大模型（Foundation Models）是通過自監(jiān)督或半監(jiān)督學(xué)習(xí)，在大規(guī)模、多樣化的未標(biāo)注數(shù)據(jù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型。這些模型具備廣泛的通用性，能夠適應(yīng)自然語言處理、計(jì)算機(jī)視覺、語音識(shí)別等多種下游任務(wù)。大模型的提出標(biāo)志著人工智能系統(tǒng)構(gòu)建方式的重大革新。

有趣的是，合成生物學(xué)的研究方法和大模型的思路不謀而合。在大模型得到完善后，合成生物學(xué)學(xué)者利用這個(gè)優(yōu)勢(shì)，解決了很多以往傳統(tǒng)研究方法無法高效解決的難題，比如對(duì)于蛋白質(zhì)結(jié)構(gòu)的研究。然而，在神經(jīng)科學(xué)領(lǐng)域，類似的進(jìn)展尚未實(shí)現(xiàn)。那么，合成生物學(xué)中的經(jīng)驗(yàn)是否可以被應(yīng)用到神經(jīng)科學(xué)的領(lǐng)域？大模型是否能夠幫助神經(jīng)科學(xué)突破過往的界限，大放異彩？

或許你對(duì)大模型的機(jī)制并不熟悉。那么讓我們來舉一個(gè)大模型中最廣為人知的例子：語言模型（Language Model, LM）。語言模型就是專門處理自然語言任務(wù)的大模型。但是這一框架可以拓展到除了自然語言之外的其他范式（paradigms）中，在語言模型的語境中，任何可被離散化為“詞元（token）”的數(shù)據(jù)類型均可納入框架之中。

比如，ESM（Evolutionary Scale Modeling）是一種研究蛋白質(zhì)的語言模型，通過將氨基酸殘基視為詞元，然后學(xué)習(xí)序列規(guī)律來建模蛋白質(zhì)的功能。此外，像 HyenaDNA這樣的基因組語言模型，能夠處理百萬級(jí)別堿基長(zhǎng)度的DNA，并從中提取復(fù)雜信息；還有如Evo 2這樣的多模態(tài)模型，能夠同時(shí)理解DNA、RNA 和蛋白質(zhì)的跨模態(tài)關(guān)系。

這種可遷移性來源于蛋白質(zhì)結(jié)構(gòu)和語言結(jié)構(gòu)的高度相似性。語言的特征有很多，但是其中最相關(guān)的幾種有：任意性（Arbitrariness）、可交替性（Interchangeablility）、創(chuàng)新性（Productivity）、離散性（Discreteness）。具體來說，我們說的每一句話都是單個(gè)要素（比如音素，語素）根據(jù)人為制定的規(guī)則形成的有限組合。而蛋白質(zhì)的形成也十分類似。

然而，這種思維模式或許并不完全適用于將基礎(chǔ)模型用于神經(jīng)科學(xué)的情境——它過于聚焦于某一個(gè)龐大、單一的模型本體（如語言模型范式），而忽略了支撐其運(yùn)作的整個(gè)生態(tài)系統(tǒng)（如標(biāo)準(zhǔn)化的數(shù)據(jù)平臺(tái)）。我們不妨來深入剖析一下這個(gè)問題。

?大模型機(jī)制的簡(jiǎn)略示意圖。 @ Patrick Mineault

大模型與合成生物學(xué)

蛋白質(zhì)對(duì)大部分人來說都是一個(gè)相當(dāng)日常的概念，比如現(xiàn)在常說的“高蛋白低碳水飲食”。但科學(xué)界對(duì)蛋白質(zhì)的理解仍然不足，就算在21世紀(jì)的今天，蛋白質(zhì)仍是合成生物學(xué)和計(jì)算生物學(xué)的核心研究對(duì)象。

蛋白質(zhì)的研究挑戰(zhàn)主要源于其序列和空間結(jié)構(gòu)都包含著巨大的不確定性。蛋白質(zhì)由20種氨基酸組成，而即使是一條長(zhǎng)度為100的肽鏈，其理論上可能的序列組合數(shù)就達(dá)到20^100，遠(yuǎn)遠(yuǎn)大于宇宙中原子的總數(shù)。除了序列排列組合的多樣性，每一條氨基酸序列，都有可能折疊成不同的三維結(jié)構(gòu)。所以，科學(xué)家們不僅要關(guān)注蛋白質(zhì)的氨基酸序列，還要關(guān)注它們的三維結(jié)構(gòu)、生物活性以及與其他分子的相互作用。

