哈佛全奖，师从四院院士，曾火遍全网的“复旦女神”，发完Science，再发子刊！-技术圈

10年前，她曾以“门萨女孩”“复旦学霸”的称号而火遍全网。19岁就成为新东方最年轻的托福老师，在暑假一个月赚到5万元钱，实现了“经济自由”；加入“世界顶级智商俱乐部”——门萨俱乐部，数次担任门萨入会测试的主考官；大二时自学编程，还成为国家认证翻译；21岁本科时就手握5篇一作SCI论文……童话般流传的故事却随着她本科毕业戛然而止。那年，她赴美国哈佛大学读研究生，低调的科研生活让曾经的网络热度逐渐散去。

张安琪

时隔多年，张安琪再次受到关注，但这一次不再是因为那些浮华的标签，而是作为一名真正优秀的学者。

不用开颅即可植入大脑的探针

7月21日凌晨，张安琪作为第一作者兼共同通讯作者在国际顶尖学术期刊Science上发表了一篇重磅研究论文，她带领团队开发了一种“比头发丝还细”的血管内神经探针，可植入啮齿动物大脑中直径100微米以下的血管中，这项研究为无需开颅手术、不损伤大脑或血管的微创脑机接口临床转化奠定了基础。

世界卫生组织预测，到2040年，神经退行性疾病将会取代癌症，成为人类第二大致死疾病。比较典型的有帕金森综合征、老年痴呆症、渐冻症，而脑机接口技术被广泛应用于神经系统疾病的诊断治疗中。

恰巧她彼时的导师是著名教授Charles Lieber（国际纳米科学先驱、美国四院院士）。脑机接口是当时实验室的研究方向之一，而Lieber实验室所擅长制作的柔性电极，相比于传统的金属电极，能大大减少对大脑的伤害。

Charles Lieber教授与张安琪

张安琪把实验室的这些优势方向结合在一起，历经五年，开发出了一种不需要开颅就能定向植入大脑特定位点的柔性探针。之后，张安琪把自己的心血投稿到Science，文章仅仅两个月就被接收了。

十年沉寂、厚积薄发

发表Science后不到一个月，张安琪又以第一作者的身份在Science Advances期刊发表了一篇研究论文，该研究开发了下一代基因靶向化学组装（GTCA）方法，通过这种方法可在目标细胞膜外特异性原位合成聚合物，并且这些神经元仍能存活且保持活力。此外，该方法具有普适性，很容易扩展到将多种不同材料结合到活体组织中特定细胞膜外表面，有望进一步实现下一代生物界面。

张安琪告诉记者，在这项工作的基础上，自己还在计划尝试在细胞膜上测试其他反应条件，构建不同的材料，调控不同类型的细胞。在应用方面，首先，上一代GTCA已经初步实现了神经元活动的调控，而现在通过改进的下一代GTCA，希望可以更精确地调控神经元活动，用来治疗一些神经系统失调导致的疾病，例如自闭症等。其次，希望可以通过GTCA来实现从细胞膜上长出电极，这些电极可以将相邻的神经元连接起来，在大脑里人工“写出”新的神经回路；也可以用来高精度测量神经细胞的活动。

阅尽千帆，科研是“最好的人生选择”

从复旦到哈佛，再到斯坦福——不管张安琪在过去10年间如何低调，她金光闪闪的履历，依然吸引着人们好奇的目光。

而与网络热度相伴而来的，是一些质疑：搞这么多，会不会“贪多嚼不烂”？在网络上走红的女生，真的会安心做科研吗？

现在张安琪用自己的成果回答了这些问题。“我过去的各种经历，其实反而坚定了我选择科研的决心。”她说，“比如我本科前两年，花了很多时间在科研上，但没有任何成果出来。在我很沮丧很怀疑的时候，看到身边的同学都过得那样丰富多彩，于是我也尝试去新东方应聘英语老师。这让我有机会看看其他的职业选择是什么样的。结果就是，我经历得越多，就越坚定了做科研的理想。”

她这样描述自己的理想：“我就是非常喜欢这些研究，希望能治疗很多病人，为人类的健康作贡献。我的行动力也来源于这份热爱。”

如今张安琪在斯坦福大学化学工程与生物工程系做博士后，师从鲍哲南（材料科学顶尖学者，斯坦福大学化学工程学院院长）和Karl Deisseroth（光遗传学之父）两位教授。

“那几年，我收到过很多同学的来信，其中不少是女生。她们告诉我，我的故事激励了她们。这让我非常高兴，因为虽然现在有更多女生做科研，但男女比例依然不平衡。就像鲍哲南教授是我的女性榜样一样，我也希望自己可以鼓励更多女生参与科研工作。”

鲍哲南教授和张安琪

对于未来，张安琪有非常明确的规划。她想要继续从事脑机接口方向的研究，为人类健康作出更多贡献；另一方面，她想要成为Charles Lieber那样的教授，不仅擅长科研，也擅长培养人才，不仅是名好科学家，也是一名好老师。

本文来源：科研小芝士

       
       
        
        
       
       
       
       
        
        
         
                      
             
              
              
               
                               
                
                 
                 
                  
                  
                   
                   
                    
                    
                     
                      
                       
                        
                         往期精彩回顾 
                         
                        
                       
                     
                    
                    
                   
                   
                  
                  
                 
                 
                
                
                
                
                 
                 
                  
                  
                   
                   
                    
                    

                   
                   
                   
                   
                    
                    
                     
                     

                    
                    
                    
                    
                     
                     

                    
                    
                   
                   
                   
                   
                    
                    

                   
                   
                  
                  
                 
                 
                 
                 
                  
                  
                   
                   
                    适合初学者入门人工智能的路线及资料下载
                   
                   
                  
                  
                   
                   
                    (图文+视频)机器学习入门系列下载
                   
                   
                  
                  
                   
                   
                    机器学习及深度学习笔记等资料打印
                   
                   
                  
                  
                   
                   
                    《统计学习方法》的代码复现专辑
                   
                   
                  
                  

                  
                  
                   
                   
                    交流群
                   
                   
                  
                  欢迎加入机器学习爱好者微信群一起和同行交流，目前有机器学习交流群、博士群、博士申报交流、CV、NLP等微信群，请扫描下面的微信号加群，备注：”昵称-学校/公司-研究方向“，例如：”张小明-浙大-CV“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~（也可以加入机器学习交流qq群772479961）