世界初！復丹大学のFeng Jianfengチームは、860億個のニューロン規模のデジタルツインブレインプラットフォームを開発

人間の脳は、自然界で最も複雑かつ謎に満ちた情報処理システムの 1 つであり、その重量は体重のわずか 2% に過ぎない約 1.4 キログラムですが、奇跡的に人体内で約 20% の酸素と血液を消費します。この高度なネットワークでは、約 860 億個のニューロンが絡み合って 100 兆を超えるシナプス接続を形成し、複雑な情報伝達および処理システムを形成しています。このシステムが人間に思考、感じ、記憶、学習、創造、行動する能力を与え、さまざまな人格、性格、行動を生み出します。

人間の脳の謎を解き明かすため、世界各国で計算神経科学技術を活用した脳の研究が進められています。特にデジタルツイン脳の出現により、この問題を解決するための新しい視点と方法が提供されます。デジタルツイン技術を活用し、リバースエンジニアリング技術を通じて生物学的脳のデジタルコピーを構築し、脳の情報処理原理と神経コーディング原理を「解読」し、構造的な脳の模倣から機能的な脳の模倣への大きなブレークスルーを達成します。

最近、復旦大学脳知能知能科学技術研究所の馮建峰教授のチームは、データ同化手法に基づいて開発された世界初のデジタルツインブレイン（DTB）プラットフォームをリリースした。 860 億のニューロンと数億のニューロンを備えた脳全体のシミュレーション プラットフォーム。この研究では、デジタルツインの脳のサイズと構造が人間の脳に近づくほど、人間の脳で観察されるものと同様の重大な現象や同様の認知機能を徐々に示すことがわかりました。

この研究は「脳コンピューティングに似た人間の脳の休息状態とタスク実行状態の模倣と探索：スケーリングとアーキテクチャ」と題され、国際的に有名な学術誌ナショナル・サイエンス・レビュー（NSR）に掲載された。この記事は、NSR 特集トピック「ヒューマン ブレイン コンピューティングと脳に似た知能」の表紙記事としても掲載されています。

研究のハイライト:

* この研究は、デジタルツインの脳の定量的フレームワークを提供します。これは、脳の構造と機能の関係を発見し、さまざまな認知、医療、傷害の方法をデジタルでシミュレートおよび研究するために使用できます。

* この研究では、最大 200 億個のニューロンを含む脳全体のスパイキング ニューロン ネットワークと、規模とマルチモーダルな構造制約において独自のデータ制約構造を確立しました。

* この研究では、データ同化手法を使用して、静止状態と動作状態で BOLD 信号をフィッティングすることにより、「大規模な」モデルを推定する際の有効性を実証しています。

用紙のアドレス:
https://doi.org/10.1093/nsr/nwae080

オープンソース プロジェクト「awesome-ai4s」は、100 を超える AI4S 論文の解釈をまとめ、大規模なデータ セットとツールを提供します。

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

生物学的データの取得と前処理: マルチモーダル神経画像データを DTB モデルに統合

この研究では、3 テスラ磁気共鳴イメージング技術を使用して、単一の被験者に対して包括的なマルチモーダル磁気共鳴イメージング スキャンを実行しました。

まず、この研究では、高速グラジエント エコー シーケンスを使用して、高解像度の T1 強調画像 (T1w) を取得しました。続いて、この研究では、グラディエントエコープラナーイメージング（EPI）シーケンスを介して、マルチシェル拡散強調イメージング（DWI）および機能的磁気共鳴イメージング（fMRI）データを収集しました。これらのデータは、灰白質のボクセルベースの形態学 (VBM)、構造的接続性、血液酸素化レベル依存性 (BOLD) 信号をそれぞれ分析するために使用されました。

この研究では、データの前処理段階で、これらのマルチモーダルな神経画像データを動的トポロジベース モデル (DTB) に効率的に統合するために、綿密なデータ クリーニング プロセスを実行しました。最終的に、この研究は 16,043 ボクセルを含む皮質皮質下モデルを構築し、脳の構造と機能を深く理解するための新たな視点を提供しました。

DTB モデルは、16,043 ボクセルと 374 領域をカバーする、最大 200 億個のニューロンをサンプリングできます。

DTB プロセスのニューロン ネットワーク モデルは、ニューロンの数とシナプスの接続を柔軟に調整できます。以下の図 A に示すように、ボクセル ニューロンの数は一般に、VBM 灰白質体積、シナプス密度、PET SV2A データ、および DWI トレース密度に対する興奮性シナプス接続の数に比例します。特に、各皮質ボクセルは、層 L2/3 から L6 までの層構造をシミュレートし、各層間のニューロンはシナプスを介して接続されています。以下の図 B に示すように、モデルは最大 200 億個のニューロンをサンプリングでき、16,043 ボクセルと 374 領域をカバーします。

