Le Premier Au Monde ! L'équipe De Feng Jianfeng À L'université Fudan a Développé Une Plateforme Cérébrale Jumelle Numérique Avec 86 Milliards De Neurones

Le cerveau humain est l’un des systèmes de traitement de l’information les plus complexes et les plus mystérieux de la nature. Il ne pèse qu'environ 1,4 kilogramme, ce qui ne représente que 2% du poids du corps, mais consomme miraculeusement environ 20% d'oxygène et de sang dans le corps humain.Dans ce réseau sophistiqué, environ 86 milliards de neurones sont entrelacés les uns avec les autres, formant plus de 100 000 milliards de connexions synaptiques, constituant un système complexe de transmission et de traitement de l’information.C’est ce système qui donne aux humains la capacité de penser, de ressentir, de se souvenir, d’apprendre, de créer et d’agir, et qui crée différentes personnalités, caractères et comportements.

Afin de percer les mystères du cerveau humain, les pays du monde entier utilisent la technologie des neurosciences computationnelles pour mener des recherches sur les sciences du cerveau. Surtout avec l’avènement du cerveau jumeau numérique, cela offre une nouvelle perspective et une nouvelle méthode pour résoudre ce problème. Il utilise et s'appuie sur la technologie des jumeaux numériques, construit une copie numérique du cerveau biologique grâce à la technologie de rétro-ingénierie et « décode » les principes de traitement de l'information et de codage neuronal du cerveau, ce qui peut permettre des avancées majeures de la simulation cérébrale structurelle à la simulation cérébrale fonctionnelle.

Récemment, l'équipe du professeur Feng Jianfeng de l'Institut des sciences et technologies de l'intelligence inspirée du cerveau de l'Université Fudan a lancé la plateforme Digital Twin Brain (DTB), qui est la première plateforme de simulation cérébrale à l'échelle du cerveau humain au monde développée sur la base de méthodes d'assimilation de données, avec 86 milliards de neurones et un billion de synapses.L’étude a révélé que plus le cerveau du jumeau numérique est proche du cerveau humain en termes d’échelle et de structure, plus il présentera progressivement des phénomènes critiques et des fonctions cognitives similaires observées dans le cerveau humain.

L'étude a été publiée dans la revue de renommée internationale National Science Review (NSR) sous le titre « Imiter et explorer les états de repos et d'exécution de tâches du cerveau humain via une ressemblance avec l'informatique cérébrale : mise à l'échelle et architecture ».Cet article est également inclus comme article de couverture dans le numéro spécial de NSR « Human Brain Computing and Brain-like Intelligence ».

Points saillants de la recherche :

* Cette étude fournit un cadre quantitatif pour le cerveau jumeau numérique, qui peut être utilisé pour découvrir la relation entre la structure et la fonction du cerveau et pour simuler et étudier numériquement différentes approches cognitives, médicales et de blessures.

* L’étude a établi un réseau neuronal à pointes à l’échelle du cerveau contenant jusqu’à 20 milliards de neurones et une structure limitée par les données qui est unique en termes d’échelle et de contraintes structurelles multimodales.

* L’étude a utilisé des méthodes d’assimilation de données pour démontrer leur efficacité dans l’estimation de « grands » modèles en ajustant les signaux BOLD dans les états de repos et de mouvement.

Adresse du document :
https://doi.org/10.1093/nsr/nwae080

Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :

https://github.com/hyperai/awesome-ai4s

Acquisition et prétraitement de données biologiques : intégration de données de neuroimagerie multimodale dans le modèle DTB

L’étude a utilisé la technologie IRM 3 Tesla pour réaliser une IRM multimodale complète sur un seul sujet.

Dans un premier temps, l’étude a capturé des images pondérées en T1 à haute résolution (T1w) à l’aide d’une séquence d’écho de gradient rapide. Par la suite, l'étude a recueilli des données d'imagerie pondérée en diffusion multi-couches (DWI) et d'imagerie par résonance magnétique fonctionnelle (IRMf) à l'aide de séquences d'imagerie planaire par écho de gradient (EPI). Ces données ont été utilisées pour analyser respectivement la morphologie basée sur les voxels (VBM), la connectivité structurelle et les signaux dépendants du niveau d'oxygène dans le sang (BOLD) de la matière grise.

Au cours de l’étape de prétraitement des données, l’étude a effectué un processus détaillé de nettoyage des données visant à intégrer efficacement ces données de neuroimagerie multimodale dans le modèle de base topologique dynamique (DTB). En fin de compte, l’étude a construit un modèle cortico-sous-cortical composé de 16 043 voxels, offrant une nouvelle perspective pour une compréhension plus approfondie de la structure et de la fonction du cerveau.

