全球首個！中國科學(xué)家開發(fā)數(shù)字孿生腦平臺，具備860億神經(jīng)元！

人類大腦是自然界中最復(fù)雜和神秘的信息處理系統(tǒng)之一，其約 1.4 千克的微小重量，僅占身體重量的 2%，卻奇跡般地消耗了人們體內(nèi)約 20% 的氧氣和血液。在這個精密的網(wǎng)絡(luò)中，大約有 860 億個神經(jīng)元相互交織，形成了超過 100 萬億個突觸連接，構(gòu)成了一個復(fù)雜的信息傳遞和處理系統(tǒng)。正是這個系統(tǒng)，賦予了人類思考、感受、記憶、學(xué)習(xí)、創(chuàng)造和行動的能力，造就了不同的人格、性格與行為方式。

為了破解人類大腦的奧秘，世界各國都在利用計算神經(jīng)科學(xué)技術(shù)開展腦科學(xué)研究。尤其是隨著數(shù)字孿生腦的問世，為解決這一難題提供了一個全新的視角和方法。它利用和借鑒數(shù)字孿生技術(shù)，通過逆向工程技術(shù)構(gòu)建生物大腦的數(shù)字副本，「破譯」腦在信息處理與神經(jīng)編碼原理的方式，可實現(xiàn)從結(jié)構(gòu)仿腦到功能仿腦等重大突破。

近期，復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院馮建峰教授團(tuán)隊發(fā)布了數(shù)字孿生腦 (Digital Twin Brain, DTB) 平臺，這是國際上首個基于數(shù)據(jù)同化方法開發(fā)的、具備 860 億神經(jīng)元規(guī)模及百萬億突觸的全人腦尺度大腦模擬平臺。該研究發(fā)現(xiàn)，數(shù)字孿生腦在規(guī)模與結(jié)構(gòu)上越接近人類大腦，會逐漸展現(xiàn)出類似在人腦中觀測到的臨界現(xiàn)象與相似的認(rèn)知功能。

該研究以「Imitating and exploring human brain’s resting and task-performing states via resembling brain computing: scaling and architecture」為題，發(fā)表于國際著名期刊 National Science Review (NSR)。該文章還作為封面文章收錄于 NSR「人類大腦計算與類腦智能」專題。

研究亮點：

該研究為數(shù)字孿生大腦提供了定量框架，可用于發(fā)現(xiàn)大腦結(jié)構(gòu)和功能之間的關(guān)系，并對不同的認(rèn)知、醫(yī)學(xué)和損傷方法進(jìn)行數(shù)字化的模擬與研究。

該研究建立了全腦范圍內(nèi)的尖峰神經(jīng)元網(wǎng)絡(luò)，包含多達(dá) 200 億個神經(jīng)元和數(shù)據(jù)約束結(jié)構(gòu)，在尺度和多模態(tài)結(jié)構(gòu)約束方面獨一無二。

該研究用數(shù)據(jù)同化方法，通過擬合靜息狀態(tài)和動作狀態(tài)下的 BOLD 信號，證明了其在估計「大」模型方面的有效性。

生物數(shù)據(jù)采集與預(yù)處理：將多模態(tài)神經(jīng)影像數(shù)據(jù)整合進(jìn) DTB 模型

該研究采用了 3 特斯拉的磁共振成像技術(shù)，對單一受試者進(jìn)行了全面的多模態(tài)磁共振成像掃描。
首先，該研究利用快速梯度回波 (rapid gradient echo) 序列捕獲了高分辨率的 T1 加權(quán)圖像 (T1w)。隨后，該研究通過梯度回波平面成像 (EPI) 序列收集了多殼層彌散加權(quán)成像 (DWI) 和功能性磁共振成像 (fMRI) 數(shù)據(jù)。這些數(shù)據(jù)分別用于分析灰質(zhì) (gray matter) 的體素基礎(chǔ)形態(tài)學(xué) (VBM)、結(jié)構(gòu)連接性以及血氧水平依賴 (BOLD) 信號。

在數(shù)據(jù)預(yù)處理階段，該研究執(zhí)行了細(xì)致的數(shù)據(jù)清洗流程，旨在將這些多模態(tài)神經(jīng)影像數(shù)據(jù)高效整合入動態(tài)拓?fù)浠啄Ｐ?(DTB)。最終，該研究構(gòu)建了一個包含 16,043 個體素 (voxels) 的 cortico-subcortical 模型，為深入理解大腦結(jié)構(gòu)與功能提供了新的視角。

