新闻及香港科大故事

香港科技大学（科大）工学院的研究团队在脑成像领域取得重大突破，成功开发出一项全球首创技术，能够以近乎无创方式，对清醒状态下的实验小鼠大脑进行高分辨率图像扫描。这项创新技术毋须对实验动物实施麻醉，使科学家能直接观察大脑在自然运作状态下的组织活动，未来将有助深入探索人类脑部在健康和疾病状态下的运作，为神经科学研究开辟全新路径。人类大脑构造极其复杂，科学家一直试图利用脑成像技术探索其运作机制。然而，现有成像技术如磁力共振成像、脑电图、电脑断层扫描和正电子发射断层扫描等，均难以解析大脑微细结构及工作机制。由于小鼠在基因和生理结构上与人类高度相似，常被用作实验模型，用于研究阿兹海默症、亨廷顿舞蹈症、脑痫症等神经系统疾病的治疗方法，以及多种人类癌症疗法和疫苗效用等。然而，在麻醉状况下，小鼠的血液循环、胶质细胞形态及神经元活动会发生显著改变，实验效果远不如清醒状况理想。此外，小鼠在自然活动时亦会导致扫描图像模糊，令观察大脑细微部位的活动变得十分困难。由科大工学院电子及计算机工程学系教授瞿佳男教授带领团队开发的新技术「数字复用焦点感测与整形」（Multiplexing Digital Focus Sensing and Shaping，简称MD-FSS），建基于团队2022年在《自然 – 生物技术》期刊发表的「 模拟锁相相位检测焦点感测与整形（Analog Lock-in Phase Detection Focus Sensing and Shaping，简称ALPHA-FSS）技术进一步开发而成。 ALPHA-FSS利用三光子显微镜，具备高精度和高校正阶数的优势，能以亚细胞级分辨率观测脑部深层组织。然而，ALPHA-FSS的焦点测量速度仍不足以清晰捕捉清醒小鼠大脑组织的活动状况。此外，小鼠颅骨的厚度和密度亦会显著吸收和散射进入大脑的光线，令双光子显微镜难以穿透颅骨。 即使是大脑表层区域，图像质素也会因此下降，导致成像效果不佳。

由香港科技大学（科大）工学院领导的研究团队在量子棒发光二极管（QR-LED）技术上取得重大进展，为红色QR-LED创下了破纪录的高效率水平。 这项创新有望彻底改变下一代显示与照明技术，为智能手机和电视用户带来更生动、更优质的视觉体验。发光二极管（LED）早于数十年前已应用于电子产品，直至近年量子材料出现，催生出量子点LED（QD-LED）和量子棒LED（QR-LED）。 与目前主流的LED技术相比，QD-LED能够提供更高的色纯度（颜色鲜艳程度）和亮度。 然而，光取出效率是主要障碍，因为它为外部量子效率（EQE）设定了根本性的上限，从而阻碍了性能的进一步提升。QR-LED所采用的量子棒是一种细长形的纳米晶体，具有独特的光学特性。 通过改良设计，可优化光的发射方向，从而提高光取出效率。 然而，QR-LED面临两大技术挑战：一是材料在吸收光子后，其光致发光量子产率（即发射和吸收光子数量的比率）较低; 二是薄膜质量较差，容易引起漏电流现象。为突破现有局限，由科大电子及计算机工程学系副教授Abhishek K. SRIVASTAVA教授所带领的研究团队，通过精细的合成工艺成功提升了QR-LED的光学性能，并实现了红色和绿色量子棒在尺寸分布和形状上均一，令光致发光量子产率显著提升至92%，这些特性对于优化QR-LED性能至关重要。过往的研究一直忽视了不规则量子棒薄膜所引起的漏电流现象，以及该问题对QR-LED外量子效率的负面影响。 为此，团队构建了一个等效电路模型，以深入分析传统QR-LED结构中的漏电流问题及其器件的工作原理，从而开发具针对性的解决方案以抑制电流泄漏。 通过对QR-LED器件结构进行优化改造，团队在提升载流子注入效率的同时，显著抑制了漏电流的现象。采用新技术后，经优化后的红色QR-LED实现了高达31%的外量子效率，亮度达110,000 cd m⁻²，创下了红色QR-LED研究的新纪录。 为验证该技术的通用性，团队以相同方法应用于绿色点棒状量子棒，同样取得满意结果：外量子效率20.2%，并实现了250,000 cd m⁻²的超高亮度。 有关成果不仅证明了团队的创新方法有效，也展示了其在不同颜色和形状量子棒的庞大应用潜力。

