人間の脳は、自然界で最も複雑で神秘的な情報処理システムの一つです。わずか1.4キログラム、体重のわずか2%を占める脳は、驚くべきことに体内の酸素と血液の約20%を消費します。この複雑なネットワークの中で、約860億個のニューロンが絡み合い、100兆個を超えるシナプス結合を形成し、情報伝達と処理のための複雑なシステムを構成しています。このシステムこそが、人間に思考、感情、記憶、学習、創造、行動といった能力を与え、様々な性格、特性、行動パターンを形作っているのです。

人間の脳の謎を解き明かすため、世界各国が計算神経科学を基盤とした脳科学研究に取り組んでいます。特に、デジタルツインブレインの登場は、この問題解決に全く新しい視点とアプローチをもたらしました。デジタルツイン技術を駆使し、リバースエンジニアリングによって生物学的脳のデジタルコピーを構築することで、脳の情報処理原理と神経符号化原理を「解読」し、構造的・機能的な脳の模倣といった画期的な成果をもたらします。

最近、復旦大学脳模倣知能科学技術研究所の馮建鋒教授のチームがデジタルツインブレイン（DTB）プラットフォームを発表しました。これは、データ同化手法に基づいて開発された世界初の脳シミュレーションプラットフォームであり、人間の脳のスケールに匹敵する860億個のニューロンと数兆個のシナプスを誇ります。研究の結果、デジタルツインブレインがスケールと構造において人間の脳に近づくほど、人間の脳に見られる重要な現象や類似の認知機能を徐々に発現することが明らかになりました。

「類似脳コンピューティングによるヒト脳の安静時およびタスク遂行状態の模倣と探究：スケーリングとアーキテクチャ」と題されたこの研究は、国際的に著名な学術誌「ナショナル・サイエンス・レビュー（NSR）」に掲載されました。また、NSRの「ヒト脳コンピューティングと脳に触発された知能」特集号の表紙記事としても取り上げられました。

研究のハイライト:

• この研究は、デジタルツイン脳の定量的な枠組みを提供します。これは、脳の構造と機能の関係を発見したり、さまざまな認知、医療、傷害のアプローチをデジタルでシミュレートして研究したりするために使用できます。
• この研究では、最大 200 億のニューロンとデータ制約構造を含む、規模とマルチモーダル構造制約の点でユニークな、脳全体に広がるピーク ニューロン ネットワークを確立しました。
• この研究では、データ同化手法を使用して、BOLD 信号を安静時および活動時の状態に適合させることで「大規模」モデルを推定する有効性を実証しました。

論文の宛先:
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、膨大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のDTBモデルへの統合

この研究では、3テスラの磁気共鳴画像技術を使用して、1人の被験者に対して包括的なマルチモーダル磁気共鳴画像スキャンを実行しました。

本研究では、まず、高速グラディエントエコーシーケンスを用いて高解像度のT1強調画像（T1w）を取得した。続いて、グラディエントエコープラナーイメージング（EPI）シーケンスを用いて、マルチシェル拡散強調画像（DWI）および機能的磁気共鳴画像（fMRI）データを収集した。これらのデータを用いて、灰白質におけるボクセルベース形態学（VBM）、構造的連結性、および血中酸素濃度依存性（BOLD）信号を解析した。

データ前処理段階では、これらのマルチモーダル神経画像データを動的トポロジカルベースモデル（DTB）に効率的に統合することを目指し、綿密なデータクリーニングプロセスを実施しました。最終的に、16,043ボクセルからなる皮質-皮質下モデルを構築し、脳の構造と機能のより深い理解に向けた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プロセスのニューラルネットワークモデルは、ニューロン数とシナプス接続を柔軟に調整できます。図Aに示すように、ボクセルニューロン数は概ねVBM灰白質体積に比例し、シナプス密度はPET SV2Aデータに比例し、興奮性シナプス接続数はDWI軌跡密度に比例します。具体的には、皮質の各ボクセルはL2/3からL6までの層状構造をシミュレートし、各層のニューロンはシナプスで接続されています。図Bに示すように、このモデルは最大200億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。

皮質皮質下モデルのワークフロー

上図Cに示すように、このモデルのニューロンはLIFモデルで表現され、背景電流はオルンシュタイン・ウーレンベック（OU）過程によって駆動され、シミュレーションによるBOLD信号はバルーン・ウィンドケッセルモデルを用いて得られる。特定の領域では、ニューロンにガンマパターンに分布する外部電流を注入することができる。次に、推定されたハイパーパラメータからサンプリングされた電流記録信号に基づき、Vw-dHMDA法を用いて、同一被験者の安静時および課題遂行時の実験的BOLD信号を取得する。最後に、シミュレーション出力とBOLD信号の時間的類似性、および領域間の機能的接続性を比較することで、この統計的推論の性能を評価する。