獲得諾貝爾獎(jiǎng)的AlphaFold項(xiàng)目的重要之處就在于，它可以根據(jù)蛋白質(zhì)的序列精準(zhǔn)預(yù)測(cè)其三維結(jié)構(gòu)。這項(xiàng)技術(shù)的突破，得益于過去幾十年科學(xué)家通過冷凍電鏡（cryo-EM）、X射線晶體學(xué)等技術(shù)對(duì)蛋白質(zhì)結(jié)構(gòu)的細(xì)致研究，并將這些研究成果匯集于如PDB（蛋白質(zhì)數(shù)據(jù)庫）等的大型數(shù)據(jù)庫中，使這些數(shù)據(jù)成為訓(xùn)練機(jī)器學(xué)習(xí)模型的基礎(chǔ)。

但蛋白質(zhì)折疊預(yù)測(cè)僅是當(dāng)前生物大模型應(yīng)用的冰山一角。如今該領(lǐng)域已擴(kuò)展至更多維度。這些模型正在讓我們以前所未有的方式理解生命分子，推動(dòng)合成生物學(xué)進(jìn)入一個(gè)由大模型驅(qū)動(dòng)的新階段。

?合成生物學(xué)中一種以生態(tài)系統(tǒng)為中心的大模型視角：模型只是更大生態(tài)系統(tǒng)中的一部分。@ Patrick Mineault

在大模型的支持下，我們不僅可以預(yù)測(cè)單個(gè)蛋白質(zhì)的結(jié)構(gòu)。一些模型，比如AlphaFold Multimer，能模擬多個(gè)蛋白質(zhì)之間的相互作用；還有RFDiffusion，可以根據(jù)功能需求“定制”蛋白質(zhì)；又比如ProteinMPNN，它則實(shí)現(xiàn)了“逆向折疊”，從結(jié)構(gòu)反推最有可能的氨基酸序列。此外，還有許多在ESM等大模型基礎(chǔ)上微調(diào)而來的新模型，能跨多個(gè)生物領(lǐng)域預(yù)測(cè)蛋白質(zhì)活性。

這些技術(shù)進(jìn)步依賴于長(zhǎng)期積累的生態(tài)系統(tǒng)支持。數(shù)十年來積累的大量開源工具和數(shù)據(jù)庫，使我們能夠輕松瀏覽蛋白質(zhì)及其序列，比對(duì)相似結(jié)構(gòu)，查看三維結(jié)構(gòu)……這些數(shù)據(jù)庫中收錄了無數(shù)蛋白質(zhì)的結(jié)構(gòu)、序列、生物實(shí)驗(yàn)數(shù)據(jù)與預(yù)測(cè)結(jié)果。

而傳統(tǒng)的物理建模工具如Rosetta、分子動(dòng)力學(xué)模擬等并沒有被取代，它們?nèi)允菍?duì)機(jī)器學(xué)習(xí)方法的重要補(bǔ)充。更重要的是，物理模型有時(shí)還能反過來為機(jī)器學(xué)習(xí)模型提供訓(xùn)練數(shù)據(jù)，實(shí)現(xiàn)“攤銷式推理”（amortized inference），即提前習(xí)得對(duì)新任務(wù)快速做出判斷的能力。

在這些數(shù)十年積累的基礎(chǔ)上，我們已突破單純理解蛋白質(zhì)的階段，實(shí)現(xiàn)了對(duì)生物分子的主動(dòng)改造。我們可以合成新的蛋白質(zhì)序列、將其裝入質(zhì)粒中復(fù)制、打包進(jìn)腺相關(guān)病毒（AAV）進(jìn)行遞送、使用CRISPR進(jìn)行基因編輯、再通過測(cè)序驗(yàn)證編輯結(jié)果。這些技術(shù)鏈條的整合，大大加速了合成生物學(xué)和計(jì)算生物學(xué)的研究進(jìn)程。