人工智能（AI）图像编辑及生成模型获广泛应用于图像创作，然而其对抽象概念如感觉和氛围等理解精准度一直存在局限，且多依赖纯文字指令，较难准确表达复杂图像意思，亦无法捕捉风格、材质或光影等效果。 由香港科技大学（科大）冯诺依曼研究院院长兼计算机科学及工程学系讲座教授贾佳亚教授带领的团队成功开发名为「DreamOmni2」的AI图像生成和编辑器，不仅拥有卓越的多模态指令编辑和实体对象生成能力，更在抽象概念的理解和生成方面有重大突破，让AI不仅能「看图」，更能「理解图意」，多方面表现优于同类型开源和闭源模型， 为AI创作开启无限可能。直击缺陷：解锁抽象概念的创作潜能近年，图像编辑及生成模型的发展进入爆发阶段，新品频出，但暂时仍未有任何模型能彻底克服实际作上遇到的两大缺陷。 其一是文本指令的局限性，纯文字指令难以准确描述人物特征、抽象纹理等细节。 其二是抽象概念的缺失，现有模型仅能处理有形实体，如人物、对象，无法有效应对发型、妆容、纹理、光影效果或风格等抽象概念，极大程度上限制了创作空间。 DreamOmni2则可解决有关难题，成功执行两大全新任务，包括根据用家输入的抽象或实体概念，执行多模态指令编辑和生成，真正成为「全能创作工具」。 全面性能测试：超越现有开源与闭源模型在多模态指令生成任务中，DreamOmni2能基于图片中的实体进行图像生成，例如提取图一的画作挂在卧室墙上，将图二盘子的材质套用在图三的水杯，并将水杯放置在桌子上，以生成符合用家要求的新图像（图示一）。 在多模态指令编辑任务中，DreamOmni2的表现亦非常优秀，例如将图中帽子的颜色变成与另一张图毛衣相同的配色（图示二）。

2025年10月16日至19日，香港科大「创科行」（第4站）＠HICOOL 2025全球创业家高峰会系列活动成功举办！HICOOL全球创业家高峰会被誉为「全球创新创业风向标」，本届高峰会吸引100余个国家和地区的顶尖创新力量齐聚。作为「创科行」活动的核心连结场景，本届高峰会活动为香港科大搭建了「成果展示+思想碰撞」的双重平台，成为本次创科行的重头戏。

香港科技大学（科大）成功研发创新人工智能（AI）系统SmartPath，革新癌症病理诊疗全流程。系统由科大计算机科学及工程学系和化学及生物工程学系助理教授兼医工交叉联合创新中心主任陈浩教授带领的团队所开发，整合临床诊断、分型、生物标记物量化、治疗评估及预后跟进功能，涵盖多种癌症类型，以加快诊断速度，为患者提供更个人化的治疗方案。SmartPath建基于全球其中一个规模最大及最多元的病理数据集，涵盖34种主要人体组织部位、逾50万张全切片影像。系统可辅助专业医疗人员执行逾百项临床任务，包括癌症病情分级、分型、治疗反应评估、存活率预测，以及生成详细病理报告等。系统的关键突破在于能通过综合病理基础模型框架，精准诊断多种香港发病率最高的癌症，包括肺癌、乳腺癌、大肠癌及胃癌。创新功能一站式支援临床诊疗全流程SmartPath系统的核心能力由两大整合式AI模型驱动：卓越的跨癌种通用能力：系统核心的通用病理基础模型（GPFM）提供了统一框架，能精准识别不同肿瘤类型及癌症亚型与生物标记物量化。该系统不仅能进行诊断，更能预测患者的生存期及评估潜在治疗反应，为个人化治疗奠定基于数据的基础。多模态智能深化病理分析：系统另一重要的多模态全切片病理基础模型（mSTAR）整合了病理影像及海量的文字数据，包括病理报告及转录组学数据，可在短短数分钟内自动生成资料详尽的病理报告，并具备视觉谘询功能，让病理学家能针对切片细节提问。

香港科技大学（科大）最新研究显示，一种名为TREM2 H157Y的遗传变异会显著增加中国人群罹患阿尔茨海默症的风险。研究发现，此遗传变异所带来的致病风险，与目前已知最强的阿尔茨海默症遗传风险因子APOE-ε4相近，能使病情迅速恶化和带来更严重的神经退行性病变。这项研究是该领域首个针对中国人群多发的阿尔茨海默症遗传风险因子TREM2 H157Y遗传变异所进行深入的家族临床个案研究。研究成果已刊登于国际权威科学期刊Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association，对疾病监测和病人照顾影响深远。主要研究结果包括：TREM2 H157Y 遗传变异与阿尔茨海默症风险增加相关。大约每 200 名中国阿尔茨海默症患者就有一人携带 TREM2 H157Y 遗传变异。携带TREM2 H157Y遗传变异患者的临床病情恶化更迅速。携带TREM2 H157Y遗传变异的阿尔茨海默症患者出现更严重的病理影响。