DTB 模型可采樣高達(dá) 200 億神經(jīng)元，覆蓋 16,043 個體素和 374 個區(qū)域

DTB 流程下的神經(jīng)元網(wǎng)絡(luò)模型 (neuronal network model) 可靈活調(diào)整神經(jīng)元數(shù)量和突觸連接度。如下圖 A 所示，體素神經(jīng)元數(shù)與 VBM 灰質(zhì)體積、突觸密度與 PET SV2A 數(shù)據(jù)、興奮性突觸連接數(shù)與 DWI 軌跡密度在一般情況下成正比。特別是，每個皮層體素都模擬了一個 L2/3 至 L6 層的層狀結(jié)構(gòu)，每一層之間的神經(jīng)元通過突觸進(jìn)行連接。如下圖 B 所示，該模型可采樣高達(dá) 200 億神經(jīng)元，覆蓋 16,043 個體素和 374 個區(qū)域。

cortico-subcortical 模型的工作流程

如上圖 C 所示，該模型中的神經(jīng)元以 LIF 模型表示，背景電流由 Ornstein-Uhlenbeck (OU) 過程驅(qū)動，模擬 BOLD 信號則使用 Balloon-Windkessel 模型獲得。在某些區(qū)域，神經(jīng)元可注入 Gamma 分布的外部電流，然后通過使用 Vw-dHMDA 方法，基于從估計的超參數(shù)中采樣電流 (recording signals)，來采集同一受試者在靜息狀態(tài)和執(zhí)行任務(wù)期間的實驗 BOLD 信號。最后，通過對比模擬數(shù)據(jù) (simulated output) 與 BOLD 信號的時間過程相似性以及區(qū)域間功能連接性，從而可評估這種統(tǒng)計推斷 (statistical inference) 的性能。

為了對靜息狀態(tài)下的尺度進(jìn)行研究，該研究首先通過擬合丘腦區(qū)域的靜態(tài) BOLD 信號來同化 cortico-subcortical 模型的靜息狀態(tài)，并測量模型與生物數(shù)據(jù)的相似性。

如下圖 A 所示，在丘腦的所有體素中，模擬和實驗 BOLD 信號之間的平均皮爾遜相關(guān)系數(shù) (PCC) 為 0.977（左側(cè)）和 0.981（右側(cè)）。然后，該研究通過計算同化模型和真實大腦體素靜態(tài) BOLD 信號之間的 PCC 來測量同化模型與其生物對應(yīng)物之間的相似性，以及通過測量同化和生物學(xué)靜態(tài) BOLD 信號的 Frobenius 范數(shù) (F-norm) 來計算出的區(qū)域功能連接 (FC) 矩陣的相似性。

靜息狀態(tài)下 cortico-subcortical 模型的尺度分析

通過這種方式，該研究構(gòu)建的 cortico-subcortical 模型包含 200 億神經(jīng)元，平均突觸連接度為 100，與靜息狀態(tài) fMRI 數(shù)據(jù)顯著相似。如下圖 B 所示，所有體素的 BOLD 信號平均 PCC 為 0.624，如下圖 C 所示，模擬與實際 FC 矩陣的 PCC 為 0.551，F(xiàn)-norm 距離為 0.271。

數(shù)字孿生腦與真實大腦的規(guī)模尺度與連接結(jié)構(gòu)越相似

該研究分析了神經(jīng)元數(shù)量和平均突觸連接度對模型與生物數(shù)據(jù)相似度的影響。結(jié)果如下圖 D 所示，當(dāng)平均突觸連接度為 100 時，隨著神經(jīng)元數(shù)量的增加，整合靜態(tài) BOLD 信號與生物數(shù)據(jù)的相似度提高，F(xiàn)C 矩陣間的一致性增強，F(xiàn)-norm 距離減小。

cortico-subcortical 模型在靜息狀態(tài)下的表現(xiàn)

如下圖 F 所示，當(dāng)神經(jīng)元數(shù)量為 100 億時，模擬與生物靜態(tài) BOLD 信號的 PCCs 隨平均突觸連接度增加先上升后穩(wěn)定，F(xiàn)C 矩陣的 PCCs 增加，F(xiàn)-norm 距離減小。

靜息狀態(tài)下不同平均突觸連接度的 DTB 性能評估

如下圖 E 所示，崩塌臨界性分析顯示，當(dāng)神經(jīng)元數(shù)量增至 50 億時，模擬的靜態(tài) BOLD 信號更接近臨界點，崩塌持續(xù)時間和大小呈冪律分布。

