Usnica 4.1 GPU: A Multiscale Bayesian-Calibrated Framework for Whole-Brain Simulation at 86 Billion Neurons on a Single Consumer GPU

Resumen Técnico: Usnica 4.1 GPU

Planteamiento del Problema
El artículo aborda la intratabilidad computacional de simular la patología de la enfermedad de Alzheimer en todo el cerebro durante escalas de tiempo clínicamente relevantes (50 años) en hardware de consumo. Un modelo multiescala completo que integra la cinética del amiloide-β42 (Aβ42), la dinámica neuronal de Hodgkin-Huxley (HH) y la complejidad espectral de Tononi requiere resolver $3N + 5V + 4N$ ecuaciones a través de las escalas molecular, celular y de red. Para una simulación completa del cerebro humano ($N = 86$ mil millones de neuronas) con un paso de tiempo de referencia de $dt = 10$ µs, el sistema demanda 3.44 TB de memoria y aproximadamente 19.1 horas de tiempo de reloj por cada segundo de tiempo biológico en una GPU RTX 4060. Esto hace que las trayectorias de 50 años (que requieren ~7.8 años de tiempo de reloj) sean inviables. Además, los marcos existentes carecen de un enfoque unificado para acoplar la agregación de amiloide, la excitabilidad neuronal y las métricas de conciencia en hardware de grado de consumo (8 GB de VRAM) sin ajustes ad hoc.

Metodología
El autor presenta Usnica 4.1 GPU, un marco calibrado mediante la metodología Bayesiana que integra tres escalas distintas:

1. Molecular: Modelado de la cinética de amiloide Knowles-Cohen para la dinámica de monómeros ($M$), oligómeros ($F2$) y fibrillas ($F$), con constantes de velocidad ($k_n, k_+, k_2, k_{deg}$) dependientes de la temperatura, el calcio ($Ca^{2+}$) y el ATP.
2. Celular: Dinámica neuronal de Hodgkin-Huxley acoplada con variables del microambiente ($Ca^{2+}$, ATP) y toxicidad de amiloide ($I_{A\beta}$).
3. Red: Complejidad espectral de Tononi ($SC$) calculada mediante un enfoque de índice de complejidad perturbacional.

Para superar las limitaciones de hardware, el autor introduce tres aproximaciones equivalentes validadas contra el modelo de referencia completo:

• Surrogado de Izhikevich: Reemplaza el modelo HH de 3 variables de compuerta por un modelo de Izhikevich 2D, calibrado para coincidir con la dinámica HH ($R^2 = 0.998$) con un error pico de < 0.12%.
• Campo Medio de Vóxel: Agrega $N/V$ neuronas (relación 860,000:1) en estados de vóxel, reduciendo significativamente el tamaño del vector de estado.
• Transmisión por Bloques (Chunk Streaming): Gestiona la memoria procesando la población de 86B de neuronas en bloques de 2M de neuronas (0.016 GB por bloque), evitando la necesidad de un vector de estado completo de 3.44 TB.
• Complejidad Basada en Sondas: Calcula la complejidad espectral utilizando una muestra de 10,000 neuronas en lugar de la población completa, evitando la formación de una matriz de covarianza de $86B \times 86B$.

El marco utiliza un esquema de integración de multitasa donde la dinámica rápida de Izhikevich ($dt_f = 0.25$ ms) alimenta las tasas de disparo ($\bar{\nu}$) a un resolvedor lento ($dt_s = 100$ ms) que actualiza los estados de amiloide, calcio y ATP. Se define un mapa de observación explícito ($R_{PET}$) para separar los oligómeros solubles simulados ($F2$) de las lecturas clínicas de placa PET (fibrillas insolubles, $F$), reconociendo que son observables distintos.