上の図 C に示すように、このモデルのニューロンは LIF モデルで表され、バックグラウンド電流は Ornstein-Uhlenbeck (OU) プロセスによって駆動され、シミュレートされた BOLD 信号は Balloon-Windkessel モデルを使用して取得されます。一部の領域では、ニューロンにガンマ分布した外部電流を注入し、推定された BOLD 信号からのサンプリング電流 (信号の記録) に基づいて Vw-dHMDA メソッドを使用して、安静時とタスク中に同じ被験者を収集できます。実験。最後に、この統計的推論のパフォーマンスは、シミュレートされた出力信号と BOLD 信号の間の時間経過の類似性と地域間の機能的接続性を比較することで評価できます。

安静状態におけるスケーリングを調査するために、この研究ではまず視床領域からの静的BOLD信号をフィッティングすることによって皮質皮質下モデルを安静状態に同化し、生物学的データとのモデルの類似性を測定した。

以下の図 A に示すように、視床内のすべてのボクセルにわたるシミュレーション BOLD 信号と実験 BOLD 信号の間の平均ピアソン相関係数 (PCC) は 0.977 (左) と 0.981 (右) でした。次に、この研究では、同化モデルと実際の脳ボクセルの静的 BOLD 信号の間の PCC を計算し、同化および生物学的静的 BOLD 信号のフロベニウス ノルム (F) を測定することによって、同化モデルとその生物学的対応物の間の類似性を測定しました。ノルム) を使用して、地域機能接続性 (FC) マトリックスの類似性を計算します。

このように、この研究で構築された皮質皮質下モデルには、平均シナプス接続性が 100 の 200 億個のニューロンが含まれており、これは安静状態の fMRI データと非常によく似ています。下の図 B に示すように、すべてのボクセルの BOLD 信号の平均 PCC は 0.624 です。下の図 C に示すように、シミュレートされた FC 行列と実際の FC 行列の PCC は 0.551 で、F ノルム距離は 0.271 です。

デジタルツインの脳は、規模や接続構造が本物の脳に似ているほど

この研究では、モデルと生物学的データの類似性に及ぼすニューロン数と平均シナプス接続の影響を分析しました。結果を以下の図 D に示します。平均シナプス接続性が 100 の場合、ニューロンの数が増加するにつれて、統合された静的 BOLD 信号と生物学的データの間の類似性が増加し、FC 行列間の一貫性が増加し、F ノルム距離が増加します。小さくなります。

以下の図 F に示すように、ニューロンの数が 100 億の場合、シミュレートされた生物学的静的 BOLD 信号の PCC は最初に増加し、平均シナプス接続が増加し、FC マトリックスの PCC が増加し、F ノルムが増加するにつれて安定します。距離が縮まります。

以下の図 E に示すように、崩壊臨界解析では、ニューロンの数が 50 億に増加すると、シミュレートされた静的 BOLD 信号が臨界点に近づき、崩壊期間とサイズがべき乗則分布を示すことが示されています。

スケールに加えて、計算モデルのもう 1 つの重要な特徴は、DWI ベースの神経解剖学への依存です。この依存性の影響を実証するために、研究ではニューロンの数を 10 億、平均シナプス接続を 100 に設定し、確率 P でローカル近傍への接続をランダムに選択して、ニューロン ネットワーク上で再配線プロセスを実行しました。

以下の図 A に示すように、P 値を 0 から 1 に変更することで、人工ボクセル レベルのアーキテクチャが、元の DWI データに基づくアーキテクチャから k 最近傍アルゴリズムに徐々に変化します。以下の図 B に示すように、ボクセル レベルの BOLD 時間経過の相関関係とモデルと生物学的データの間の FC 行列の相関は、P が増加するにつれて減少しますが、モデルと生物学的データの間の FC 行列の F ノルムは減少します。 P が増加すると距離は増加します。したがって、静止状態では、この再配線によりモデルと実際の脳の類似性が破壊されます。

安静状態に対する内受容回路の影響をさらに研究するために、以下の図 C に示すように、この研究では海馬、島、ACC、vmPFC/sgACC、視床を内受容入力として使用し、ボクセルレベルの BOLD 信号に適合させました。 "エリア。結果は以下の図 D に示されています。2 サンプルの t 検定を使用すると、内受容領域を入力として使用すると、同化された静的 BOLD 信号と生物学的データの間の類似性が大幅に向上することがわかりました。

以下の図 E に示すように、この研究では、電流同化ハイパーパラメータの時系列を入力することによって 5 つの平均アクティビティを計算しました。最高のスペクトル ピークは 0.02 ～ 0.025 Hz で、いくつかの低いピークは約 0.02 ～ 0.08 Hz です。以下の図 F に示すように、この研究では、平均電流ハイパーパラメーター シーケンスに対して条件付きグレンジャー因果関係分析を実施し、視床から ACC、視床から島、vmPFC/sgACC から ACC までに比較的大きな差異があることがわかりました。 、視床から海馬までの強い因果関係。

同化モデルとその生物学的対応物との類似性に対するニューロンおよびシナプスのスケールの影響を分析するために、この研究ではまず、知覚「入力」領域の一次聴覚野（A1）のボクセルごとの BOLD 信号をフィッティングしました。同化モデルは、領域内のニューロンが受け取る入力電流のガンマ分布ハイパーパラメーターを推定することによって確立されます。