當(dāng)然，現(xiàn)有的模型并非完美，但它們能通過計(jì)算篩選潛在候選方案，顯著減少傳統(tǒng)實(shí)驗(yàn)中耗時(shí)費(fèi)力的物理優(yōu)化步驟。生物學(xué)中早就習(xí)慣使用“替代終點(diǎn)”（surrogate endpoints），比如用小鼠模型模擬人類疾病；只是這些替代物往往存在偏差，難以直接轉(zhuǎn)化為人體應(yīng)用。理想的替代指標(biāo)需同時(shí)滿足快速和準(zhǔn)確的要求。

舉個(gè)最新的例子：Science期刊最近報(bào)道的EVOLVEPro系統(tǒng)展示了蛋白質(zhì)設(shè)計(jì)的創(chuàng)新路徑。蛋白質(zhì)設(shè)計(jì)面臨一個(gè)組合爆炸問題——對(duì)于一條有100個(gè)殘基的肽鏈，其可能序列組合數(shù)量高達(dá)20的100次方，遠(yuǎn)超宇宙中原子的總數(shù)，因此窮舉搜索完全不可行。

?Kaiyi Jiang et al. ,Rapid in silico directed evolution by a protein language model with EVOLVEpro.Science387,eadr6006(2025).DOI:10.1126/science.adr6006。圖源：Science

EVOLVEPro提供了一種高效的解決方案。它在12個(gè)深度突變掃描數(shù)據(jù)集的基準(zhǔn)測(cè)試中（涵蓋抗原結(jié)合、核酸結(jié)合、酶催化等任務(wù)）超越零樣本（zero-shot）方法，并成功改造六類蛋白質(zhì)，包括將單克隆抗體結(jié)合親和力提升40倍、CRISPR核酸酶活性提高五倍。

聽起來非常驚人，對(duì)吧？其實(shí)它的原理并不復(fù)雜：首先在蛋白質(zhì)大模型上附加“預(yù)測(cè)頭”，用已有突變數(shù)據(jù)訓(xùn)練其預(yù)測(cè)目標(biāo)指標(biāo)；隨后預(yù)測(cè)出一批最有潛力的蛋白質(zhì)序列，并進(jìn)行合成、實(shí)驗(yàn)驗(yàn)證；再將實(shí)驗(yàn)結(jié)果反饋到模型中進(jìn)行迭代更新，進(jìn)入下一輪預(yù)測(cè)與實(shí)驗(yàn)。如此反復(fù)幾輪，便能逐步迭代出性能更優(yōu)的蛋白質(zhì)。

?EvolvePro系統(tǒng)示意圖，摘自論文圖1。PLM：蛋白質(zhì)語言模型，此處為ESM2。Domain Expert Top Layer為隨機(jī)森林模型

該模型基于一種蛋白質(zhì)語言領(lǐng)域的大模型ESM2。ESM2是一種類似BERT的“掩碼語言模型”（masked language model），它將蛋白質(zhì)序列中的每一個(gè)殘基（氨基酸）編碼為一個(gè)高維向量，并通過在UniProt上的訓(xùn)練獲得了廣泛的通用性。

一旦獲得蛋白質(zhì)序列的向量表示（embedding），就可以被用于多種任務(wù)，比如結(jié)構(gòu)預(yù)測(cè)（如ESMFold），或者可以通過對(duì)所有殘基表示進(jìn)行平均，得到一個(gè)固定長(zhǎng)度的“摘要向量”。熟悉大語言模型的讀者們可能會(huì)敏銳地意識(shí)到，這些摘要向量實(shí)際上就等同于 LLM中的詞語向量（Word Vector）。一旦實(shí)現(xiàn)了對(duì)這些看似無序且無限的粒子的向量化，就可以較為輕易地在此基礎(chǔ)上進(jìn)行進(jìn)一步的學(xué)習(xí)和數(shù)據(jù)處理，比如進(jìn)行檢索增強(qiáng)生成（RAG）、推薦系統(tǒng)、聚類分析和性質(zhì)預(yù)測(cè)等任務(wù)。

