本研究提出了一种数据驱动的方法，利用合成功能性磁共振成像（FMRI）探讨脑中概念的定位。MindSimulator通过生成技术学习脑活动概率分布，成功定位多个概念选择区域，为神经科学研究提供了新方向。

本研究提出了一种新方法scBIT，将功能性磁共振成像与单细胞转录组学相结合，显著提升了阿尔茨海默病的预测精度，并揭示了脑区与基因之间的复杂关系。

研究人员使用多模态模型VISION成功预测了人类大脑对自然图像的功能性磁共振成像（fMRI）扫描反应，准确度超过现有技术45％。这项研究为视觉皮层功能分析的设计和实现提供了可能性，降低了成本和时间负担。研究结果还揭示了不同视觉区域的表征偏差，并提供了可实验检验的假设。这项工作为脑机接口提供了可靠的方法。

本文研究使用基于Transformer的语言模型，比较了不同模型尺寸与训练数据规模对于预测功能性磁共振成像记录下的脑活动响应的影响。结果显示，模型或数据规模增大时，在音频与语言预测方面均能获得显著性提升，为理解大脑语言处理机制和实际解码应用提供改善的可能。