以下の図 AC に示すように、モデルには平均アクセス次数 100 の 200 億個のニューロンが含まれています。同化信号と生物学的 BOLD 信号間のすべてのボクセルにわたる平均 PCC は 0.570 で、予測値と実験的に評価された値の間の相関は有意でした。

以下の図 DE に示すように、さまざまなニューロン数と平均シナプス接続性を備えたニューロン ネットワーク モデルを研究すると、シミュレーションされた信号と生物学的データの類似性がニューロン数と平均シナプス接続性とともに増加し、改善されることがわかりました。この研究では、静的モデルと同様の再配線破壊を実行しながら、モデル予測と生物学的対応物間の評価スコアとボクセルレベルの BOLD 時間経過との相関関係が、両方とも P の増加とともに増加することがわかりました。

皮質皮質下モデルは、特定の「デジタル損傷」操作に新たな可能性も提供します。以下の図 A に示すように、この研究では、一次視覚野 (V1) から背側および腹側視覚経路の基本視覚経路へのシナプス接続が除去されました。この研究では、以下の図Bに示すように、この操作が皮質皮質下領域における生物学的データとのモデルの類似性に影響を及ぼさなかったことを示しており、海馬の記憶および学習機能における視覚経路の重要性が確認されました。以下の図 C に示すように、V1 から背側経路または腹側経路への接続が除去されると、この操作により海馬 BOLD 信号と生物学的データの相関が大幅に減少します。対照的に、V1 から運動野への接続を取り除くと、海馬への影響は少なくなりました。

40 年間にわたり、馮建峰氏は数学的手法を用いて脳科学を研究している

復丹大学脳知能科学技術研究所の初代所長である馮建峰氏は、上海数学センターの主任教授であり、復丹大学ビッグデータ学部長でもあります。脳科学の分野で多大な業績を残した馮建峰だが、驚くべきは、初期の頃は数学科出身であり、それがその後の研究の道の基礎を築いたことである。

1981 年、馮建峰は北京大学数学学部に入学しました。馮建峰は当初、数学研究に対して高い理想を抱いていましたが、すぐに応用数学の分野に魅了されました。 Feng Jianfeng さんは 2 年生から生物学科のコースを監査し始めました。それ以来、Feng Jianfeng 氏は脳科学の研究に数学的手法を使用することを常に主張してきました。彼が博士論文を執筆する頃には、確率過程理論をニューラル ネットワークの研究に適用し始めていました。

2008 年に復旦大学に正式に入学してから、2015 年に脳知能科学技術研究所の初代所長に任命されるまで、馮建峰氏は過去 10 年間、数学的手法を使用して脳の謎を解明するために熱心に取り組んできました。ある種の問題を解決するためのニューラルコンピューティングの体系的な開発理論を確立し、国際的なバイオインフォマティクスの分野で有名な専門家となりました。

2018 年、Feng Jianfeng のチームは、7,000 万個のスパイキング ニューロンで構成されるデジタル脳を初めて構築しました。研究チームは、数学的アルゴリズムを通じて、脳全体のスケールで数千億のニューロンの機能の正確な計算シミュレーションを達成しました。計算シミュレーションを通じて、脳の知覚、学習と記憶、感情的意思決定、情報処理の動作メカニズムをさらに分析し、人工知能における独自のブレークスルーのための実験的および理論的基盤を提供します。 2021 年末までに、デジタル脳には本物の人間の脳と同じ数のニューロンが搭載されるようになるでしょう。驚くべきことに、このデジタル頭脳のプロトタイプは馮建峰その人です。

それは、科学研究を探求するこの勇気の精神と、計算論的精神医学とデジタルツインブレインの分野での優れた成果に基づいています。Feng Jianfeng は 2023 年フンボルト研究賞を受賞しました。この賞は、基礎研究、理論的革新、分野のリーダーシップなどで優れた業績をあげ、今後も最先端の業績を上げ続けることが期待される優秀な学者に特別に授与されます。受賞者は毎年100名を超えません。 。

馮建峰氏のリーダーシップの下、復旦大学脳知能科学技術研究所は現在、認知神経科学、計算システム生物学、人工知能アルゴリズム、全脳コンピューティングなどの専門知識を持つ教員120人のチームを擁している。研究チーム、彼は筆頭著者または責任著者として、Nature Medicine や Nature Human Behavior などのハイレベルなジャーナルに 100 本近くの論文を発表しており、その成果は「2023 年の中国における重要な医療進歩」に選ばれ、ジュネーブ国際学会では複数の銀メダルを獲得しています。国際発明特別展、世界人工知能賞などの学会でSAIL賞を受賞するなど国内外の賞を多数受賞し、「脳・知能科学若手研究者同盟」の設立などを主導。

現在のところ、復旦大学の脳知能科学技術研究所は、張江国際脳画像センターと張江国際脳バンクという 2 つの最先端の実験技術プラットフォームを利用して、次のような主要分野における横断的な科学研究に重点を置いています。数学、脳科学、人工知能。今後も当研究所は、脳科学および脳にインスピレーションを得た研究の最前線に立ち、「初の脳にインスピレーションを受けた知能」の開発促進に尽力し、その発展に知恵と力を注ぎ続けていきます。分野。