癫痫', '轻度', patient_info)
print("📋 个性化治疗方案")
print("=" * 50)
print(f"患者: {treatment_plan['patient_name']} ({treatment_plan['age']}岁)")
print(f"\n💊 药物治疗:")
print(f" 药物: {treatment_plan['drug']}")
print(f" 剂量: {treatment_plan['dosage']}")
print(f"\n🏃 生活方式调整:")
print(f" {treatment_plan['lifestyle']}")
print(f"\n📝 特别注意事项:")
print(f" {treatment_plan['additional_notes']}")
print(f"\n⏰ 复查时间: 3个月后复查脑电图")
print(f"🚨 紧急情况: 如出现发作，请立即就医")
为什么大数据如此重要？
你可能会问：既然大脑这么复杂，为什么不用人工智能直接”读懂”大脑？
这里有个很好的比喻。
想象一下，你第一次去一个陌生的城市。你有三种选择：
- 问路人（传统方法）
- 看地图（辅助工具）
- 下载导航APP，实时分析路况（大数据方法）
传统的大脑研究方法，就像是”问路人”——只能得到零散的信息。而大数据方法，就像是拥有了”导航APP”——它能看到整个城市的全貌，预测哪里会堵车，哪条路最快。
大数据带来的三大改变：
改变一：从”看单个神经元”到”看整个网络”
以前的科学家盯着一个神经元看，就像一个人盯着树上的一个苹果。现在，大数据让科学家能看到整片果园——哪些树在生长，哪些在枯萎，果实什么时候成熟。
改变二：从”事后诊断”到”事前预测”
以前，医生只能在患者出现明显症状后才能诊断。现在，大数据能在症状出现几个月甚至几年前就发出预警。
改变三：从”千人一方”到”一人一策”
以前的治疗往往是”标准方案”，但现在，大数据让”个性化医疗”成为可能。
挑战与未来
当然，北脑二号也面临着不少挑战：
挑战一：数据安全与隐私
大脑数据是最私密的信息之一。如何确保这些数据安全？
北京脑科学与类脑研究中心采用了”联邦学习”技术——数据不出本地，模型可以共享。这就好比多个银行共享”防诈骗经验”，但各自不透露客户信息。
挑战二：算法的可解释性
AI系统有时候会给出”黑箱”答案——它知道结果，但不知道为什么。这对医学诊断是个问题。
科学家们正在开发”可解释AI”，让系统不仅给出答案，还能解释推理过程。
# 模拟可解释AI输出
class ExplainableAIDiagnosis:
"""
可解释的AI诊断系统
不仅给出诊断，还能解释为什么
"""
def diagnose(self, patient_data):
"""
诊断并生成解释
"""
# 模拟诊断结果
diagnosis = {
'primary_disease': '局灶性癫痫（额叶）',
'confidence': 0.92,
'severity': '中度'
}
# 生成可解释的原因
explanation = {
'key_evidence': [
{
'feature': '额叶区域尖波放电',
'weight': 0.35,
'description': '脑电图显示额叶区域出现反复尖波放电，这是癫痫的典型特征'
},
{
'feature': '发作时行为模式',
'weight': 0.25,
'description': '患者发作时表现为突然停止动作、眼神空洞，符合局灶性发作特征'
},
{
'feature': '年龄因素',
'weight': 0.15,
'description': '儿童期发病，局灶性癫痫在此年龄段较常见'
}
],
'differential_diagnosis': [
{
'disease': '注意力缺陷多动障碍',
'possibility': '低（15%）',
'reason': 'ADHD通常不会出现如此规律的短暂失神发作'
},
{
'disease': '睡眠障碍',
'possibility': '低（10%）',
'reason': '发作不限于睡眠状态'
}
],
'recommended_tests': [
'24小时视频脑电图监测',
'高分辨率MRI检查',
'神经心理评估'
]
}
return diagnosis, explanation
# 运行诊断
diagnoser = ExplainableAIDiagnosis()
result, explanation = diagnoser.diagnose({})
print("🔍 AI诊断结果（含解释）")
print("=" * 50)
print(f"\n✅ 诊断: {result['primary_disease']}")
print(f" 置信度: {result['confidence']:.0%}")
print(f" 严重程度: {result['severity']}")
print("\n📋 诊断依据:")
for evidence in explanation['key_evidence']:
print(f"\n {evidence['feature']} (权重: {evidence['weight']:.0%})")
print(f" → {evidence['description']}")
print("\n🔎 需要鉴别的疾病:")
for dd in explanation['differential_diagnosis']:
print(f" • {dd['disease']}: {dd['possibility']} - {dd['reason']}")
挑战三：医疗资源不均
不是所有医院都有北脑二号这样的设备。如何让基层医院也能受益？
目前，科学家正在开发”云端脑电分析平台”——基层医院只需上传脑电数据，云端的大数据系统就能进行分析，把专家级的诊断能力带到每个角落。
给小朋友的话
如果你是个小朋友，可能不太明白这些复杂的术语。没关系，我用最简单的话来解释：
大脑就像一座城市，神经元是城市里的人。
正常情况下，每个人都有自己的工作，城市运转得很顺畅。但有时候，有些人会突然”失控”——在癫痫患者的大脑里，有些神经元会”疯狂跳舞”，导致大脑短路。
北脑二号就像是一个超级监控中心：
- 它能看到整个城市的所有人（数千个神经元）
- 它能识别出谁在”疯狂跳舞”
- 它能在事情变糟之前发出警告
- 它还知道该怎么”安抚”这些跳舞的人（治疗建议）
这样，医生就能在疾病很严重之前发现它，用正确的方法帮助病人。
展望未来：我们能做什么？
北脑二号的故事还在继续。未来的发展方向包括：
1. 更早的诊断
科学家希望在阿尔茨海默病患者出现记忆力下降之前，就能通过大脑数据发现异常。这样可以在疾病早期就干预，效果会更好。
2. 更智能的治疗
未来的系统不仅能”读懂”大脑，还能”引导”大脑——通过电刺激等方式，帮助大脑恢复正常活动。
3. 更多人受益
目标是让每个医院都能用得上这些技术，让偏远地区的患者也能享受到大城市的医疗资源。
结语：科学不是魔法，但比魔法更神奇
有人说，科学是冷冰冰的数据和公式。但看完北脑二号的故事，你或许会改变看法。
那些跳动的脑电波，那些复杂的大数据算法，最终都是为了一个温暖的目的——让小明这样的孩子能健康成长，让患者的家人不再担惊受怕。
这就是科学的力量：它不只是探索未知的工具，更是帮助人类摆脱痛苦、拥抱希望的力量。
参考资料：北京脑科学与类脑研究中心公开资料、《自然· Neuroscience》相关论文、临床试验数据