基于图计算的脑仿真，未来何在？

人脑就像一台施了魔法的纺织机，在不停地编织着与外在世界相关联的图样，把一个图样拆散了之后又重新编织起来，发明出其他的世界，创造出一个缩小的宇宙^[1]。

——查尔斯·谢林顿，1941

一个世纪以前，人们以神秘的魔法形象，描述着大脑复杂、精妙的运作。短短百年过去，我们已能逐一揭示这魔法的秘密，并将脑自身的图样一一勾画，俨然迎来了“创造”大脑的新局面。

在这图样的绘制中，我们已把大脑的魔法降维到可理解的层面。小到神经元，从1907年的积分放电神经元模型，到2013年用于类脑的TrueNorth模型，我们已能模拟超20种的神经元行为；大到脑图谱，从1909年基于观察的布罗德曼的脑分区图谱，2016年的人类连接组计划的多模态脑图谱，再到欧洲和美国的脑图谱计划、艾伦人脑图谱库涌现出的高精度图谱，我们对人脑的全面结构和功能的了解，以及相关数据的积累都已有了质的飞跃。

图1（上）：神经元模型发展史[2]

图2（下）：脑图谱发展史[3]

然而，随着我们能破解的脑魔法越来越多，我们所面临的问题也越来越棘手。随着检测技术的提升及人口老龄化的发展，阿尔茨海默病、帕金森病、中风、抑郁症等脑疾病，带来了巨大的医疗和社会压力，成为了全球公认的重大问题。尽管神经科学发展日新月异，但仍然缺乏行之有效的预防与治疗手段。反观传统的神经生物学研究，大都延续着半世纪前的技术，冒着只攻一点，埋头苦干四五年，硕博毕业无期限的风险，费时费力，产出微弱，转化困难，已无法满足时代的需求。

幸运的是，人工智能和计算机科学的蓬勃生机，为神经科学带来了新的生命，我们也得以创造前人不可想象的魔法。以哺乳动物新皮质回路模拟为例，随计算机及其软件的进步，该领域涌现出了大批模拟与开发大脑的工具（图3蓝色部分）。这让复杂的神经元模型开始简化，可用数据的数量和质量也呈爆炸式增长，进而促进关注一块膜的H-H模型发展为详细模拟整个皮质区域的皮质电路。

更甚的是，借助人工智能的魔法，我们已能在宏观尺度，初步模拟大脑的行为和机制。譬如，Izhikevich和Edelman提出的丘脑皮层系统模型，已表现出与正常大脑活动相似的行为特征；由250万个神经元组成的SPAUN，则已能够模拟大脑利用不同脑区协同展示多个认知功能的能力。

图3：利用基于电导的空间扩展神经元模型，对皮层回路进行详细网络建模的历史进步。神经活动的开创性研究（绿色），各种神经元（黄色）和神经网络（红色）的发展以及计算建模基础工具（蓝色）[4]。

随着越来越多的神经科学数据库的创建与公开，大脑图谱相关数据逐步积累，人工智能算法算力的全面发展，全脑仿真的构建也日益引人瞩目。近10年来全球各国都在脑模拟研究上进行了大规模布局，无论是欧盟脑计划、美国脑计划的发展、还是日本Brain/MINDS计划，中国脑计划的出台，都预示着我们正站在这历史的交叉点上。

用图计算构建脑仿真

脑仿真本身，并不新鲜。自1943年的人工神经元模型，到如今的脉冲神经网络，都为脑仿真迈出了结实的步伐。然而，技术的发展赋予了脑仿真新的使命。以往的脑仿真系统常用的架构，大多停留在20年前的数据量、计算机能力和生物学对脑的理解。我们需要一个全新的脑仿真架构，来容纳更大量的数据、提供更宏伟的算力，从而实现更精确的仿真和预测。用于数据挖掘的图计算技术，与神经元和脑仿真有着天然的相似。基于图计算技术搭建的高精度脑仿真架构，有望为揭示大脑的秘密提供一种新的研究方法和手段。

什么是图计算

图（graph），是一种表示对象之间关联关系的数据结构，由节点和边构成。例如在实际生活中，以火车站为点，站与站之间的距离为边的道路网络是图；以人为点，人与人之间的关系为边的社交网络是图。可以说，只要关系在，图就在。

社交网络就是典型的图数据

而我们的大脑，也是由神经元连接而成的复杂网络，其神经元间的信息传递机制，与图有着天然的相似性。将这种相似性应用于神经科学，便是把神经元视为节点，把神经元之间的连接视作边，将大脑建模成图。其中根据情景的不同，边可以有多种类型，以满足神经元连接的不同需求。如基于连接是否携带方向信息（因果关系），可以分为有向图和无向图；根据连接是否具有不同的权重，可以分为无权图和加权图。此外，这个图将提供所有节点和边关系的完整映射，也就构成了神经网络的拓扑结构。

