Nat Neurosci | 意识深处藏着什么？对抗性AI攻克意识难题，指明意识恢复的神经计算路径|丘脑|皮层|神经元|神经节|纹状体|苍白球

一键关注，点亮星标 ⭐️ 前沿不走丢！

认知神经科学前沿文献分享

基本信息

Title:Adversarial AI reveals mechanisms and treatments for disorders of consciousness

发表时间：2026.3.24

发表期刊:Nature Neuroscience

影响因子：20.0

获取原文：

添加小助手:PSY-Brain-Frontier即可获取PDF版本

研究背景

意识是如何产生的，又是如何在昏迷等状态下消散的，这始终是脑科学与认知神经科学领域最迷人也最难解的谜题之一。对于昏迷、植物状态和微意识状态等意识障碍（DOC）患者，临床上目前主要依赖“中介环路假说”来理解其发病机制。该假说认为，广泛的前脑损伤会导致皮层、纹状体、苍白球和中央丘脑之间的大范围神经环路功能异常，进而削弱大脑的觉醒与意识水平。

然而，这一领域长期存在一个局限：由于缺乏合适的意识障碍实验模型，科学家一直难以在真实大脑中直接验证这些神经环路层面的理论，这也导致了深部脑刺激（DBS）等临床干预手段缺乏精准的靶点依据和机制解释。

为了打破这一僵局，Daniel Toker及其团队近期在Nature Neuroscience上发表了一项极具开创性的研究。他们巧妙地引入了生成对抗人工智能（AI）框架，将超过68万份跨越人类、猴子、老鼠和蝙蝠的真实神经电生理数据喂给深度神经网络，让其与具有生物物理学意义的计算神经模型进行“对抗”。通过这种无需显式人工编程的迭代进化，AI不仅在数字世界中逼真地重构了清醒与昏迷的大脑状态，还为理解无意识的底层神经机制以及寻找新的神经调控疗法提供了颠覆性的视角。

Fig. 1 | DCNN-based consciousness detection across species and brain regions.

研究核心总结

一、AI重构并拓展经典神经环路假说

研究表明，这套生成对抗AI模型在未经过显式编程的情况下，自动推演出了意识障碍患者大脑中已知的病理特征。结果显示，昏迷大脑中皮层对丘脑和纹状体的驱动减弱，同时纹状体至苍白球通路也发生了中断，这与经典的“中介环路假说”高度吻合。通过这种宏观的计算模拟，研究不仅证实了该假说的核心逻辑，还为后续揭示更微观的认知神经机制奠定了基础。

Fig. 2 | A generative AI model of the conscious thalamocortical–basal ganglia system.

二、发现大脑皮层抑制性突触的异常增强

研究发现了一个全新的无意识驱动机制，即大脑皮层中抑制性神经元之间的突触耦合出现了异常增强。为了验证这一前卫的理论预测，研究人员对急性创伤性昏迷患者的皮层组织进行了单核RNA测序分析。结果显示，在这些患者的快速发放型小白蛋白（PV）中间神经元中，与突触生成相关的VGF和SCG2基因表达显著上调。这一跨越计算脑网络建模与分子生物学的交叉验证，直击了意识丧失的微观神经机制。

Fig. 3 | An AI-driven mesocircuit model of DOC.

三、精准锁定基底神经节“间接通路”的选择性受损

结果显示，意识丧失还与基底神经节内部一条特定通路的断裂密切相关。AI模型预测，从表达D2受体的纹状体神经元投射到外部苍白球（GPe）的连接出现了选择性退化。研究团队随后通过对51名意识障碍患者的弥散张量成像（DTI）影像数据进行深入分析，证实了植物状态患者的左侧纹状体至外部苍白球的结构连通性确实显著降低。这种对特定通路受损的精准定位，为理解觉醒水平的持续下降提供了直接的结构解剖学证据。

Fig. 4 | Upregulation of cortical PV → PV synaptogenic genes, an AI-predicted driver of pathological unconsciousness, in acute traumatic coma and severe ischemic stroke.

四、发现唤醒意识的深部脑刺激新靶点

该研究不仅揭示了致病机制，更找到了极具潜力的临床干预策略。通过在数字大脑中模拟不同脑区和频率的深部脑刺激，AI模型识别出对丘脑底核（STN）进行高频刺激是恢复意识的最优干预手段。这一计算预测在随后的人类清醒患者脑电图数据中得到了初步的转化验证，接受高频丘脑底核刺激的患者，其AI预测的意识水平指数出现了显著的提升。

Fig. 5 | Structural connectivity between the striatum and the GPe is reduced in patients in a VS, matching AI predictions.

研究意义

该研究首创性地利用生成对抗AI框架，不仅在环路和分子层面上揭示了意识障碍的全新认知与神经病理机制，更精准锁定了丘脑底核作为恢复意识的潜在治疗靶点，为复杂脑系统科学的因果推断和脑机接口疗法开发开辟了全新的范式。

Fig. 6 | Effect of DBS on AI-predicted levels of consciousness.

Abstract

Understanding disorders of consciousness (DOC) remains one of the most challenging problems in neuroscience, hindered by the lack of experimental models for probing mechanisms or testing interventions. Here, to address this, we introduce a generative adversarial artificial intelligence (AI) framework that pits deep neural networks—trained to detect consciousness across more than 680,000 ten-second neuroelectrophysiology samples and validated on 565 patients, healthy volunteers and animals—against interpretable, machine learning-driven neural field models. This adversarial architecture produces biologically realistic simulations of both conscious and comatose brains that recapitulate empirical neurophysiological features across humans, monkeys, rats and bats. Without explicit programming, the AI model retrodicts known DOC responses to brain stimulation and generates testable predictions about the mechanisms of unconsciousness. Two such predictions are validated here: selective disruption of the basal ganglia indirect pathway, supported by diffusion magnetic resonance imaging in 51 patients with DOC, and increased cortical inhibitory-to-inhibitory synaptic coupling, supported by RNA sequencing of resected brain tissue from 6 human patients with coma and a rat stroke model. The model also identifies high-frequency stimulation of the subthalamic nucleus as a promising intervention for DOC, supported by electrophysiological data from human patients. This work introduces an AI framework for causal inference and therapeutic discovery in consciousness research, as well as in complex systems more broadly.