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

Riepilogo Tecnico: Usnica 4.1 GPU

Problematica
Il documento affronta l'intrattabilità computazionale della simulazione della patologia dell'Alzheimer nell'intero cervello su scale temporali clinicamente rilevanti (50 anni) utilizzando hardware consumer. Un modello multiscala completo che integra la cinetica dell'amiloide-β42 (Aβ42), la dinamica neuronale di Hodgkin-Huxley (HH) e la complessità spettrale di Tononi richiede la risoluzione di $3N + 5V + 4N$ equazioni attraverso scale molecolari, cellulari e di rete. Per una simulazione del cervello umano completo ($N = 86$ miliardi di neuroni) con un passo temporale di riferimento $dt = 10$ µs, il sistema richiede 3,44 TB di memoria e circa 19,1 ore di tempo reale (wall-clock time) per ogni secondo di tempo biologico su una GPU RTX 4060. Ciò rende impraticabili le traiettorie di 50 anni (che richiederebbero circa 7,8 anni di tempo reale). Inoltre, gli framework esistenti mancano di un approccio unificato che accoppi l'aggregazione dell'amiloide, l'eccitabilità neuronale e le metriche di coscienza su hardware di classe consumer (8 GB di VRAM) senza regolazioni ad hoc.

Metodologia
L'autore presenta Usnica 4.1 GPU, un framework calibrato tramite inferenza Bayesiana che integra tre scale distinte:

1. Molecolare: Modellazione della cinetica dell'amiloide di Knowles-Cohen per la dinamica di monomero ($M$), oligomero ($F2$) e fibrilla ($F$), con costanti di velocità ($k_n, k_+, k_2, k_{deg}$) dipendenti da temperatura, calcio ($Ca^{2+}$) e ATP.
2. Cellulare: Dinamiche neuronali di Hodgkin-Huxley accoppiate a variabili del microambiente ($Ca^{2+}$, ATP) e tossicità dell'amiloide ($I_{A\beta}$).
3. Rete: Complessità spettrale di Tononi ($SC$) calcolata tramite un approccio basato sull'indice di complessità perturbazionale.

Per superare i limiti dell'hardware, l'autore introduce tre approssimazioni equivalenti validate rispetto al modello di riferimento completo:

• Surrogato Izhikevich: Sostituisce il modello HH a 3 variabili di gating con un modello Izhikevich 2D, calibrato per corrispondere alla dinamica HH ($R^2 = 0,998$) con un errore di picco < 0,12%.
• Voxel Mean-Field: Aggrega $N/V$ neuroni (un rapporto di 860.000:1) in stati di voxel, riducendo significativamente la dimensione del vettore di stato.
• Chunk Streaming: Gestisce la memoria elaborando la popolazione di 86 miliardi di neuroni in blocchi (chunks) da 2 milioni di neuroni (0,016 GB per chunk), evitando la necessità di un vettore di stato completo da 3,44 TB.
• Complessità basata su Sonde: Calcola la complessità spettrale utilizzando un campione di 10.000 neuroni anziché l'intera popolazione, evitando la formazione di una matrice di covarianza $86B \times 86B$.

Il framework utilizza uno schema di integrazione a velocità multipla (multirate): la dinamica veloce di Izhikevich ($dt_f = 0,25$ ms) alimenta i tassi di scarica ($\bar{\nu}$) a un risolutore lento ($dt_s = 100$ ms) che aggiorna gli stati di amiloide, calcio e ATP. Una mappa di osservazione esplicita ($R_{PET}$) è definita per separare gli oligomeri solubili simulati ($F2$) dalle letture cliniche PET delle placche (fibrille insolubili, $F$), riconoscendo che si tratta di osservabili distinti.

