Китайские ученые утверждают, что цифровые атласы мозга помогут понять, как взаимосвязаны области мозга и как они взаимодействуют на разных уровнях детализации, сообщает портал The New Stack.
Все большее число специалистов в области искусственного интеллекта обращается к нейронауке за вдохновением при поиске новых типов алгоритмов и сетевых архитектур. В частности, такие идеи, как искусственные нейронные сети и глубокое обучение, берут свое начало в функционировании и обучении человеческого мозга и могут стать ключом к развитию человекоподобного интеллекта машин, или так называемого общего ИИ (AGI).
Правильное картирование человеческого мозга, вероятно, поможет в этой работе по созданию AGI, особенно в создании «виртуального мозга», который сможет моделировать взаимодействие между нейронами.
Однако многочисленные многолетние попытки создать точную виртуальную модель мозга были затруднены из-за исключения генетических факторов и отсутствия достаточной кросс-интеграции между моделями функционирования мозга в различных масштабах и экспериментальными методами.
Однако в скором времени эти недостатки могут быть исправлены благодаря платформе для создания «цифрового двойника мозга» («digital twin brain», DTB), недавно представленной исследовательской группой из Института автоматики Китайской академии наук.
В статье, опубликованной в журнале Intelligent Computing, описывается, как цифровая модель человеческого мозга позволяет преодолеть разрыв между искусственным и биологическим интеллектом, используя последние открытия в области нейронаук, что способствует созданию более совершенных моделей ИИ и более точных неврологических и когнитивных симуляторов, а также продвижению в области точной медицины, где лечение психического здоровья будет персонализировано в соответствии с индивидуальными особенностями пациента.
«Передовые достижения в области нейронаук выявили сложную взаимосвязь между структурой и функциями мозга, а успех искусственных нейронных сетей подчеркнул важность архитектуры сети, — пишет группа китайских ученых. — настало время объединить их для лучшего понимания того, как интеллект возникает из многомасштабных репозиториев в мозге. [...] При математическом моделировании деятельности мозга систематические репозитории многомасштабной архитектуры мозговых сетей были бы очень полезны для расширения биологических границ установленных моделей».
В качестве такого систематического репозитория DTB сможет моделировать различные состояния человеческого мозга при решении различных когнитивных задач в различных масштабах, а также поможет разработать методы изменения состояния мозга, находящегося в состоянии сбоя.
Как отмечают китайские специалисты, такой виртуальный подход будет иметь решающее значение для поиска новых методов лечения неврологических заболеваний: «Преимущества данного исследовательского подхода заключаются в том, что эти методы не только моделируют [биологически правдоподобные] динамические механизмы заболеваний мозга на уровне нейронов, на уровне популяций нейронов и на уровне регионов мозга, но и осуществляют виртуальное хирургическое лечение, которое невозможно провести в естественных условиях в силу экспериментальных или этических ограничений. [...] В совокупности вычислительные модели способны дать представление о механизмах, лежащих в основе заболеваний мозга, и помочь в разработке мер вмешательства».
Роль атласа мозга
При разработке DTB авторы статьи использовали результаты предыдущих и текущих исследований, проведенных на основе атласов человеческого мозга — нейроанатомических карт биологического мозга. В частности, за основу цифровой копии была взята информация из Brainnetome Atlas, созданного в 2016 г. под руководством Тяньцзы Цзяна, ведущего исследователя группы.
По мнению авторов, главное преимущество атласа Brainnetome заключается в том, что он синтезирует различные репозитории информации, полученной с помощью различных методов визуализации и экспериментальных методик, что позволяет лучше отобразить мозговые связи в различных масштабах и модальностях в 246 субрегионах мозга, включая структурные и функциональные паттерны между ними.
Атласы мозга «могут помочь нам понять, как области мозга взаимосвязаны и как они взаимодействуют на различных уровнях детализации, — поясняют авторы. — Такие знания очень важны для моделирования динамики мозга и симуляции сложных нейронных процессов».
Группа также отметила, что построение моделей ИИ на основе информации, адаптированной из атласов мозга, может дать значительное преимущество: «Сети, обученные с использованием биологически реалистичной связности, часто превосходят те, что обучены на случайных сетях. Интеграция данных, полученных с помощью различных методов визуализации, позволяет получить полное представление о структуре, связности и активности мозга. Такой мультимодальный подход позволяет получить дополнительную информацию о мозге, что повышает нашу способность моделировать нейронную активность с более высокой точностью».
В дальнейшем, по мнению исследователей, очень важно создать платформу DTB как замкнутый, но динамичный ресурс, удобный для пользователя, адаптируемый и опенсорсный.
Кроме того, команда предполагает, что DTB будет постоянно валидироваться и совершенствоваться, когда ее будут испытывать в реальных приложениях, таких как идентификация биомаркеров и фармакологические испытания, и со временем повышать эффективность вычислений для обеспечения эффективного моделирования в различных масштабах и модальностях.
