研究背景
大脑皮层的褶皱形态是力学与生物学的交汇：脑生长的物理不稳定性（微分生长导致的屈曲）被认为是褶皱形成的机制。这篇 Nature Computational Science 论文用物理迁移学习预测脑形态发生——把力学模拟的先验知识迁移到生物数据预测中。
方法与核心内容
方法结合力学建模（生长弹性壳体的失稳理论）与迁移学习：物理模拟器生成大量形态数据训练网络，再迁移到真实脑影像数据。这种模拟器作为教师的范式绕开了生物数据稀缺的困境，与工程仿真中的降阶模型思想同源。
结果与意义
模型能够预测个体脑形态的发育轨迹，为神经系统发育异常的早期识别提供工具。方法论上，它示范了力学与机器学习在生物形态发生领域的可迁移性——生长力学、形态失稳、数据驱动预测的三方会师。
我们的观点
这篇论文是力学思维输出到生命科学的漂亮案例：脑回不是长出来的而是屈曲出来的——这个力学直觉配上迁移学习，解决的是生物学数据无法回答的问题。对本站力学方向读者的提示：力学方法论的输出半径正在快速扩大，生长与失稳的数学是通用语言。
局限：物理模型的假设（均匀生长、线弹性）是对真实生物过程的简化；个体差异与遗传因素的融合仍待完善。与经典力学书籍的讲透标准一样，生物力学建模的第一课也是分清假设与事实。