1.西安交通大学物理学院杨森教授团队在《先进纳米复合材料》发表智能光学材料综述文章；

2.西安交大人机所博士生研究成果在《自然》子刊《自然机器智能》发表；

3.西安交通大学王昌河教授团队联合北京大学周专教授团队开发外周交感神经分泌检测新方法 揭示心力衰竭新机制

1.西安交通大学物理学院杨森教授团队在《先进纳米复合材料》发表智能光学材料综述文章

智能光学材料能够在外界刺激下动态改变自身光学性质，在自适应智能窗、动态显示、光学防伪加密等众多领域展现出广阔的应用前景，是下一代光电子技术的重要基础。折射率是描述光与物质相互作用的核心参数，其大小和分布直接决定了光的传播、反射、吸收与散射等行为，是贯穿智能光学材料诸多应用的核心物理量。因此，折射率的设计与调控构成了各类智能光学功能的共同物理基础，对这一核心参量的精确操纵，是实现更强的调制能力、更快响应速度和更复杂光场控制的关键所在。

近日，西安交通大学物理学院智能材料与传感团队在国际期刊Advanced Nanocomposites（《先进纳米复合材料》）上发表综述论文，提出以“折射率工程”为核心概念的统一理论框架。该综述从纳米复合材料的视角出发，凝练出折射率调控的三大策略：光子纳米结构静态设计、材料本征响应动态驱动以及人工智能算法逆向设计，并系统梳理了这些策略在智能窗、动态显示、高灵敏传感与光学防伪加密四大前沿领域的应用进展。在总结当前技术优势的同时，该综述还分析了材料稳定性、响应速度等关键挑战，并展望了多物理场协同响应、非易失性低功耗开关等未来方向，为该领域从分散探索走向系统化协同设计提供了清晰的路线图。

该综述从纳米复合材料的视角出发，将当前主流的折射率调控策略凝练为三大技术路径。一是通过光子纳米结构对有效折射率进行静态设计：通过光子晶体、超表面等亚波长结构的精确设计，实现自然界所不具备的梯度折射率、负折射等效应，从空间分布上重塑折射率场。二是利用材料对折射率的本征响应进行动态驱动：直接利用电场、温度、载流子注入等外场激发相变、等离子体色散等效应，使材料自身折射率发生快速可逆变化。三是利用人工智能算法引导逆向设计：以深度学习模型从目标光学功能出发，直接优化纳米结构中的折射率分布，大幅突破传统设计效率与性能天花板。这三类策略的实现均高度依赖于纳米复合材料的独特性质与精密构筑：在纳米尺度上对组分、结构和界面进行协同设计，让结构调控与功能响应融为一体，从而使智能光学器件在响应速度、调制深度和多维光场操控等方面取得突破。

在应用层面，该综述系统展现了折射率工程在四个前沿领域中的典型进展。在智能窗方面，利用折射率匹配与失配原理，多孔纳米复合薄膜根据湿度、温度或机械形变在透明和散射状态之间发生可逆切换，实现对太阳光的自适应管理，从而降低建筑能耗。在动态显示方面，借助相变材料折射率的大幅可逆变化实现无机械变焦透镜，或通过电化学调控氧化钨纳米盘的折射率，制备出分辨率达视网膜级别的高刷新率电子纸。在传感方面，基于等离激元共振或准连续域束缚态等机制的光学纳米结构，能将生物分子结合引起的局部折射率微小扰动放大为可测光谱信号，实现无标记、高灵敏度的生物与化学传感。在防伪与加密方面，折射率的静态编码与动态切换使信息在透明状态下隐藏，仅在特定溶剂、温度或偏振光照射下才显现，实现多维度信息加密与身份认证。

最后，该综述分析了当前智能光学材料面临的挑战，包括材料循环稳定性、响应速度与能耗之间的平衡、大面积低成本制备工艺，以及算法设计从数字优化到物理制造之间的转化鸿沟等。面向未来，文章提出应重点关注多物理场协同响应、非易失性低功耗光开关、端到端人工智能驱动设计以及柔性可穿戴集成等新兴方向。这一以折射率为核心的统一框架，为智能光学材料提供了共通的技术语言和理论基础，有望推动该领域从多路径并行探索走向系统化协同设计，加速前沿成果从实验室走向实际应用。