靜息狀態(tài)下 DTB 的相位同步分析和崩塌臨界性分析

除了尺度 (scales) 外，計算模型的另一個重要特征在于其依賴基于 DWI 的神經(jīng)解剖學(xué)。為了證明這種依賴性的影響，該研究對神經(jīng)元網(wǎng)絡(luò)進(jìn)行了重新布線過程，將神經(jīng)元數(shù)量設(shè)置為 10 億，平均突觸連接度設(shè)置為 100，以概率 P 隨機(jī)選擇連接到局部鄰域。

通過將 P 值從 0 變化到 1，如下圖 A 所示，人工體素級架構(gòu)逐漸從基于原始 DWI 數(shù)據(jù)的架構(gòu)變化到 k 近鄰算法。如下圖 B 所示，模型與生物數(shù)據(jù)之間的體素級 BOLD 時間過程的相關(guān)性以及 FC 矩陣的相關(guān)性隨著 P 的增加而減少，而模型與生物數(shù)據(jù)之間的 FC 矩陣的 F-norm 距離隨著 P 的增加而增加。因此，在靜息狀態(tài)下，這種重連破壞了模型與真實大腦之間的相似性。

重布線程序示意與靜息狀態(tài)下的模型性能評估

為了進(jìn)一步研究內(nèi)感受回路對靜息狀態(tài)的影響，如下圖 C 所示，該研究將海馬體、島葉、ACC、vmPFC/sgACC 和丘腦作為要擬合其體素級 BOLD 信號的內(nèi)感受「輸入」區(qū)域。結(jié)果如下圖 D 所示，通過使用雙樣本 t 檢驗，該研究發(fā)現(xiàn)，將內(nèi)感受區(qū)域作為輸入時，同化靜態(tài) BOLD 信號與生物數(shù)據(jù)之間的相似性顯著提高。

內(nèi)感受區(qū)域的數(shù)字化研究示意圖與指標(biāo)評估

如下圖 E 所示，該研究通過輸入電流同化超參數(shù)的時間序列來計算 5 大平均活動度，最高光譜峰值在 0.02-0.025 Hz，幾個較低的峰值約為 0.02-0.08 Hz。如下圖 F 所示，該研究通過對平均電流超參數(shù)序列進(jìn)行條件 Granger 因果分析，發(fā)現(xiàn)從丘腦到 ACC、從丘腦到島葉、從 vmPFC/sgACC 到 ACC，以及從丘腦到海馬體都具有相對較強的因果關(guān)系。

功率譜密度分析與 Granger 因果分析

為了分析神經(jīng)元和突觸尺度對同化模型與其生物對應(yīng)物之間相似性的影響，該研究首先擬合感知「輸入」區(qū)域初級聽覺皮層 (A1) 的體素 BOLD 信號，然后通過估計該區(qū)域神經(jīng)元接收的輸入電流的 Gamma 分布超參數(shù)，從而建立了同化模型。

如下圖 A-C 所示，該模型包含 200 億個神經(jīng)元，平均接入度為 100。同化和生物 BOLD 信號之間的所有體素平均 PCC 為 0.570，預(yù)測和實驗評估數(shù)之間的相關(guān)性顯著。

數(shù)字大腦在執(zhí)行聽覺評估任務(wù)時的預(yù)測表現(xiàn)

在研究具有不同神經(jīng)元數(shù)量和平均突觸連接度的神經(jīng)元網(wǎng)絡(luò)模型時，如下圖 D-E 所示，該研究發(fā)現(xiàn)模擬信號與生物數(shù)據(jù)的相似性隨著神經(jīng)元數(shù)量和平均突觸連接度的增加而提高。在進(jìn)行與靜態(tài)模型類似的重連破壞時，該研究發(fā)現(xiàn)模型預(yù)測和生物對應(yīng)物之間的評估分?jǐn)?shù)、體素級 BOLD 時間過程的相關(guān)性均隨著 P 的增加而增加。

cortico-subcortical 模型性能評估

cortico-subcortical 模型還為某些「數(shù)字損傷」操作提供了新可能。如下圖 A 所示，該研究對背側(cè)和腹側(cè)的視覺通路進(jìn)行了從初級視覺區(qū)域 (V1) 到基本視覺通路的突觸連接移除操作。研究表明，如下圖 B 所示，這種操作未影響模型在 cortico-subcortical 區(qū)域與生物數(shù)據(jù)的相似性，這證實了視覺通路對海馬體記憶和學(xué)習(xí)功能的重要性。如下圖 C 所示，當(dāng)移除 V1 到背側(cè)或腹側(cè)通路的連接時，這種操作顯著降低了海馬體 BOLD 信號與生物數(shù)據(jù)的相關(guān)性。相比之下，移除 V1 到運動區(qū)的連接對海馬體的影響較小。

cortico-subcortical 模型的「數(shù)字損傷」評估

40 年堅守，馮建峰用數(shù)學(xué)方法研究腦科學(xué)