Contribuciones Clave

1. Formalización: ODEs completas y parámetros de Máxima Verosimilitud a Posteriori (MAP) Bayesiana derivados de 15 estudios sin ajustes ad hoc.
2. Eficiencia: Logra una carga de trabajo equivalente a 86B de neuronas en una GPU de consumo de 8 GB (RTX 4060) mediante transmisión por bloques y aproximaciones de campo medio.
3. Aceleración: Reduce los requisitos de memoria de 3.44 TB a 0.016 GB y el tiempo de reloj para 0.5s de tiempo biológico de horas a 2.7 segundos (una aceleración de ~25,400× en comparación con el modelo HH completo).
4. Mapa de Observación: Distingue explícitamente entre la reducción de oligómeros solubles simulados y la carga de placa PET clínica, evitando la confusión directa de los resultados del modelo con los puntos finales de los ensayos.
5. Generación de Hipótesis: Propone una hipótesis multimecanicista "Usnica-Safe" que involucra la modulación simultánea de la agregación primaria ($k_n \downarrow$), la agregación dependiente de calcio ($Ca^{2+} \downarrow$) y la depuración apoyada por ATP ($ATP \uparrow$).
6. Sensibilidad Neonatal: Proyecta cómo los escenarios de sensibilidad al $Ca^{2+}$/ATP en neonatos influyen en el tiempo de cruce del umbral de la patología de Alzheimer durante una vida de 80 años.
7. Ciencia Abierta: Proporciona el código para los modelos rápido, lento y completo en un repositorio público.

Resultados

• Precisión: El modelo rápido reproduce el tiempo de latencia de referencia ($18.32 \pm 1.55$ h vs $18.45 \pm 1.35$ h; MAPE 3.21%) y el voltaje pico ($115.10$ vs $115.24$ mV; error de 0.12%).
• Cribado de Compuestos: En una ejecución de GPU de 10 minutos, el marco evaluó 10 compuestos. El candidato "Usnica-Safe" mostró una reducción simulada del 40.9% en oligómeros solubles ($F2$) a los 50 años, frente al 19.9% de Donanemab y el 11.2% de Aducanumab en el modelo.
• Validación: Las predicciones de lectura de placa PET del modelo para Donanemab, Lecanemab y Aducanumab coincidieron con los datos de los ensayos clínicos con errores de mapa entre 7.7% y 12%.
• Proyecciones Neonatales: Las simulaciones sugieren que los escenarios de alto riesgo neonatal (por ejemplo, parto prematuro, exposición a la contaminación) podrían desplazar el tiempo de cruce del umbral para la patología en aproximadamente 20 años sobre una vida de 80 años.

Significancia y Reivindicaciones
El artículo posiciona a Usnica 4.1 GPU como una herramienta para democratizar la supercomputación para la investigación del Alzheimer, alineándose con los Objetivos de Desarrollo Sostenible de la ONU (ODS 3 y 10). El autor establece explícitamente que el marco permite el cribado exploratorio y la generación de hipótesis, en lugar de proporcionar evidencia de eficacia clínica o seguridad.

Crucialmente, el artículo enfatiza que:

• La hipótesis "Usnica-Safe" es una proyección del modelo, no evidencia de seguridad o eficacia clínica a largo plazo.
• La reducción de $F2$ simulada es distinta de la reducción de placa PET clínica; el mapa de observación es una herramienta de calibración, no una garantía de traslación clínica.
• La intervención multimecanicista propuesta (combinando nutracéuticos como EGCG, curcumina, Mg L-treonato, PQQ y soporte de NAD+) es un constructo teórico que requiere validación bioquímica, toxicológica y clínica prospectiva.
• El modelo no tiene en cuenta la farmacocinética, la interacción con el objetivo del anticuerpo, los eventos adversos, la patología regional, la tau, la neuroinflamación o los resultados cognitivos.

El trabajo llena un vacío en la literatura al proporcionar el primer marco que acopla la dinámica de amiloide-HH-complejidad espectral en 86 mil millones de neuronas utilizando hardware de consumo, manteniendo al mismo tiempo una rigurosa formalización matemática y calibración Bayesiana.