在這個(gè)平均表示的基礎(chǔ)上，研究人員還添加了一個(gè)非常簡(jiǎn)單的“預(yù)測(cè)起始站（prediction head）”——一個(gè)隨機(jī)森林模型。為了獲得初始數(shù)據(jù)，研究者合成了一批隨機(jī)突變的蛋白質(zhì)，然后進(jìn)入了一個(gè)主動(dòng)設(shè)計(jì)過程。他們使用模型預(yù)測(cè)下一個(gè)最值得嘗試的突變，選擇過程很直接：他們模擬所有可能的單殘基突變，然后挑選出模型預(yù)測(cè)得分最高的前N個(gè)候選序列。

聽起來很簡(jiǎn)單？的確如此。一旦擁有一個(gè)功能強(qiáng)大的大模型，再配合一個(gè)基礎(chǔ)的回歸器模型和一個(gè)可以快速完成“實(shí)驗(yàn)反饋閉環(huán)”的設(shè)計(jì)流程，優(yōu)化蛋白質(zhì)結(jié)構(gòu)就不再遙不可及。

所有這一切的實(shí)現(xiàn)，要依賴一個(gè)工具與資源高度集成的生態(tài)系統(tǒng)：我們不僅能夠隨時(shí)讀取和寫入序列，擁有開放的數(shù)據(jù)共享平臺(tái)來支持再訓(xùn)練和微調(diào)模型框架，還有高效的實(shí)驗(yàn)室自動(dòng)化流程，讓蛋白質(zhì)活性檢測(cè)變得前所未有地高效。

這標(biāo)志著蛋白質(zhì)優(yōu)化速度發(fā)生了質(zhì)的飛躍，而驅(qū)動(dòng)力來自整個(gè)生態(tài)系統(tǒng)的協(xié)同：除了大模型，還包括數(shù)據(jù)集、數(shù)據(jù)庫、結(jié)構(gòu)圖譜、計(jì)算工具，甚至是經(jīng)典的物理建模方法。

?用于優(yōu)化GECIs的閉環(huán)系統(tǒng)。Wait et al.,2023年

這種技術(shù)革新對(duì)神經(jīng)科學(xué)領(lǐng)域的影響也不容小覷。神經(jīng)科學(xué)研究中對(duì)蛋白質(zhì)的需求極高，從測(cè)量神經(jīng)活動(dòng)到精確干預(yù)神經(jīng)功能，幾乎每一個(gè)關(guān)鍵工具都依賴于蛋白質(zhì)設(shè)計(jì)。比如：遺傳編碼的鈣/電壓指示器（GECIs、GEVIs），光遺傳學(xué)（optogenetics），化學(xué)遺傳學(xué)工具（如DREADDs等），又或者是用于神經(jīng)環(huán)路映射的條形碼技術(shù)（如MAP-seq、BRIC-seq、Connectome-seq）等。

更不用說當(dāng)下最熱門的腦部藥物也是改造后的肽類分子：比如GLP-1受體激動(dòng)劑，它們不僅能調(diào)節(jié)血糖、控制體重，還展現(xiàn)出治療上癮、阿爾茨海默病（AD）和帕金森病（PD）等神經(jīng)退行性疾病方面的巨大潛力。

從合成生物學(xué)到神經(jīng)科學(xué)？

那么，合成生物學(xué)中的經(jīng)驗(yàn)?zāi)芊襁w移到神經(jīng)科學(xué)領(lǐng)域呢？現(xiàn)階段人類對(duì)于大腦的認(rèn)知是否足以支持這種舉一反三？

（1）數(shù)據(jù)是否足夠？結(jié)構(gòu)是否合理？

合成生物學(xué)的技術(shù)進(jìn)步很大程度上是有像PDB（蛋白質(zhì)數(shù)據(jù)庫）和UniProt這樣的高質(zhì)量數(shù)據(jù)庫為大模型的訓(xùn)練提供了堅(jiān)實(shí)基礎(chǔ)。這些數(shù)據(jù)庫不僅覆蓋全面，而且具有高度的注釋和標(biāo)準(zhǔn)化格式，使得大規(guī)模學(xué)習(xí)變得可行。