该综述文章以“Smart optical nanocomposites enabled by refractive index engineering”（ 基于折射率工程构建的智能光学纳米复合材料）为题发表在期刊Advanced Nanocomposite（《先进纳米复合材料》）上。西安交通大学物理学院为论文第一完成单位，论文第一作者为西安交通大学物理学院博士研究生卓箫笛，物理学院杨森教授与李佳宁助理教授为论文通讯作者。该成果得到了国家自然科学基金、中国载人航天工程空间应用系统项目、香江学者项目与陕西省自然科学基金等项目的资助。

（来源：西安交通大学）

2.西安交大人机所博士生研究成果在《自然》子刊《自然机器智能》发表

外周交感神经作为自主神经系统的重要组成部分，在心血管功能维持、能量代谢、免疫应答等重要生理过程中发挥着核心调控作用。在生理状态下，外周交感神经活性的实时动态变化精准编码其核心神经递质-去甲肾上腺素（Norepinephrine, NE）的分泌，从而实现对外周靶器官功能的动态调控。因此，外周交感神经NE分泌的高时空分辨检测是揭示交感神经对外周靶器官功能调控作用及其机制的必经之路。然而，受限于外周组织形态不规则、外周交感神经分布稀疏、现有检测技术灵敏度低，高时空分辨原位检测交感NE分泌长期面临技术瓶颈，研究始终停滞于“有结构、无功能；有静态、无动态”的方法学困境，导致生理状态下外周靶器官功能的交感神经网络动态调控规律不清，心血管等重大疾病的交感神经调控机制不明。

2026年4月27日，西安交通大学生命学院神经科学研究中心王昌河教授团队联合北京大学周专教授团队与山西医科大学、中国医学科学院阜外医院及北京大学基础医学院团队合作在《美国国家科学院院刊》（PNAS杂志上发表题为《超高时空分辨原位交感神经去甲肾上腺素分泌检测方法揭示心衰病理新机制》（Physiological super-resolution in situ recording reveals kinetic changes of sympathetic norepinephrine release in heart failure）的研究论文。该研究开发了一种适用于动物及临床外周器官的活体切片电化学检测（Slice Electrochemistry，SEC）技术，首次实现了对交感神经NE分泌的高时空分辨率、高灵敏度原位检测，解析了心衰过程中交感神经NE分泌的动态变化规律，揭示了心衰病理进展中的交感神经核心调控机制。

碳纤维电极（Carbon fiber electrode, CFE）电化学记录技术是高时空分辨检测NE、多巴胺等单胺类神经递质量子化（单囊泡）分泌的重要手段。研究团队长期致力于CFE记录技术的开发及应用（Nat Neurosci, 2005; PNAS, 2007; Nat Commun, 2014, 2018; Nat Neurosci, 2024; Science, 2025; Neuron, 2026）。针对外周交感神经NE检测的技术瓶颈，团队通过开发新型pCFE电极，显著提升了信噪比与信号稳定性，将检测灵敏度提高至1 nM，较传统方法提高约10倍。在此基础上，团队结合小鼠心脏活体切片，建立了SEC技术，实现了对外周交感神经末梢NE分泌的原位、高灵敏度检测。利用该技术，本研究系统解析了心力衰竭小鼠模型中交感NE分泌动力学的异常变化，并揭示了N型钙离子通道Cav2.2蛋白表达上调是调控NE分泌异常进而驱动疾病进程的关键分子机制。更为重要的是，SEC方法在膀胱、血管、肾脏、肺、脾脏、肝脏、脂肪、肠道、骨骼肌等多个外周器官中，均能实现NE分泌的高灵敏检测，具有高度的普适性。在临床组织样本中，也成功实现了NE分泌的检测，展现出从基础研究到临床应用的巨大潜力。

