Podcast · 知识
主播 未知 出品 小羊不无聊, Alex_Zz, 泽泽泽_zzz 知识 · 科学 1,364 订阅 24 集 2天前更新
八爪鱼bioctopus
体脂秤测出来只有 17%,DEXA 却显示 28%?我们到底该相信哪个数字? 这一期,我们想聊聊最近在美国 Longevity 和健康圈越来越火的 DEXA 体成分检测。被种草的小羊和小泽也亲自去体验了一番,没想到报告里的体脂率让人大吃一惊。除了体脂率,还发现了一连串新的问题:身体不同部位的脂肪分布、Lean Mass,以及和同龄人比较的 Percentile,这些数据究竟能告诉我们什么? 本期我们再次邀请八爪鱼的老朋友、美国注册营养师 Joy,从脂肪的基本知识聊起,重新认识不同类型的脂肪与胆固醇,回顾制糖业影响营养学研究的一段历史,并解读 2026 年美国血脂管理指南的新变化。 从饮食中的脂肪,到血液里的胆固醇,再到 DEXA 报告上的体脂率,我们想和大家一起探讨:当身体越来越可以被量化,哪些数字真正值得关注?又该如何把这些数据转化为更科学的健康决策? 🎙️本期嘉宾: Joy | 南加州大学营养与膳食长寿学硕士,美国营养与饮食学会(Academy of Nutrition and Dietetics)认证注册营养师 现居美国南加州,目前从事个人营养咨询与健康管理(Nourimax.co),关注肠道健康,体重管理以及高血脂、糖尿病等慢性疾病相关的饮食与生活方式支持,同时就职于加州某医院的糖尿病专科门诊,具备丰富临床实践经验。 Joy的小红书:https://xhslink.com/m/AMkWf8h09Na ⌚️时间戳: 05:32 膳食脂肪的四种类型:饱和、单不饱和、多不饱和与反式脂肪。 15:48 吃进去的脂肪一定会变成身上的脂肪吗? 19:44 我们为什么一直以来对脂肪总是有一些误解? 20:26 糖与脂肪之争,一个隐藏了数十多年的秘密 24:37 营养师如何看待体检报告上的血脂指标? 32:36 体脂秤和DEXA的数据差异 49:18 普通人应该怎么去关注和管理自己的脂肪? 52:38 有家族病史的、高血脂的朋友如何提前干预? 🧬 本期关键词: * Lipid Panel(血脂检查):常规血液检查项目,主要包括总胆固醇(Total Cholesterol)、甘油三酯(Triglycerides)、低密度脂蛋白胆固醇(LDL-C)和高密度脂蛋白胆固醇(HDL-C),用于辅助评估心血管健康和脂质代谢状况。 * Superfood(超级食物):常见于食品营销和健康传播的概念,通常指富含维生素、矿物质、膳食纤维或其他有益成分的食物,例如蓝莓、羽衣甘蓝和奇亚籽。但它不是具有统一科学标准的正式营养学分类。 * DEXA / DXA(Dual-Energy X-ray Absorptiometry,双能 X 射线吸收测定法): 一种利用两种不同能量的 X 射线测量身体组成的技术。除了骨密度,还能估算全身及不同部位的脂肪量、瘦体组织量和体脂率,是广泛使用的体成分参考测量方法之一。 * Lean Mass(瘦体组织量):在 DEXA 报告中通常指去除脂肪和骨矿物质后的软组织量,包括肌肉、器官、血液和水分等,并不完全等于肌肉量。
58 分钟 81 次播放 2天前
本期节目我们想把镜头拉远一点,从单个药物的研发,转向一家大型药企的整体布局。 如果一家公司手里同时有几十个、甚至几百个研发项目,它们处在不同的研发阶段,覆盖不同的疾病领域,也采用不同的技术路线,这么多项目,到底该怎么放在一起管理?公司怎么知道自己现在手里有哪些牌,未来还缺哪些牌?当资金、人才和时间都有限时,又该优先推进哪些项目,为哪些方向提前布局? 这些问题,正是本期想聊的Portfolio strategy —— 管线组合战略。它关注的不只是某一个项目有没有前景,更是这些项目放在一起,能否支撑公司当下的目标和未来的发展。 🎙️ 本期嘉宾 二水姐,生物学博士,曾任大型药企Research Scientist,后通过公司内部的轮转机会,转向Portfolio Strategy团队 ⌚️ 时间轴 04:40 什么是药企的Portfolio:把不同疾病领域、不同研发阶段的在研项目放在一起看 06:01 战略的本质是选择:有限的资源和注意力,应该投入在哪里? 09:16 以“八爪鱼药业”为例:管理200个研发项目,需要怎样的整体视角? 13:30 项目取舍不能只看科学新颖性:还要考虑验证程度、竞争格局与公司的风险偏好 21:38 管线需要时间上的连续性:近期有药上市,不代表中长期没有收入缺口 30:09 如何日常追踪组合的状态?研发阶段、成本、价值与成功率 38:15 压力检验(Pressure test)是什么?用证据检验假设,理解各团队判断的依据 42:19 小 Biotech也需要战略思考 49:41 不必成为每个领域的专家:以足够广的理解搭建框架 📚 延伸阅读 * Modality|药物类型:例如小分子、抗体、抗体偶联药物(ADC)、细胞治疗等。不同类型往往需要不同的研发与生产能力。 * Pressure Test|压力检验:通过追问假设、比较证据和引入不同视角,检验一个判断是否站得住脚。、分析竞争对手的研发管线、临床进展等信息,为公司判断外部环境提供参考。 * Governance|决策治理机制:规定由谁、在什么阶段、依据哪些信息做出决策,以及如何记录和跟进。本期特指决策规则与流程,不等同于公司 KPI。 * Patent Cliff|专利悬崖:核心药物失去专利保护后,因竞争加剧而面临收入明显下降的风险。