盡管對(duì)于神經(jīng)科學(xué)而言，也有一些主流的數(shù)據(jù)平臺(tái)，例如DANDI、OpenNeuro，以及Allen Institute、IBL、HCP 等機(jī)構(gòu)提供的高質(zhì)量大腦活動(dòng)數(shù)據(jù)。這些數(shù)據(jù)涵蓋了大量的神經(jīng)記錄形式（spikes、LFP、sEEG、fMRI、EEG），總量可能超過了 10000 小時(shí)，凝聚了無數(shù)研究者的努力。

但問題在于，這些數(shù)據(jù)能否構(gòu)成一個(gè)真正的“腦圖譜”？目前我們?nèi)院茈y同時(shí)獲得具有高空間覆蓋（全腦記錄）、高空間分辨率、以及高任務(wù)多樣性的完整數(shù)據(jù)集。這是因?yàn)楝F(xiàn)有的神經(jīng)記錄形式都各有側(cè)重。比如臨床常用的 fMRI 和 EEG，只能保證空間分辨率（fMRI）和時(shí)間分辨率（EEG）其中之一。而有些技術(shù)雖然可以同時(shí)保證高空間覆蓋，空間分辨率和時(shí)間分辨率（如MEG），但是成本太高，并且可移動(dòng)性差。就算我們擁有了高維度記錄，它們也只能覆蓋神經(jīng)活動(dòng)空間中的極小一部分。類比來說，這就像只從酵母菌的一條染色體中采樣序列來訓(xùn)練DNA語言模型，其通用性顯然受限。

細(xì)胞類型圖譜、FlyWire（果蠅全腦連接組）等更“生物本位”的神經(jīng)科學(xué)圖譜，或許在覆蓋性上更為完善，但它們?nèi)匀鄙訇P(guān)鍵的跨尺度數(shù)據(jù)橋梁。例如，F(xiàn)lyWire 提供了果蠅腦的完整連接組，但還需要每個(gè)神經(jīng)元的轉(zhuǎn)錄組背景、受體分布以及電生理特征來可靠地模擬神經(jīng)活動(dòng)。

這類橋梁就像神經(jīng)科學(xué)領(lǐng)域的 “PDB+UniProt”，是將結(jié)構(gòu)數(shù)據(jù)如連接組轉(zhuǎn)化為功能機(jī)制（activity dynamics）所必需的。神經(jīng)科學(xué)要構(gòu)建大模型驅(qū)動(dòng)的生態(tài)系統(tǒng)，未來十年最關(guān)鍵的任務(wù)之一，就是為與人類親緣關(guān)系近的物種，甚至是人類本身，構(gòu)建類似的全層次整合圖譜，這包括遺傳背景信息，細(xì)胞圖譜與轉(zhuǎn)錄組數(shù)據(jù)，分子注釋的中尺度與微尺度連接組，神經(jīng)活動(dòng)圖譜，不同模態(tài)之間的“校準(zhǔn)數(shù)據(jù)集”（即跨模態(tài)橋梁）等。

（2）我們能否主動(dòng)干預(yù)大腦系統(tǒng)？

相比可以隨意合成的蛋白質(zhì)，當(dāng)前神經(jīng)系統(tǒng)的可操作性遠(yuǎn)低于蛋白質(zhì)合成技術(shù)。當(dāng)前帶寬與維度最高的干預(yù)方式主要集中在感官外圍，例如視網(wǎng)膜植入，或屏幕、耳機(jī)提供的視聽輸入。

Science Corp的生物混合器件（biohybrid devices）則采用新策略：將神經(jīng)元培養(yǎng)在微電極與微型 LED 上，主動(dòng)與設(shè)備形成交互界面，并逐步生長(zhǎng)入腦組織。這些技術(shù)將為更精細(xì)、維度更高的調(diào)控提供可能。

除了技術(shù)上的可操作性，對(duì)于神經(jīng)系統(tǒng)進(jìn)行人為改造的倫理問題也有待考量。畢竟，我們并不希望身不由己地成為《愛，死亡與機(jī)器人》中的齊馬，變成一個(gè)徹頭徹尾的機(jī)械人。