本研究开发的新一代pCFE电极实现了外周器官组织水平上NE分泌的高时空分辨率、高灵敏度检测，突破了外周交感神经NE分泌记录的技术瓶颈。基于该方法，揭示了心衰病理进展中交感神经调控动力学的变化规律，不仅解决了该领域悬而未决的核心争议，也为心衰治疗提供了潜在干预靶点。该方法所展现出的广泛适用性，不仅为脑-体互作背景下的外周神经调控研究提供重要的方法学利器，也将为脑机接口的信号编码解码研究提供全新突破口。

SEC方法高灵敏度检测外周交感神经NE分泌动力学

北京大学刘兵博士（现重庆脑与智能科学中心助理研究员）、蒋晓涵博士、中国医学科学院北京协和医学院郭姝博士、西南医科大学康新江教授为共同第一作者。北京大学未来技术学院周专教授、山西医科大学曹济民教授、中国医学科学院阜外医院李立环主任、西安交通大学王昌河教授、北京大学基础医学院张岩教授为共同通讯作者。该研究获得了国家自然科学基金和陕西省“三秦人才”特殊支持计划等经费支持。

文章链接：https://www.pnas.org/doi/10.1073/pnas.2519828123

（来源：西安交通大学）

3.西安交通大学王昌河教授团队联合北京大学周专教授团队开发外周交感神经分泌检测新方法 揭示心力衰竭新机制

近日，北京大学药学院联合西安交通大学人工智能与机器人研究所（以下简称“人机所”）、华盛顿大学、香港中文大学及石河子大学等单位，在小分子天然产物智能表征与药物发现研究方面取得新进展。研究团队提出了面向小分子天然产物的基础模型NaFM（Foundation Model for Natural Products），相关成果以《小分子天然产物的基础模型预训练》（Pretraining a foundation model for small-molecule natural products）为题，发表于国际高水平期刊《自然机器智能》（Nature Machine Intelligence）。

在该研究中，西安交大人机所郑南宁院士团队深度参与了模型架构设计与人工智能方法开发工作。北京大学刘振明教授、西安交大人机所郑南宁教授以及博士生王裕淞为本文共同通讯作者，北京大学硕士生丁宇恒为第一作者。

天然产物是由微生物、动物或植物产生的代谢产物，具有结构多样性高、生物活性丰富等特点，是抗肿瘤、抗感染等药物发现的重要来源。然而，其发现过程长期面临周期长、成本高、标注数据有限等挑战。现有深度学习方法多依赖单一任务的监督学习，模型泛化能力有限；而针对合成分子的通用表征方法，也难以刻画天然产物在来源、骨架结构、合成途径与生物活性之间的复杂关联。进一步而言，天然产物在化学空间中呈现出以核心母核（scaffold）为中心的层级化分布特征，并与通用化合物空间存在显著分布偏移（distribution shift），导致现有模型难以直接迁移应用。因此，构建面向天然产物结构与生物学约束的专用预训练范式尤为迫切。为此，研究团队以分子母核为核心构建表征框架，系统刻画并对齐天然产物在生物来源、生物合成基因簇、合成途径及生物活性等多维属性之间的内在关联，提出了母核感知的预训练策略。

NaFM将掩码图学习与对比学习相结合：一方面，在天然产物分子骨架区域进行子图掩码，要求模型同时重建原子属性、化学键属性和拓扑连接信息；另一方面，以骨架相似性作为软权重，引导模型区分不同分子之间的强弱负样本关系，从而更有效地学习天然产物的进化规律与结构特征。在预训练阶段，研究团队基于COCONUT 数据库中约60万条未标注天然产物结构数据，构建了面向天然产物的分子表示学习框架。实验结果表明，相较于传统分子指纹和多种预训练图神经网络方法，NaFM在天然产物分类、来源识别、基因组挖掘、活性预测和虚拟筛选等任务中表现出更强的迁移能力和鲁棒性。

NaFM的母核感知预训练框架。该框架结合母核子图重建与母核感知对比学习：在天然产物核心骨架区域遮蔽原子、化学键和拓扑连接信息，并基于骨架相似性加权对比学习，从而捕获天然产物生物来源、生物合成基因簇、合成途径与生物活性之间的内在关联。

论文链接：https://www.nature.com/articles/s42256-026-01226-8

（来源：西安交通大学）