使用图进行复杂脑网络研究，可以追溯到人类连接组计划。而基于图的网络分析，可以揭示有关人脑网络拓扑结构的不同信息^[5]，如聚类系数（图4A），能判断神经元间聚集性；社团挖掘，能找到相似的神经元种类；最短路径长度（图4B），测量两神经元间最短距离；小世界性（图4C），以较少的路径连接到目标神经元；同配性、异配性（图4D），判断神经网络鲁棒性，反映神经网络能抵抗的故障程度；网络中心性，识别神经网络的枢纽（图5A）、桥梁、访问速度、连接质量（图5B）等^[5,6]。

图4（上）：应用图论识别人脑网络连接模式[5]

图5（下）：应用图论识别人脑网络连接模式网络中心性的特征[5]

从图计算到图神经网络

所谓图计算，就是将数据建模为图结构的算法模型。它试图将问题解法转化为图结构上的计算问题，以对大规模数据的关系与模式进行挖掘，实现知识推理、事件溯源、决策、预测和推荐等功能。在日常生活中，社交媒体公司可以使用图计算，理解用户社区的形成和发展，更好地定位广告；生物学家可以使用图计算，探究蛋白质相互作用，找到新的药物治疗方案。

在图计算中，又以处理非欧几里得特性的图神经网络（GNN）最为热门，其中的图卷积网络（GCN）已在脑图预测、缺失的脑图整合、疾病分类和识别生物标志物中发挥着重要作用^[7]。一般来说，传统的人工智能方法主要是从某种“固定”结构编码的对象中提取信息。然而这与大脑神经网络的特性并不相符。毕竟，由神经元构成的图数据，并无固定的节点排列顺序，每个节点的连接也是可变化的。图卷积网络则通过整合中心节点和邻居节点的特征和标签信息，给出图中每个节点的规整表达形式，并将其输入到传统的卷积神经网络中，组成更高层次的表达，以有效利用图结构信息和属性信息。^[8]

图6：一个标准的空间图卷积处理流程[8]

当我们在医院做磁共振成像（MRI）扫描时，医院往往只对你进行一次扫描。而这一次扫描的结果，通常并不完整。而基于图计算衍生出的生成对抗网络几何深度学习框架，可以从源图预测目标形态脑图，从功能图预测结构脑图（图7A-1）；从单个形态图合成功能和结构脑图（图7A-2），以帮助医生判断。

此外，在神经影像学数据中，我们获取的脑图质量可能参差不齐，其中不乏低分辨率的图片。利用图U-自编码器，引入基于图特征分解的超分辨传播规则，可以生成具有更多节点和连接的高分辨率图（图7B），进而帮助数据收集和整理。

此外，基于图神经网络，我们还可以生成代表性的大脑连接模板（图7C）；时间序列脑图（图7F）；发现脑图中存在的区分性生物标志物（图7D）；预测被试状态，进行疾病分类（图7E）等。^[7]

图7：基于网络神经科学，利用现有的图神经网络方法能实现的功能示意图。[7]

图计算的优势

故而，随算法的不断发展，基于图计算进行脑仿真，得天独厚，势在必行。不同于以往传统神经影像学的仿真模式，图计算呈现出更鲜明的特色。

1）图计算的核心“图”，拥有独特的节点连接结构，可以通过节点和边存储大量的信息，能实现更高精度的仿真架构；

2）图计算允许科学家创建和处理任意拓扑结构的网络，通过对节点和边进行灵活处理（如增加、删除或修改），来更准确地反映大脑的真实结构，也能模拟神经元的动态变化，计算更多更复杂的关系；

3）介于神经网络存在着数十亿个节点，若以单一系统处理无疑是痴人说梦，而图可以实现分布式计算，节省了大量计算量，降低了时间复杂度；

4）相关模型的搭建，能帮助硅基空间的脑仿真虚拟实验平台的构建，以辅助药物、脑科学的研究和开发，为药物研究早期靶点筛选提供硅基模型。

但同样，基于图计算进行脑仿真，也存在一些急需突破的地方。

1）将具有树状结构的神经元视为节点，势必会造成信息的遗漏，而这可能需要通过网络动力学来进行状态更新以弥补损失；

2）图的结构和属性可能随时间变化，这使得计算和分析难度陡然提升，这不仅需要我们开发新的算法来应对，同时也对存储和算力带来了巨大的挑战；

3）要实现实时或近实时的动态图分析，对计算和处理速度都有着较高要求；

4）无论模拟方式是基于时间切片，还是基于事件驱动，所需的总体成本都颇为昂贵。

蚂蚁携手复旦，

破壁图计算与脑仿真

近日，蚂蚁技术研究院图计算实验室，与复旦大学脑科学研究院神经药理实验室的合作——“基于图计算的脑仿真架构项目”，正式启动，为该领域带来了新的生机。

在图计算这片沃土上，蚂蚁早在2015年就开启了深耕。蚂蚁自主研发分布式图数据库、流式图计算等图相关技术，为支付宝实现信贷风控、反洗钱、反欺诈、资金追踪、营销推荐等提供强大的支持。荏苒七载，借力支付宝、芝麻信用等业务，蚂蚁得以在世界级的图计算场景历练。而这推动着蚂蚁在算法层面、大规模数据处理等逐步突破。而其联合清华大学自主研发的高性能图数据库TuGraph，更是凭借优异的表现，多次登顶行业权威测评LDBC榜首，成为世界纪录的保持者。