?https://science.xyz/technologies/biohybrid/

（3）能否閉環(huán)？

合成生物學(xué)中最重要的能力之一是“閉環(huán)優(yōu)化”，也就是從模型預(yù)測(cè)到實(shí)驗(yàn)驗(yàn)證，再到再訓(xùn)練模型，最后再次優(yōu)化的過程。神經(jīng)科學(xué)是否實(shí)現(xiàn)類似流程？目前已有一些案例展現(xiàn)了閉環(huán)可能性的雛形，比如視覺神經(jīng)元刺激中出現(xiàn)的“Inception loop”實(shí)驗(yàn)，能夠?qū)ふ壹せ钐囟ㄒ曈X神經(jīng)元的最強(qiáng)刺激；以及全息光遺傳學(xué)干預(yù)實(shí)驗(yàn)，也展示了對(duì)神經(jīng)活動(dòng)的主動(dòng)微調(diào)。

這些實(shí)驗(yàn)?zāi)壳叭詫傧闰?qū)者，但它們揭示了大模型在閉環(huán)控制中的潛力。特別是其可微特性，意味著我們可以用梯度下降等方法直接搜索最優(yōu)輸入刺激；但該路徑依賴配套硬件的發(fā)展，仍需同步突破高精度神經(jīng)記錄與干預(yù)技術(shù)瓶頸。

?V4區(qū)神經(jīng)元響應(yīng)的最大化刺激由Inception環(huán)路確定。 Willeke et al. (2023)

未來該做什么？

讀到這里，親愛的讀者，您或許也已察覺：我們?cè)谏窠?jīng)科學(xué)中抱有的雄心——治愈所有神經(jīng)類疾病、徹底理解智能與意識(shí)等——與我們目前所擁有的工具和數(shù)據(jù)，仍存在巨大落差。

大模型為我們提供了一個(gè)突破口：它們能夠利用已有和未來的大規(guī)模神經(jīng)數(shù)據(jù)，學(xué)習(xí)有效的神經(jīng)表征，做出預(yù)測(cè)，并在閉環(huán)系統(tǒng)中進(jìn)行優(yōu)化，借助深度學(xué)習(xí)模型的可微特性實(shí)現(xiàn)自動(dòng)調(diào)整與反饋。

但這一切不能在真空中發(fā)生。技術(shù)突破依賴數(shù)據(jù)與工具的協(xié)同發(fā)展，我們所收集的數(shù)據(jù)，以及用于“讀寫”神經(jīng)活動(dòng)、細(xì)胞類型、突觸和連接的工具生態(tài)，必須彼此協(xié)同、互為促進(jìn)，形成一個(gè)良性循環(huán)。要實(shí)現(xiàn)這一點(diǎn)，幾乎可以肯定的是，我們需要開展大規(guī)模、非假設(shè)驅(qū)動(dòng)的神經(jīng)科學(xué)研究，聚焦于工具與數(shù)據(jù)本身的建設(shè)。這種研究可能會(huì)以“聚焦型研究組織”（Focused Research Organizations, FROs）或跨機(jī)構(gòu)協(xié)同項(xiàng)目的形式展開。

非假設(shè)驅(qū)動(dòng)的科學(xué)有時(shí)會(huì)被視為“無頭蒼蠅”，但我認(rèn)為它最有力的辯護(hù)來自“認(rèn)識(shí)論上的謙遜”：面對(duì)數(shù)十億神經(jīng)元、萬億級(jí)突觸連接、成千上萬的細(xì)胞類型、數(shù)百個(gè)腦區(qū)和受體——也許我們首先該做的，就是完成全面系統(tǒng)的數(shù)據(jù)采集，然后再考慮如何對(duì)其進(jìn)行精準(zhǔn)干預(yù)，從而建立真正具備因果解釋力的神經(jīng)模型。

未來十年，我們將擁有更多類型的神經(jīng)圖譜和數(shù)據(jù)庫，它們將進(jìn)一步支撐專用大模型與生物物理仿真模型的發(fā)展。這些知識(shí)架構(gòu)將通過下一代神經(jīng)技術(shù)實(shí)現(xiàn)互證性校準(zhǔn)，形成動(dòng)態(tài)互聯(lián)的認(rèn)知網(wǎng)絡(luò)。

https://www.neuroai.science/p/what-are-foundation-models-for-lessons

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究人工智能與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。如果您有進(jìn)一步想要討論的內(nèi)容，歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、人工智能與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和人工智能領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、等。