膜蛋白在多种生物过程中发挥关键作用，同时也是重要的药物靶点。过去几十年来，科学家一直依赖去垢剂从细胞膜中提取膜蛋白以进行结构研究。尽管这些传统方法显著推动了人们对膜蛋白结构的理解，但也存在一些限制，例如去垢剂筛选过程消耗资源以及缺乏天然膜脂环境，这可能阻碍了对脂质介导膜蛋白调控机制的深入研究。为此，由香港科技大学（科大）生命科学部党尚宇教授领导的研究团队开发了一种基于囊泡的新方法，能够保留天然脂质环境，促进后续的结构和功能研究。经过四年的系统研究，党教授团队的新方法避免了使用去垢剂进行纯化，而是直接从细胞膜中生成含有目标蛋白的囊泡，供后续的冷冻电镜成像和结构研究。团队建立了一套完整的工作流程，用於囊泡样品的制备、纯化和质量控制，使这种方法可应用於多种膜系统。为应对由天然膜结构引起的强背景信号和干扰，他们开发出一种基于电镜图像的筛选方法，并结合人工智能模型，专门分离高质量的膜蛋白粒子。研究团队成功将这种方法应用於多个膜蛋白系统，解析了在大肠杆菌细胞膜中过度表达的AcrB蛋白3.9 Å分辨率结构，以及在猪心线粒体内膜中解析的天然呼吸链复合物III的3.0 Å分辨率的结构。该研究的第一作者、博士候选人刘航表示：「凭借党教授的跨领域研究策略，团队成功建立了一個涵盖样品制备和数据处理的综合系统，用於膜蛋白的原位结构研究，並解决了不少以往未能克服的挑战。」与传统基于去垢剂的方法相比，这种新方法不仅成本更低、操作更简单，使用也更便捷，最重要的突破是它保留了天然膜环境和关键脂质分子，最大限度地维持了膜蛋白的天然构象。这种新方法也表现出良好的通用性，可以应用於不同物种和细胞膜结构的各种膜蛋白，有望显著减轻研究人员的工作量，降低膜蛋白结构解析的难度，並拓宽冷冻电镜结构生物学的研究范围。

由香港科技大学（科大）甘剑平教授（海洋科学系）和杨灿教授（数学系）领导的研究团队，开发了一种新型AI驱动的工具，名为STIMP，用于诊断沿岸海洋生产力和生态系统健康。STIMP引入了一种新范式，能够对缺失数据进行插补，从而在大时空尺度上预测叶绿素a（Chl-a）浓度。在对四个全球代表性沿海区域的测试中，STIMP的表现显著优于现有的地球科学工具，将插补的平均绝对误差（MAE）降低最高达81.39%，预测的平均绝对误差降低了58.99%。准确的叶绿素-a预测有助于及早检测有害藻华，保护生态系统，并为制订海洋政策提供具数据基础的见解。 沿岸海洋是地球上生产力最高的海洋生态系统，因为来自陆地的营养盐输入和活跃的水动力过程促成了高生物生产力和生物多样性。然而，沿岸海洋生态系统易受频繁且严重的富营养化、生物地球化学极端事件和缺氧的影响，这些因素严重威胁着沿海环境的可持续性以及沿海地区的蓝色经济。叶绿素a的浓度是衡量海洋环境整体健康状况的关键指标。利用遥感获得的叶绿素a数据来实现大尺度时空海洋环境质量诊断的数据驱动方法，是一种有前景的解决方案。然而，开发基于数据驱动的大尺度时空叶绿素a预测方法仍面临三个挑战：首先，叶绿素时间变化难以捕捉；其次，叶绿素的空间异质性难以建模；第三，观测数据的高缺失率使得时空变化的获取更具挑战性。 为了解决上述挑战，科大研究团队开发了一种先进的AI驱动时空插补与预测（STIMP）模型，用于预测沿岸海洋中的叶绿素a。STIMP将叶绿素a的预测分解为两个连续步骤：1）插补过程，从部分观测数据中重建多个可能得完整时空叶绿素a分布；2）预测过程，基于每个重建的连续且完整的时空叶绿素a分布进行精准预测。通过使用Rubin规则对多次插补和预测过程的结果进行平均，获得最终的叶绿素a预测。透过这种方式，我们的STIMP方法不仅通过对缺失数据的精确插补提高了整体预测性能，还提供了置信区间以量化预测的不确定性。