[论文解读] Digital twin brain: a bridge between biological intelligence and artificial intelligence

Hui Xiong, Congying Chu+8 more|arXiv (Cornell University)|Aug 3, 2023

Molecular Communication and NanonetworksEngineering被引用 3

一句话总结

本文提出了数字孪生脑（DTB）作为统一平台，整合脑图谱、多尺度神经模型及跨模态仿真，以弥合生物智能与人工智能之间的鸿沟。通过利用脑网络组织结构与先进的计算建模，DTB能够实现对脑功能与疾病的预测性、个性化仿真，推动通用人工智能与精准精神健康的发展。

ABSTRACT

In recent years, advances in neuroscience and artificial intelligence have paved the way for unprecedented opportunities for understanding the complexity of the brain and its emulation by computational systems. Cutting-edge advancements in neuroscience research have revealed the intricate relationship between brain structure and function, while the success of artificial neural networks highlights the importance of network architecture. Now is the time to bring them together to better unravel how intelligence emerges from the brain's multiscale repositories. In this review, we propose the Digital Twin Brain (DTB) as a transformative platform that bridges the gap between biological and artificial intelligence. It consists of three core elements: the brain structure that is fundamental to the twinning process, bottom-layer models to generate brain functions, and its wide spectrum of applications. Crucially, brain atlases provide a vital constraint, preserving the brain's network organization within the DTB. Furthermore, we highlight open questions that invite joint efforts from interdisciplinary fields and emphasize the far-reaching implications of the DTB. The DTB can offer unprecedented insights into the emergence of intelligence and neurological disorders, which holds tremendous promise for advancing our understanding of both biological and artificial intelligence, and ultimately propelling the development of artificial general intelligence and facilitating precision mental healthcare.

研究动机与目标

• 为弥合生物智能与人工智能之间的日益扩大的差距，构建统一的计算框架。
• 开发一个数字孪生平台，整合大脑结构、功能与多尺度、多模态的动力学特性。
• 利用脑图谱作为结构约束，实现对脑功能与神经疾病预测性建模。
• 通过患者特异性数据支持个性化虚拟疗法，实现个体化DTB的构建。
• 通过共享、开放且可扩展的仿真平台，促进跨学科合作，推动通用人工智能与精准精神健康的发展。

提出的方法

• 通过三大核心组件构建DTB：脑结构（来自脑图谱）、用于功能生成的底层神经模型，以及广泛的应用场景。
• 利用脑图谱作为基础约束，以在数字仿真中保持大脑的网络拓扑结构与组织特性。
• 将多尺度与多模态数据（如神经影像、电生理、基因组数据）整合到统一的建模框架中。
• 采用GPU加速、数值优化的仿真平台，实现高效、大规模脑动力学仿真。
• 在健康对照数据上进行预训练，随后通过患者特异性数据进行微调，以实现个体化DTB模型。
• 设计用户友好、开源的平台，集成建模、仿真、可视化与分析功能，支持研究人员使用。

实验结果

研究问题

• RQ1 如何利用脑图谱来约束并构建人类大脑的数字孪生模型？
• RQ2 何种计算框架能够实现高效、多尺度、多模态的脑动力学仿真，同时保持生物学合理性？
• RQ3 如何构建个体化的数字孪生模型，以支持神经与精神疾病个性化虚拟疗法？
• RQ4 网络架构在弥合生物智能与人工智能鸿沟中发挥何种作用？
• RQ5 数字孪生脑模型如何实现从现象学模型到脑疾病预测性模型的演进？

主要发现

• 数字孪生脑（DTB）提供了一个变革性平台，统一整合了多尺度、多模态下的脑结构、功能与动力学特性。
• 脑图谱作为关键的结构约束，有效保持了大脑的网络拓扑结构，支持生物学合理的建模。
• 当前神经信息学平台尚无法全面支持图谱约束、多尺度与多模态仿真，凸显了构建新型集成平台的迫切需求。
• DTB实现了从现象学模型到脑疾病预测性模型的跃迁，支持个性化治疗策略的开发。
• 通过在健康对照群体上预训练，再结合患者特异性数据进行微调，可构建个体化DTB，实现虚拟疗法仿真。
• DTB在模拟智能的涌现与神经功能障碍方面展现出巨大潜力，有望推动通用人工智能与精准精神健康的发展。