Le modèle DTB échantillonne jusqu'à 20 milliards de neurones, couvrant 16 043 voxels et 374 régions.

Le modèle de réseau neuronal sous le processus DTB peut ajuster de manière flexible le nombre de neurones et la connectivité synaptique.Comme le montre la figure A ci-dessous, le nombre de neurones voxels est proportionnel au volume de matière grise VBM, la densité synaptique est proportionnelle aux données PET SV2A et le nombre de connexions synaptiques excitatrices est proportionnel à la densité des traces DWI en général. En particulier, chaque voxel cortical simule une structure en couches de L2/3 à L6, et les neurones de chaque couche sont connectés par des synapses. Comme le montre la figure B ci-dessous, le modèle peut échantillonner jusqu’à 20 milliards de neurones, couvrant 16 043 voxels et 374 régions.

Comme le montre la figure C ci-dessus, les neurones de ce modèle sont représentés par le modèle LIF, le courant de fond est piloté par le processus Ornstein-Uhlenbeck (OU) et le signal BOLD simulé est obtenu à l'aide du modèle Balloon-Windkessel. Dans certaines régions, les neurones ont été injectés avec des courants externes distribués gamma, et des signaux BOLD expérimentaux ont ensuite été acquis auprès du même sujet au repos et pendant l'exécution de la tâche en utilisant la méthode Vw-dHMDA basée sur l'enregistrement des signaux des hyperparamètres estimés. Enfin, la performance de cette inférence statistique peut être évaluée en comparant la sortie simulée avec la similarité temporelle du signal BOLD et la connectivité fonctionnelle entre les régions.

Pour étudier la mise à l'échelle de l'état de repos, nous avons d'abord assimilé le modèle cortico-sous-cortical de l'état de repos en ajustant le signal BOLD statique de la région thalamique et mesuré la similitude du modèle avec les données biologiques.

Comme le montre la figure A ci-dessous, le coefficient de corrélation de Pearson moyen (PCC) entre les signaux BOLD simulés et expérimentaux sur tous les voxels du thalamus est de 0,977 (à gauche) et de 0,981 (à droite). Nous avons ensuite mesuré la similarité entre le modèle assimilé et son homologue biologique en calculant le PCC entre le modèle assimilé et les signaux BOLD statiques des voxels cérébraux réels, et la similarité de la matrice de connectivité fonctionnelle régionale (FC) calculée en mesurant la norme de Frobenius (norme F) des signaux BOLD statiques assimilés et biologiques.

De cette manière, le modèle cortico-sous-cortical construit dans cette étude contient 20 milliards de neurones avec une connectivité synaptique moyenne de 100, ce qui est significativement similaire aux données IRMf à l'état de repos. Comme le montre la figure B ci-dessous, le PCC moyen du signal BOLD de tous les voxels est de 0,624. Comme le montre la figure C ci-dessous, le PCC des matrices FC simulées et réelles est de 0,551 et la distance de norme F est de 0,271.

Plus le cerveau du jumeau numérique est similaire au cerveau réel en termes d'échelle et de connectivité

Cette étude a analysé l’impact du nombre de neurones et de la connectivité synaptique moyenne sur la similarité entre le modèle et les données biologiques.Les résultats sont présentés dans la figure D ci-dessous. Lorsque la connectivité synaptique moyenne est de 100, à mesure que le nombre de neurones augmente, la similarité entre le signal BOLD statique intégré et les données biologiques augmente, la cohérence entre les matrices FC augmente et la distance de la norme F diminue.

Comme le montre la figure F ci-dessous, lorsque le nombre de neurones est de 10 milliards, les PCC des signaux BOLD statiques simulés et biologiques augmentent d'abord puis se stabilisent à mesure que la connectivité synaptique moyenne augmente, les PCC de la matrice FC augmentent et la distance de la norme F diminue.

Comme le montre la figure E ci-dessous, l'analyse de la criticité de l'effondrement montre que lorsque le nombre de neurones augmente jusqu'à 5 milliards, le signal BOLD statique simulé est plus proche du point critique, et la durée et la taille de l'effondrement suivent une distribution de loi de puissance.

Outre les échelles, une autre caractéristique importante du modèle informatique est sa dépendance à la neuroanatomie basée sur la DWI.Pour démontrer l’impact de cette dépendance, l’étude a réalisé un processus de recâblage sur un réseau neuronal, en fixant le nombre de neurones à 1 milliard, la connectivité synaptique moyenne à 100 et en sélectionnant aléatoirement les connexions aux quartiers locaux avec une probabilité P.