安静時のスケールを研究するために、この研究ではまず、視床領域の静的 BOLD 信号を当てはめて皮質皮質下モデルの安静状態を同化し、モデルと生物学的データ間の類似性を測定した。

下図Aに示すように、視床の全ボクセルにおけるシミュレーションBOLD信号と実験BOLD信号間の平均ピアソン相関係数（PCC）は、左が0.977、右が0.981です。本研究では、同化モデルと実際の脳ボクセルからの静的BOLD信号間のPCCを計算することで、同化モデルとその生物学的対応物との類似性を測定しました。また、同化モデルと生物学的静的BOLD信号のフロベニウスノルム（Fノルム）を測定することで、局所的機能的連結性（FC）マトリックスの類似性も測定しました。

安静時の皮質-皮質下モデルのスケーリング解析

このように、本研究で構築した皮質-皮質下モデルは、平均シナプス結合数が100の200億個のニューロンを含み、これは安静時のfMRIデータと有意に類似しています。下図Bに示すように、BOLD信号の全ボクセルの平均PCCは0.624です。下図Cに示すように、シミュレーションと実際のFC行列のPCCは0.551、Fノルム距離は0.271です。

デジタル ツイン ブレインの規模と接続性が実際の脳に似ているほど、優れたものになります。

本研究では、ニューロン数と平均シナプス結合がモデルと生物学的データとの類似性に与える影響を分析しました。結果は下の図Dに示されています。平均シナプス結合が100の場合、ニューロン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との類似性が向上し、FC行列間の整合性が向上し、Fノルム距離が減少します。

安静時の皮質皮質下モデルのパフォーマンス

下の図Fに示すように、ニューロン数が100億の場合、シミュレーションおよび生物学的静的BOLD信号のPCCはまず増加し、その後、平均シナプス結合の増加とともに安定します。FC行列のPCCは増加し、Fノルム距離は減少します。

安静時における異なる平均シナプス接続性の下でのDTBパフォーマンス評価

下の図 E に示すように、崩壊臨界解析では、ニューロン数が 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、崩壊の持続時間と大きさがべき乗分布を示すことがわかります。

静止状態におけるDTBの位相同期解析と崩壊臨界解析

スケールに加えて、この計算モデルのもう一つの重要な特徴は、DWIベースの神経解剖学に依存していることです。この依存の影響を示すために、この研究ではニューロン数を10億、シナプスの平均接続数を100に設定し、確率Pで局所近傍への接続をランダムに選択することで、ニューラルネットワークの配線を変更しました。

図Aに示すように、P値を0から1まで変化させることで、人工ボクセルレベルアーキテクチャは、生のDWIデータに基づくアーキテクチャからk近傍法アルゴリズムへと徐々に移行します。図Bに示すように、ボクセルレベルBOLD時間プロセスと、モデルと生物学的データ間のFCマトリックスの相関はPの増加に伴って低下しますが、モデルと生物学的データ間のFCマトリックスのFノルム距離はPの増加に伴って増加します。したがって、安静状態では、この再接続によってモデルと実際の脳の類似性が損なわれます。

再配線手順の図解と安静時のモデル性能評価

図Cに示すように、内受容野回路が安静時に与える影響をさらに調査するため、本研究では海馬、島皮質、帯状回皮質、前頭前皮質/上皮下帯状回皮質、視床を内受容野の「入力」領域として用い、各領域におけるボクセルレベルのBOLD信号をフィッティングした。図Dに示す結果は、内受容野を入力領域として用いることで、同化された静的BOLD信号と生物学的データとの類似性が大幅に向上することが明らかになった。

内受容野に関するデジタル研究の模式図と指標評価

図Eに示すように、本研究では入力電流同化ハイパーパラメータの時系列を用いて5つの主要な平均活動を計算した。最も高いスペクトルピークは0.02～0.025Hzにあり、0.02～0.08Hz付近にいくつかの低いピークが見られた。図Fに示すように、本研究では平均電流ハイパーパラメータ系列の条件付きグレンジャー因果関係解析により、視床からACC、視床から島皮質、vmPFC/sgACCからACC、そして視床から海馬への比較的強い因果関係が見出された。

パワースペクトル密度解析とグレンジャー因果関係解析

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とシナプスのスケールの影響を分析するために、本研究では、まず感覚「入力」領域である一次聴覚皮質（A1）のボクセルBOLD信号を適合させ、次にこの領域のニューロンが受信する入力電流のガンマ分布ハイパーパラメータを推定することによって同化モデルを確立しました。

下の図 AC に示すように、モデルには平均アクセシビリティが 100 の 200 億のニューロンが含まれています。同化 BOLD 信号と生物学的 BOLD 信号間のすべてのボクセルの平均 PCC は 0.570 であり、予測評価数値と実験評価数値の相関は有意です。

