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

技術要約：Usnica 4.1 GPU

問題提起
本論文は、消費者向けハードウェア上で、臨床的に関連のあるタイムスケール（50年）にわたる全脳アルツハイマー病病理をシミュレーションすることの計算不可能な複雑性に対処している。アミロイドβ42（Aβ42）のキネティクス、ホジキン・ハックスレー（HH）神経ダイナミクス、およびトノーニのスペクトル複雑性を統合した完全なマルチスケールモデルは、$3N + 5V + 4N$ 個の方程式を分子、細胞、ネットワークの各スケールにわたって解く必要がある。参照タイムステップ $dt = 10$µs でヒトの全脳（$N = 860$ 億ニューロン）をシミュレーションする場合、システムは 3.44 TB のメモリと、生物学的時間 1 秒あたり約 19.1 時間のウォールクロック時間を要求する。これにより、50 年間の軌跡（約 7.8 年のウォールタイムを必要とする）のシミュレーションは不可能となる。さらに、既存のフレームワークには、アドホックなチューニングなしに、消費者グレードのハードウェア（8 GB VRAM）でアミロイド凝集、神経興奮性、および意識指標を統一的に結合するアプローチが欠けている。

手法
著者は、3つの異なるスケールを統合した、ベイズ校正フレームワークである Usnica 4.1 GPU を提示している：

1. 分子スケール： モノマー ($M$)、オリゴマー ($F2$)、およびフィブリル ($F$) のダイナミクスをモデリングする Knowles-Cohen アミロイドキネティクス。速度定数 ($k_n, k_+, k_2, k_{deg}$) は温度、カルシウム ($Ca^{2+}$)、および ATP に依存する。
2. 細胞スケール： 微小環境変数 ($Ca^{2+}, ATP$) およびアミロイド毒性 ($I_{A\beta}$) と結合したホジキン・ハックスレー神経ダイナミクス。
3. ネットワークスケール： 摂動複雑性指数アプローチを介して算出されるトノーニのスペクトル複雑性 ($SC$)。

ハードウェアの制限を克服するために、著者は完全な参照モデルに対して検証された3つの等価な近似を導入している：

• Izhikevich サロゲート： 3つのゲーティング変数を持つ HH モデルを、HH ダイナミクスに一致するように校正された（$R^2 = 0.998$、ピーク誤差 < 0.12%）2次元 Izhikevich モデルに置き換える。
• ボクセル・ミーンフィールド（平均場）： $N/V$ 個のニューロン（860,000:1 の比率）をボクセル状態に集約し、状態ベクトルのサイズを大幅に削減する。
• チャンク・ストリーミング： 860 億のニューロン集団を 200 万ニューロンごとのチャンク（1 チャンクあたり 0.016 GB）として処理することでメモリを管理し、3.44 TB のフル状態ベクトルを回避する。
• プローブベースの複雑性： 全集団ではなく 10,000 個のニューロンのサンプルを使用してスペクトル複雑性を計算し、$86B \times 86B$ の共分散行列の生成を回避する。

本フレームワークは、マルチレート積分スキームを利用している。高速な Izhikevich ダイナミクス ($dt_f = 0.25$ ms) が発火率 ($\bar{\nu}$) を低速ソルバー ($dt_s = 100$ ms) に供給し、後者がアミロイド、カルシウム、および ATP の状態を更新する。また、可溶性オリゴマー ($F2$) と臨床的な PET プラークの読み取り値（不溶性フィブリル $F$）を分離するために、明示的な観測マップ ($R_{PET}$) が定義されており、これらが異なる観測量であることを認めている。

主な貢献

1. 定式化： アドホックなチューニングなしに、15 の研究から導出された完全な ODE およびベイズ最大事後確率（MAP）パラメータ。
2. 効率性： チャンク・ストリーミングとミーンフィールド近似により、8 GB の消費者向け GPU（RTX 4060）上で 860 億ニューロン相当のワークロードを実現。
3. 高速化： メモリ要件を 3.44 TB から 0.016 GB へ、また 0.5 秒の生物学的時間のウォールクロック時間を数時間から 2.7 秒へと短縮（完全な HH モデルと比較して約 25,400 倍の高速化）。
4. 観測マップ： シミュレートされた可溶性オリゴマーの減少と臨床的な PET プラーク負荷を明確に区別し、モデルの出力と治験エンドポイントの直接的な混同を防ぐ。
5. 仮説生成： 主要な凝集 ($k_n \downarrow$)、カルシウム依存性凝集 ($Ca^{2+} \downarrow$)、および ATP によるクリアランス ($ATP \uparrow$) の同時変調を含む、「Usnica-Safe」なマルチメカニズム仮説を提案。
6. 新生児への感受性： 新生児期の $Ca^{2+}/ATP$ 感度シナリオが、80 年の生涯にわたるアルツハイマー病病理の閾値超過時間にどのように影響するかを投影。
7. オープンサイエンス： 公開リポジトリを通じて、高速、低速、および完全なモデルのコードを提供。

結果

• 精度： 高速モデルは、参照ラグタイム（$18.32 \pm 1.55$ 時間 vs $18.45 \pm 1.35$ 時間；MAPE 3.21%）およびピーク電圧（$115.10$ vs $115.24$ mV；誤差 0.12%）を再現する。
• 化合物スクリーニング： 10 分間の GPU 実行において、フレームワークは 10 個の化合物を評価した。「Usina-Safe」候補は、モデルにおけるドナネマブ（19.9% 減少）やアデュカヌマブ（11.2% 減少）と比較して、50 年後の可溶性オリゴマー ($F2$) のシミュレーション上の減少率が 40.9% であった。
• 検証： ドナネマブ、レカネマブ、およびアデュカヌマブの PET プラーク読み取り値の予測は、マップ誤差 7.7% から 12% の範囲で臨床試験データと一致した。
• 新生児への投影： シミュレーションは、高リスクの新生児シナリオ（例：早産、汚染曝露）が、80 年の生涯における病理の閾値超過時間を約 20 年前倒しさせる可能性を示唆している。

意義および主張
本論文は、Usnica 4.1 GPU をアルツハイマー病研究のためのスーパーコンピューティングの民主化のためのツールとして位置づけ、国連の持続可能な開発目標（SDGs ODS 3 および 10）に合致させている。著者は、本フレームワークが臨床的な有効性や安全性の証拠を提供するものではなく、探索的スクリーニングおよび仮説生成を可能にするものであることを明示している。

極めて重要な点として、論文は以下を強調している：

• 「Usnica-Safe」仮説は、長期的な臨床的安全または有効性の証拠ではなく、モデルによる投影である。
• シミュレートされた $F2$ の減少は、臨床的な PET プラークの減少とは異なる。観測マップは校正ツールであり、臨床への直接的な翻訳を保証するものではない。
• 提案されているマルチメカニズム介入（EGCG、クルクミン、Mg L-トレオネート、PQQ、および NAD+ サポートなどの栄養補助食品の組み合わせ）は、前向きな生化学的、毒性学的、および臨床的検証を必要とする理論的な構成概念である。
• 本モデルは、薬物動態、抗体標的への結合、有害事象、領域的な病理、タウ、神経炎症、または認知機能については考慮していない。

本研究は、消費者向けハードウェアを用いながら、860 億のニューロンに対してアミロイド-HH-スペクトル複雑性のダイナミクスを結合させた最初のフレームワークを提供することで、文献における空白を埋めるものである。