虽然金融数据与生物学数据相去甚远，但在图计算上，蚂蚁拥有的丰富的经验与技术积累不容小视。这些都将帮助蚂蚁快速开发和迭代图计算工具，以更高速度与质量适配到脑仿真领域。

这次蚂蚁技术研究院与复旦大学脑科学研究院的产学研合作，不同于常见的校企合作。蚂蚁技术研究院不仅提供深厚的技术支持和强大的计算能力，还将有多名专攻图计算领域的蚂蚁技术研究院研究员深度参与。复旦承担生物学实验部分，蚂蚁负责图计算部分。

具体来说，这一项目先通过生物实验，将中隔区的神经连接如实还原，再结合现有的在线脑图谱数据，利用图计算构建仿真框架，透过模型验证实验，将生物实验和仿真实验形成一个自我完善的“环”。接着，他们希望能通过中隔区-海马-皮层，逐步递进，实现高精度脑仿真，为未来的脑模拟研究提供高精度的仿真和预测，并最终为相关的脑研究提供一个工具平台。

- Tatiana Plakhova -

当然，我们不能忽视，基于图计算进行脑仿真的道路，才刚刚起步。为了进行有意义的多用途模拟，我们需要比现在更详细的数据：如细胞类型及其特性、精细连接、对神经调节的透彻理解、关于可塑性机制的详细信息以及功能神经的大量表征活动等。对于小鼠大脑，这些需求或许能在近几年得到满足。但对于人脑的模拟，这是一条漫长而曲折的路。然而，这并不妨碍我们对未来的向往和期待。相信，在未来十年，基于图计算的全脑仿真项目将会大放异彩，助力我们更深入理解大脑的高级功能，推动脑科学研究和药物开发的进步。

历尽千年大脑研究，百年神经科学探索，我们对自己仍然陌生。从阿波罗神庙出发，穿越数千年，德尔斐的箴言仍旧耀眼。无数图谱的涌现，也无法解释我们是谁。五年，十年，百年后，基于图计算的脑仿真，能否再造一个硅基大脑，帮助我们重新认识自己？为了加速大脑认识，为了治疗大脑疾病，神经科学必须迎来新的变化。基于图计算的脑仿真，能将我们带往何方，让我们一起期待。

参考文献

[1]SHERRINGTON C. Man on his Nature[M]. 2nd edition. Cambridge University Press, 1951.

[2]徐泠风, 李传东, XU LING-FENG L C D. 神经元模型对比分析[J/OL]. 物理学报, 65(24): 240701-240701. https://doi.org/10.7498/aps.65.240701.

[3]FAN L. Mapping the Human Brain: What Is the Next Frontier?[J/OL]. The Innovation, 2021, 2(1): 100073. https://doi.org/10.1016/j.xinn.2020.100073.

[4]HAUFLER D, ITO S, KOCH C, et al. Simulations of cortical networks using spatially extended conductance-based neuronal models[J/OL]. The Journal of Physiology, n/a(n/a)[2023-07-01]. https://onlinelibrary.wiley.com/doi/abs/10.1113/JP284030.

[5]FARAHANI F V, KARWOWSKI W, LIGHTHALL N R. Application of Graph Theory for Identifying Connectivity Patterns in Human Brain Networks: A Systematic Review[J/OL]. Frontiers in Neuroscience, 2019, 13[2023-07-01]. https://www.frontiersin.org/articles/10.3389/fnins.2019.00585.

[6]汪小帆, 李翔, 陈关荣. 复杂网络理论及其应用[M]. 清华大学出版社有限公司, 2006.

[7]BESSADOK A, MAHJOUB M A, REKIK I. Graph Neural Networks in Network Neuroscience[M/OL]. arXiv, 2022[2023-06-29]. http://arxiv.org/abs/2106.03535.

[8]吴博, 梁循, 张树森, 等. 图神经网络前沿进展与应用[J]. 计算机学报, 2022, 45(1): 35-68.

作者：光影 / 范存源

排版：光影 | 封面：Tatiana Plakhova

微信又改版了，不是常读或星标的公众号，图文推送不再显示封面啦。为获得更好的体验，以及不错过任何一条精美推送，跪求喜欢我们的小伙伴标一个“星标”，这样才能及时收到我们的优质内容。如有转载需要，可直接快捷转载；或在后台回复“转载”，添加bot微信即可，但暂不支持转载到微信外其他平台哦。