En faisant varier la valeur P de 0 à 1, comme illustré dans la figure A ci-dessous, l'architecture artificielle au niveau du voxel passe progressivement de l'architecture basée sur les données DWI d'origine à l'algorithme des k plus proches voisins. Comme le montre la figure B, la corrélation de l'évolution temporelle BOLD au niveau du voxel et la corrélation de la matrice FC entre le modèle et les données biologiques diminuent avec l'augmentation de P, tandis que la distance de norme F de la matrice FC entre le modèle et les données biologiques augmente avec l'augmentation de P. Par conséquent, à l'état de repos, ce recâblage détruit la similitude entre le modèle et le cerveau réel.

Pour étudier plus en détail l'impact du circuit intéroceptif sur l'état de repos, comme le montre la figure C ci-dessous, cette étude a utilisé l'hippocampe, l'insula, l'ACC, le vmPFC/sgACC et le thalamus comme régions d'« entrée » intéroceptives pour ajuster leurs signaux BOLD au niveau du voxel. Les résultats sont présentés dans la figure D ci-dessous. En utilisant un test t à deux échantillons, l’étude a révélé que la similarité entre le signal BOLD statique assimilé et les données biologiques était significativement améliorée lorsque la zone intéroceptive était utilisée comme entrée.

Comme le montre la figure E ci-dessous, l’étude a calculé les cinq activités moyennes en saisissant la série chronologique des hyperparamètres d’assimilation actuels, avec le pic spectral le plus élevé à 0,02-0,025 Hz et plusieurs pics inférieurs à environ 0,02-0,08 Hz. Comme le montre la figure F ci-dessous, cette étude a mené une analyse de causalité conditionnelle de Granger sur la séquence moyenne des hyperparamètres actuels et a constaté qu'il existe des relations causales relativement fortes du thalamus à l'ACC, du thalamus à l'insula, du vmPFC/sgACC à l'ACC et du thalamus à l'hippocampe.

Pour analyser l'impact des échelles neuronales et synaptiques sur la similarité entre le modèle d'assimilation et son homologue biologique, nous avons d'abord ajusté les signaux BOLD des voxels dans le cortex auditif primaire (A1), la zone d'« entrée » sensorielle, puisUn modèle d'assimilation est établi en estimant les hyperparamètres de la distribution Gamma du courant d'entrée reçu par les neurones de cette zone.

Comme le montre la figure AC ci-dessous, le modèle contient 20 milliards de neurones avec un degré d'accès moyen de 100. Le PCC moyen sur tous les voxels entre les signaux BOLD assimilés et biologiques était de 0,570, et la corrélation entre les nombres prédits et évalués expérimentalement était significative.

Lors de l'étude de modèles de réseaux neuronaux avec différents nombres de neurones et une connectivité synaptique moyenne, comme le montre la figure DE ci-dessous, l'étude a révélé que la similitude entre les signaux simulés et les données biologiques augmentait avec l'augmentation du nombre de neurones et de la connectivité synaptique moyenne. Lors de la réalisation d'une rupture de reconnexion similaire à celle du modèle statique, nous avons constaté que la corrélation entre les prédictions du modèle et leurs homologues biologiques, ainsi que l'évolution temporelle BOLD au niveau du voxel, augmentaient avec l'augmentation de P.

Le modèle cortico-sous-cortical ouvre également de nouvelles possibilités pour certaines opérations de « déficience numérique ».Comme le montre la figure A ci-dessous, l’étude a supprimé les connexions synaptiques de la zone visuelle primaire (V1) à la voie visuelle de base dans les voies visuelles dorsale et ventrale. L'étude a montré que cette manipulation n'affectait pas la similarité du modèle avec les données biologiques dans la zone cortico-sous-corticale, comme le montre la figure B ci-dessous, ce qui confirme l'importance de la voie visuelle pour les fonctions de mémoire et d'apprentissage de l'hippocampe. Comme le montre la figure C ci-dessous, lorsque la connexion de V1 aux voies dorsales ou ventrales a été supprimée, cette manipulation a considérablement réduit la corrélation du signal BOLD hippocampique avec les données biologiques. En revanche, la suppression des connexions de V1 aux zones motrices a eu moins d’effet sur l’hippocampe.

Feng Jianfeng étudie les sciences du cerveau en utilisant des méthodes mathématiques depuis 40 ans

En tant que premier doyen de l'Institut des sciences et technologies de l'intelligence inspirée du cerveau de l'Université Fudan, Feng Jianfeng est également professeur en chef du Centre de mathématiques de Shanghai et doyen de l'École de Big Data de l'Université Fudan.Bien qu'il ait accompli de grandes réalisations dans le domaine des sciences du cerveau, il est surprenant que Feng Jianfeng soit initialement diplômé du département de mathématiques, ce qui a jeté les bases de son parcours de recherche ultérieur.