Contributi Chiave

1. Formalizzazione: ODE complete e parametri Bayesian Maximum A Posteriori (MAP) derivati da 15 studi senza regolazioni ad hoc.
2. Efficienza: Raggiunge un carico di lavoro equivalente a 86 miliardi di neuroni su una GPU consumer da 8 GB (RTX 4060) tramite chunk streaming e approssimazioni mean-field.
3. Accelerazione: Riduce i requisiti di memoria da 3,44 TB a 0,016 GB e il tempo reale per 0,5 s di tempo biologico da ore a 2,7 secondi (un'accelerazione di circa 25.400× rispetto al modello HH completo).
4. Mappa di Osservazione: Distingue esplicitamente tra la riduzione degli oligomeri solubili simulati e il carico di placche PET cliniche, evitando la conflazione diretta degli output del modello con gli endpoint dei trial.
5. Generazione di Ipotesi: Propone un'ipotesi multimeccanicistica "Usnica-Safe" che coinvolge la modulazione simultanea dell'aggregazione primaria ($k_n \downarrow$), dell'aggregazione dipendente dal calcio ($Ca^{2+} \downarrow$) e della clearance supportata dall'ATP ($ATP \uparrow$).
6. Sensibilità Neonatale: Proietta come gli scenari di sensibilità al $Ca^{2+}$/ATP neonatale influenzino il tempo di superamento della soglia per la patologia dell'Alzheimer su una vita di 80 anni.
7. Open Science: Fornisce il codice per i modelli fast, slow e complete in un repository pubblico.

Risultati

• Accuratezza: Il modello veloce riproduce il tempo di latenza di riferimento ($18,32 \pm 1,55$ h vs $18,45 \pm 1,35$ h; MAPE 3,21%) e il picco di tensione ($115,10$ vs $115,24$ mV; errore dello 0,12%).
• Screening di Composti: In un'esecuzione GPU di 10 minuti, il framework ha valutato 10 composti. Il candidato "Usnica-Safe" ha mostrato una riduzione simulata degli oligomeri solubili ($F2$) del 40,9% a 50 anni, rispetto al 19,9% per Donanemab e l'11,2% per Aducanumab nel modello.
• Validazione: Le previsioni della lettura delle placche PET del modello per Donanemab, Lecanemab e Aducanumab hanno corrisposto ai dati dei trial clinici con errori di mappa compresi tra il 7,7% e il 12%.
• Proiezioni Neonatali: Le simulazioni suggeriscono che gli scenari neonatali ad alto rischio (es. nascita prematura, esposizione all'inquinamento) potrebbero spostare il tempo di superamento della soglia per la patologia di circa 20 anni su una vita di 80 anni.

Significatività e Dichiarazioni
Il documento posiziona Usnica 4.1 GPU come uno strumento per la democratizzazione della supercomputazione per la ricerca sull'Alzheimer, allineandosi agli Obiettivi di Sviluppo Sostenibile delle Nazioni Unite (ODS 3 e 10). L'autore afferma esplicitamente che il framework abilita lo screening esplorativo e la generazione di ipotesi piuttosto che fornire prove di efficacia clinica o sicurezza.

Fondamentalmente, il documento sottolinea che:

• L'ipotesi "Usnica-Safe" è una proiezione del modello, non una prova di sicurezza o efficacia clinica a lungo termine.
• La riduzione simulata di $F2$ è distinta dalla riduzione clinica delle placche PET; la mappa di osservazione è uno strumento di calibrazione, non una garanzia di traduzione clinica.
• L'intervento multimeccanicistico proposto (combinando nutraceutici come EGCG, curcumina, Mg L-treonato, PQQ e supporto NAD+) è una costruzione teorica che richiede validazione biochimica, tossicologica e clinica prospettica.
• Il modello non tiene conto della farmacocinetica, dell'interazione con il target anticorpale, degli eventi avversi, della patologia regionale, della tau, della neuroinfiammazione o degli esiti cognitivi.

Il lavoro colma una lacuna nella letteratura fornendo il primo framework capace di accoppiare la dinamica amiloide-HH-complessità spettrale su 86 miliardi di neuroni utilizzando hardware consumer, mantenendo al contempo una rigorosa formalizzazione matematica e una calibrazione Bayesiana.