聴覚評価タスクにおけるデジタル脳の予測性能

図DEに示すように、ニューロン数と平均シナプス接続が異なるニューラルネットワークモデルを研究した結果、ニューロン数と平均シナプス接続が増加するにつれて、シミュレーション信号と生物学的データとの類似性が高まることが分かりました。静的モデルと同様の再接続破壊を行った場合、モデル予測と生物学的対応物の評価スコアの相関、およびボクセルレベルのBOLD時間プロセスの相関は、どちらもPの増加に伴って高まることが分かりました。

皮質皮質下モデルの性能評価

皮質-皮質下モデルは、特定の「デジタル障害」操作における新たな可能性も提供します。図Aに示すように、本研究では、背側および腹側視覚経路において、一次視覚野（V1）から基本視覚経路へのシナプス結合を除去しました。図Bに示すように、この操作は皮質-皮質下領域におけるモデルと生物学的データとの類似性に影響を与えないことが示され、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。図Cに示すように、V1から背側または腹側経路への接続を除去すると、海馬BOLD信号と生物学的データとの相関が大幅に低下しました。一方、V1から運動皮質への接続を除去した場合、海馬への影響は小さくなりました。

皮質皮質下モデルのデジタル障害評価

馮建馮氏は40年にわたり、数学的手法を用いた脳科学の研究に取り組んできました。

復旦大学脳模倣知能科学技術研究所の初代所長である馮建鋒氏は、上海数学科学センターの主任教授、そして復旦大学ビッグデータ学院の学長も務めています。脳科学における多大な功績にもかかわらず、馮建鋒氏が当初数学を専攻し、それが後の研究の道の基盤を築いたことは驚くべきことです。

1981年、馮建鋒は北京大学数学科に入学した。当初は数学研究に高い志を抱いていたものの、すぐに応用数学の分野に惹かれていった。2年生になると、生物学科の授業を聴講し始めた。それ以来、馮建鋒は一貫して数学的手法を用いて脳科学を研究し、博士論文を執筆する頃には、確率過程理論を神経ネットワークの研究に応用し始めていた。

馮建鋒氏は、2008年に復旦大学に正式に着任し、2015年に脳型知能科学技術研究所の初代所長に任命されて以来、10年近くにわたり脳の謎を解き明かすべく精力的に研究を続けてきました。彼は、ニューラルコンピューティングの体系的発展に関する数学理論を用いて、一連の最適確率制御問題を解いたことで、バイオインフォマティクス分野で国際的に著名な専門家となりました。

2018年、馮建鋒率いるチームは、7000万個のスパイクニューロンからなる世界初のデジタルブレインを構築しました。数学的アルゴリズムを用いて、数千億個のニューロンの機能を脳全体で精巧に計算シミュレーションすることに成功しました。このシミュレーションは、脳の知覚、学習・記憶、感情的意思決定、情報処理といった機能メカニズムをさらに解析し、人工知能における独創的なブレークスルーのための実験的・理論的基盤を提供しました。2021年末までに、デジタルブレイン内のニューロン数は実際の人間の脳に匹敵するほどにまで達しました。驚くべきことに、このデジタルブレインのプロトタイプは馮建鋒自身でした。

馮建鋒氏が2023年度フンボルト研究賞を受賞したのは、まさにこの科学研究における探究心と、計算精神医学およびデジタルツイン脳における卓越した業績によるものです。この賞は、基礎研究、理論的革新、そして分野におけるリーダーシップにおいて卓越した業績を挙げ、今後も最先端の業績を継続的に達成することが期待される優秀な研究者に授与されます。毎年100名程度が受賞します。

復旦大学脳型知能科学技術研究所は、馮建鋒氏のリーダーシップの下、現在120名の教職員を擁し、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を専門とする複数の研究チームを擁しています。彼らは、 『Nature Medicine』や『Nature Human Behavior』といった権威ある学術誌に、筆頭著者または責任著者として100本近くの論文を発表しています。彼らの研究は「2023年中国における重要な医学的進歩」に選出され、ジュネーブ国際発明博覧会の銀メダルや世界人工知能会議のSAIL賞など、国内外で数々の賞を受賞しています。また、「脳と知能科学のための若手研究者連盟」の設立を主導するなど、様々な取り組みを行っています。

現在、復旦大学脳模倣知能科学技術研究所は、張江国際脳イメージングセンターと張江国際脳バンクという2つの最先端実験技術プラットフォームを基盤として、数学、脳科学、人工知能といった重点分野における学際的な科学研究に注力しています。今後も、脳科学と脳模倣研究の最前線に立ち続け、「世界初の脳模倣知能」の開発を推進し、この分野の発展に知恵と力を注ぎ続けます。