En 1981, Feng Jianfeng a été admis au département de mathématiques de l'Université de Pékin. Bien qu'il ait initialement eu de nobles idéaux pour la recherche mathématique, Feng Jianfeng a rapidement été attiré par le domaine des mathématiques appliquées. À partir de sa deuxième année, Feng Jianfeng a commencé à suivre des cours en auditeur libre au Département de biologie. Depuis lors, Feng Jianfeng a toujours insisté sur l’utilisation de méthodes mathématiques pour étudier la science du cerveau. Au moment où il rédigeait sa thèse de doctorat, il avait déjà commencé à appliquer la théorie des processus stochastiques à la recherche sur les réseaux neuronaux.

Depuis son adhésion officielle à l'Université Fudan en 2008 jusqu'à son embauche en tant que premier doyen de l'Institut des sciences et technologies de l'intelligence inspirée du cerveau en 2015, Feng Jianfeng a travaillé sans relâche pour percer les mystères du cerveau au cours de la dernière décennie. Il a utilisé la théorie mathématique du développement systématique de l'informatique neuronale pour résoudre une classe de problèmes de contrôle stochastique optimal et est devenu un expert reconnu dans le domaine de la bioinformatique internationale.

En 2018, l'équipe de Feng Jianfeng a construit pour la première fois un cerveau numérique composé de 70 millions de neurones à pointes. Grâce à des algorithmes mathématiques, l’équipe a réalisé une simulation informatique détaillée des fonctions de centaines de milliards de neurones dans le cerveau humain.Grâce à la simulation informatique, nous pouvons analyser plus en détail les mécanismes de fonctionnement de la perception, de l’apprentissage et de la mémoire du cerveau, de la prise de décision émotionnelle et du traitement de l’information, fournissant ainsi une base expérimentale et théorique pour des avancées originales en intelligence artificielle. D’ici fin 2021, le cerveau numérique aura le même nombre de neurones qu’un véritable cerveau humain. Étonnamment, le prototype de ce cerveau numérique est Feng Jianfeng lui-même.

Il s’appuie sur cet esprit d’exploration audacieuse dans la recherche scientifique et sur ses réalisations exceptionnelles en psychiatrie computationnelle et en cerveau jumeau numérique.Jianfeng Feng a reçu le prix de recherche Humboldt 2023.Ce prix est spécifiquement décerné à des chercheurs exceptionnels qui ont réalisé des réalisations exceptionnelles en matière de recherche fondamentale, d’innovation théorique et de leadership disciplinaire, et qui devraient continuer à réaliser des réalisations de pointe à l’avenir. Le nombre de lauréats chaque année ne dépasse pas 100.

Sous la direction de Feng Jianfeng, l'Institut des sciences et technologies de l'intelligence inspirée du cerveau de l'Université Fudan compte désormais un corps professoral de 120 personnes, dont plusieurs équipes de recherche en neurosciences cognitives, en biologie des systèmes informatiques, en algorithmes d'intelligence artificielle et en informatique cérébrale globale.Il a publié près de 100 articles en tant que premier auteur ou auteur correspondant dans des revues de haut niveau telles que Nature Medicine et Nature Human Behavior. Ses réalisations ont été sélectionnées pour « Les avancées médicales importantes de la Chine en 2023 ». Il a remporté de nombreux prix nationaux et internationaux, notamment le Silver Award au Salon international des inventions de Genève et le SAIL Award à la World Artificial Intelligence Conference. Il a pris l'initiative de créer la « Young Scholars Alliance of Brain and Intelligence Science » et ainsi de suite.

à l'heure actuelle,L'Institut des sciences et technologies de l'intelligence inspirée du cerveau de l'Université Fudan s'appuie sur deux plateformes technologiques expérimentales de pointe, le Centre international d'imagerie cérébrale de Zhangjiang et la Banque internationale du cerveau de Zhangjiang, pour se concentrer sur la recherche scientifique interdisciplinaire dans des domaines clés tels que les mathématiques, les sciences du cerveau et l'intelligence artificielle.À l'avenir, l'Institut continuera de se tenir à l'avant-garde de la science du cerveau et de la recherche sur le cerveau dans le monde, s'engageant à promouvoir le développement de la « première intelligence semblable au cerveau » et à contribuer continuellement à la sagesse et à la force du progrès dans ce domaine.