55 分钟 99+ 次播放 3周前
本期节目为全英文采访,中文翻译正在进行中,中文版即将上线,敬请期待。 从记录步数、心率和睡眠,到预警高血压、识别疾病风险,可穿戴设备正在逐渐有进入真正的医疗场景的趋势。 今年 9 月,Apple 再次升级 Apple Watch 的健康传感能力,并开始用 Apple Intelligence 解读长期健康数据;与此同时,FDA 也在推进数字健康设备进入慢病管理和真实世界证据体系。我们想深入探讨的是:商业可穿戴设备每天产生的海量数据,是否可以、以及什么时候才能真正成为医生和药企可以信任的医疗证据? 本期我们和嘉宾从统计学、机器学习和药物研发的视角聊聊数字生物标志物的真实科研进展。我们也会把视角拉进药企内部:什么样的数字生物标志物项目值得立项,什么情况下应该叫停?大药企在数据、验证和临床转化上有什么独特优势?以及,当越来越多 AI 公司开始进入医疗领域,我们究竟该如何区分真正有临床价值的技术和 hype? 🎙️ 本期嘉宾 Dr. Tu 本科毕业于普林斯顿大学数学系,之后在宾夕法尼亚大学获得生物统计学博士学位,目前在一家头部药企担任首席科学家(Principal Scientist)。她长期关注统计学和机器学习在生物医学中的应用,研究涉及神经影像、数字健康和可穿戴设备等高维数据,希望通过数据和统计方法更好地理解人类健康与疾病。 ⌚️ 时间轴 02:32 从理论数学到可穿戴:嘉宾的入行之路 05:07 智能手表能在心梗、中风发生前预警吗? 09:44 阿尔茨海默早筛:瓶颈是数据,不是算法 12:58 疾病诊断本身就是主观标签:算法能超过医生吗? 15:06 什么把「设备数据」变成「数字生物标志物」 18:35 可解释、可验证、透明:在医疗领域是否能信任AI模型的判断纬度 22:37 Garmin 还是 Apple Watch?商业大数据在科学研究中真的有用吗? 25:03 大数据=好数据吗:数据清洗、行为噪声与混杂变量 33:21 药企内部:什么时候立项,什么时候叫停 37:07 大药企发展数字生物标志物的优势 39:17 识别炒作的关键问题 + AI 公司进军医疗 41:26 数字生物标志物什么时候能用于临床决策?预测与展望
48 分钟 99+ 次播放 1个月前
2026年9月,OpenAI发布GPT-6 Astra:从 coding、computer use 到 scientific discovery,模型能够承担的任务越来越复杂,也越来越接近真正的 agentic work。 当 AI 能做的越来越多,新的问题也随之出现:我们敢把多少事情交给它?什么时候应该放手,什么时候又必须介入?这一期,我们和丁杰教授聊了聊 AI Agent 走进科研的下一步。 从 AI for Science专家不可替代的“第一公里和最后一公里”,到如何为 AI 的产出增加验证与信任层; 从 AgentDS 中人与 AI 如何协作,到把多个 AI Agents “关进房间”、限制它们的信息与交流之后,反而出现意想不到的涌现行为。 也许 AI 的下一阶段,不只是变得更聪明,而是我们开始真正理解:如何约束它、如何与它协作,以及如何放心地使用它。 🎙️ 本期嘉宾: 丁杰教授 哈佛大学博士,现任明尼苏达大学统计学教授,AI Agent 初创公司 MorphMind AI 联合创始人兼 CEO。 MorphMind AI 创立于 2025 年,致力于打造更可控、可验证的 AI Agents,旨在让 AI 的结论能够被核验、解释和追溯,让人在 AI 协助下做出的决策真正值得信任。 1:38 AI 能力如何演化:从对话、写代码到生物科研 6:43 AI 越来越强,为什么可信度反而更重要? 11:11 MorphMind AI:为 AI 加“信任层”的基础设施 12:17 实验室自动化:不仅要有“手脚”,还要有“脑” 18:11 AI前沿实验室进军生物科技的两条路线:科学推理 vs. 科研助手 19:36 MorphMind AI可信度验证机制揭秘:AI 的答案到底该怎么查验? 26:25 丁教授发起的AgentDS比赛:人机协作 vs. 纯 AI,谁表现更好? 34:44 Multi-agent 怎么设计?从 Specialist 到 World Seed 39:53 科研品味怎么培养:找好问题、快速验证、跨学科 相关阅读 * AgentDS:一个研究 AI 与人类专家如何协作完成真实数据科学任务的 benchmark。2025 年比赛结果显示,表现最好的方案来自人机协作,而非纯 AI。AgentDS 官网 · AgentDS Technical Report * WorldSeed:MorphMind 团队的开源 multi-agent world engine,通过人为设计规则、角色、私有信息和交互方式,观察 agents 如何协作、竞争以及产生涌现行为。WorldSeed GitHub
42 分钟 99+ 次播放 2个月前
还没有人评价。听过的话,留个分数和一句短评吧。
您确定要删除评价吗?
外观
播放列表还是空的
去找些喜欢的单集添加进来吧