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

Resumo Técnico: Usnica 4.1 GPU

Definição do Problema
O artigo aborda a intratabilidade computacional de simular a patologia da doença de Alzheimer em todo o cérebro ao longo de escalas de tempo clinicamente relevantes (50 anos) em hardware de consumo. Um modelo multiescala completo integrando a cinética da amiloide-$\beta$42 (A$\beta$42), a dinâmica neuronal de Hodgkin-Huxley (HH) e a complexidade espectral de Tononi requer a resolução de $3N + 5V + 4N$ equações através das escalas molecular, celular e de rede. Para uma simulação completa do cérebro humano ($N = 86$ bilhões de neurônios) com um passo de tempo de referência de $dt = 10$ µs, o sistema demanda 3,44 TB de memória e aproximadamente 19,1 horas de tempo de relógio (wall-clock time) por segundo de tempo biológico em uma GPU RTX 4060. Isso torna inviáveis trajetórias de 50 anos (que exigiriam ~7,8 anos de tempo real). Além disso, os frameworks existentes carecem de uma abordagem unificada que acople a agregação de amiloide, a excitabilidade neuronal e métricas de consciência em hardware de nível de consumo (8 GB de VRAM) sem ajustes ad hoc.

Metodologia
O autor apresenta o Usnica 4.1 GPU, um framework calibrado via Bayes que integra três escalas distintas:

1. Molecular: Modelagem da cinética de amiloide Knowles-Cohen para a dinâmica de monômero ($M$), oligômero ($F2$) e fibrila ($F$), com constantes de taxa ($k_n, k_+, k_2, k_{deg}$) dependentes de temperatura, cálcio ($Ca^{2+}$) e ATP.
2. Celular: Dinâmica neuronal de Hodgkin-Huxley acoplada a variáveis do microambiente ($Ca^{2+}$, ATP) e toxicidade de amiloide ($I_{A\beta}$).
3. Rede: Complexidade espectral de Tononi ($SC$) calculada via uma abordagem de índice de complexidade perturbacional.

Para superar as limitações de hardware, o autor introduz três aproximações equivalentes validadas contra o modelo de referência completo:

• Surrogate de Izhikevich: Substitui o modelo HH de 3 variáveis de gating por um modelo Izhikevich 2D, calibrado para corresponder à dinâmica HH ($R^2 = 0,998$) com erro de pico < 0,12%.
• Campo Médio de Voxel (Voxel Mean-Field): Agrega $N/V$ neurônios (razão de 860.000:1) em estados de voxel, reduzindo significativamente o tamanho do vetor de estado.
• Streaming de Chunks (Chunk Streaming): Gerencia a memória processando a população de 86B de neurônios em chunks de 2M de neurônios (0,016 GB por chunk), evitando a necessidade de um vetor de estado completo de 3,44 TB.
• Complexidade Baseada em Sonda (Probe-Based Complexity): Calcula a complexidade espectral usando uma amostra de 10.000 neurônios em vez da população total, evitando a formação de uma matriz de covariância de $86B \times 86B$.

O framework utiliza um esquema de integração de multirate: a dinâmica rápida de Izhikevich ($dt_f = 0,25$ ms) alimenta as taxas de disparo ($\bar{\nu}$) para um solver lento ($dt_s = 100$ ms) que atualiza os estados de amiloide, cálcio e ATP. Um mapa de observação explícito ($R_{PET}$) é definido para separar os oligômeros solúveis simulados ($F2$) das leituras clínicas de PET de placas (fibrilas insolúveis, $F$), reconhecendo que são observáveis distintos.

Principais Contribuições

1. Formalização: ODEs completas e parâmetros de Máxima Verossimilhança Bayesiana (MAP) derivados de 15 estudos sem ajustes ad hoc.
2. Eficiência: Alcança uma carga de trabalho equivalente a 86B de neurônios em uma GPU de consumo de 8 GB (RTX 4060) via streaming de chunks e aproximações de campo médio.
3. Aceleração (Speedup): Reduz os requisitos de memória de 3,44 TB para 0,016 GB e o tempo de relógio para 0,5s de tempo biológico de horas para 2,7 segundos (um aumento de velocidade de ~25.400× em comparação com o modelo HH completo).
4. Mapa de Observação: Distingue explicitamente entre a redução de oligômeros solúveis simulados e a carga de placas PET clínica, evitando a confusão direta dos outputs do modelo com os desfechos de ensaios clínicos.
5. Geração de Hipóteses: Propõe uma hipótese multimecanicista "Usnica-Safe" envolvendo a modulação simultânea da agregação primária ($k_n \downarrow$), agregação dependente de cálcio ($Ca^{2+} \downarrow$) e o clearance suportado por ATP ($ATP \uparrow$).
6. Sensibilidade Neonatal: Projeta como cenários de sensibilidade de $Ca^{2+}$/ATP neonatais influenciam o tempo de travessia de limiar para a patologia de Alzheimer ao longo de uma vida de 80 anos.
7. Ciência Aberta: Fornece código para modelos rápidos, lentos e completos em um repositório público.

Resultos

• Precisão: O modelo rápido reproduz o tempo de latência de referência ($18,32 \pm 1,55$ h vs $18,45 \pm 1,35$ h; MAPE 3,21%) e o pico de voltagem ($115,10$ vs $115,24$ mV; erro de 0,12%).
• Triagem de Compostos: Em uma execução de 10 minutos na GPU, o framework avaliou 10 compostos. O candidato "Usnica-Safe" mostrou uma redução simulada de 40,9% nos oligômeros solúveis ($F2$) em 50 anos, comparado a 19,9% para Donanemab e 11,2% para Aducanum no modelo.
• Validação: As previsões de leitura de placa PET do modelo para Donanemab, Lecanemab e Aducanum coincidiram com os dados de ensaios clínicos com erros de mapa entre 7,7% e 12%.
• Projeções Neonatais: Simulações sugerem que cenários de alto risco neonatal (ex: parto prematuro, exposição à poluição) poderiam deslocar o tempo de travessia de limiar para a patologia em aproximadamente 20 anos ao longo de uma vida de 80 anos.

Significância e Alegações
O artigo posiciona o Usnica 4.1 GPU como uma ferramenta para a democratização da supercomputação para a pesquisa de Alzheimer, alinhando-se aos Objetivos de Desenvolvimento Sustentável da ONU (ODS 3 e 10). O autor afirma explicitamente que o framework permite a triagem exploratória e a geração de hipóteses, em vez de fornecer evidências de eficácia ou segurança clínica.

Crucialmente, o artigo enfatiza que:

• A hipótese "Usnica-Safe" é uma projeção do modelo, não evidência de segurança ou eficácia clínica de longo prazo.
• A redução simulada de $F2$ é distinta da redução de placa PET clínica; o mapa de observação é uma ferramenta de calibração, não uma garantia de tradução clínica.
• A intervenção multimecanicista proposta (combinando nutracêuticos como EGCG, curcumina, Mg L-treonato, PQQ e suporte de NAD+) é um constructo teórico que requer validação bioquímica, toxicológica e clínica prospectiva.
• O modelo não contabiliza farmacocinética, engajamento de alvo de anticorpos, eventos adversos, patologia regional, tau, neuroinflamação ou desfechos cognitivos.

O trabalho preenche uma lacuna na literatura ao fornecer o primeiro framework para acoplar dinâmicas de amiloide-HH-complexidade espectral em 86 bilhões de neurônios usando hardware de consumo, mantendo a rigorosa formalização matemática e calibração Bayesiana.