作為復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院的首任院長，馮建峰同時還是上海數(shù)學(xué)中心首席教授，并兼任復(fù)旦大學(xué)大數(shù)據(jù)學(xué)院院長。盡管在腦科學(xué)領(lǐng)域頗有建樹，但令人意外的是，馮建峰早期卻是數(shù)學(xué)系出身，這為其后來的研究道路奠定了基礎(chǔ)。

1981 年，馮建峰考入北京大學(xué)數(shù)學(xué)系。盡管最初對于數(shù)學(xué)研究有著崇高理想，但馮建峰很快就被應(yīng)用數(shù)學(xué)領(lǐng)域所吸引。從大二起，馮建峰開始旁聽生物系課程。由此開始，馮建峰始終堅持利用數(shù)學(xué)方法研究腦科學(xué)。到了寫博士論文時，他已經(jīng)開始將隨機(jī)過程理論應(yīng)用于神經(jīng)網(wǎng)絡(luò)研究。

從 2008 年正式加入復(fù)旦大學(xué)，到 2015 年受聘成為類腦智能科學(xué)與技術(shù)研究院首任院長，馮建峰在近 10 年中為破解大腦奧秘樂此不疲，用系統(tǒng)發(fā)展神經(jīng)計算的數(shù)學(xué)理論解決了一類最優(yōu)隨機(jī)控制問題，成為國際生物信息領(lǐng)域的知名專家。

2018 年，馮建峰團(tuán)隊首次搭建了由 7 千萬個脈沖神經(jīng)元組成的數(shù)字大腦。通過數(shù)學(xué)算法，該團(tuán)隊實現(xiàn)人腦全腦尺度千億級神經(jīng)元功能的精細(xì)計算模擬。通過計算模擬，進(jìn)一步解析大腦感知覺、學(xué)習(xí)記憶、情感決策及信息處理等工作機(jī)制，為人工智能的原創(chuàng)突破提供實驗及理論基礎(chǔ)。到 2021 年底，數(shù)字大腦擁有的神經(jīng)元數(shù)量已與真正的人腦相當(dāng)。令人驚訝的是，這個數(shù)字大腦的原型就是馮建峰本人。

正是基于這種對于科學(xué)研究勇于探索的精神，以及在計算精神病學(xué)領(lǐng)域和數(shù)字孿生腦上的卓越成就，馮建峰被授予 2023 年度的洪堡研究獎 (Humboldt Research Award)。該獎項專門授予在基礎(chǔ)研究、理論創(chuàng)新、學(xué)科引領(lǐng)等方面取得卓越成就，并在未來有望繼續(xù)取得尖端成就的杰出學(xué)者，每年的獲獎?wù)卟怀^ 100 人。

在馮建峰的帶領(lǐng)下，如今的復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院，已擁有一支 120 人的教職工隊伍，有認(rèn)知神經(jīng)科學(xué)、計算系統(tǒng)生物學(xué)、人工智能算法、全腦計算等多個研究團(tuán)隊，以第一或通訊作者身份在 Nature Medicine、Nature Human Behavior 等高水平期刊發(fā)表論文近百篇，成果曾入選《中國 2023 年度重要醫(yī)學(xué)進(jìn)展》，多次斬獲日內(nèi)瓦國際發(fā)明特別展銀獎、世界人工智能大會 SAIL 獎等多項國內(nèi)外大獎，牽頭組建了「腦與智能科學(xué)青年學(xué)者聯(lián)盟」等等。

目前，復(fù)旦大學(xué)類腦智能科學(xué)與技術(shù)研究院正依托張江國際腦影像中心和張江國際腦庫這兩大尖端實驗技術(shù)平臺，專注于數(shù)學(xué)、腦科學(xué)與人工智能等關(guān)鍵領(lǐng)域的交叉科學(xué)研究。未來，研究院將持續(xù)站在腦科學(xué)與類腦研究的世界前沿，致力于推動「首個類腦智能」的發(fā)展，不斷為該領(lǐng)域的進(jìn)步貢獻(xiàn)智慧和力量。