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

技术摘要：Usnica 4.1 GPU

问题陈述
本文探讨了在消费级硬件上模拟临床相关时间尺度（50年）的全脑阿尔茨海默病病理变化的计算不可行性。一个整合了淀粉样蛋白-β42 (Aβ42) 动力学、Hodgkin-Huxley (HH) 神经元动力学以及 Tononi 光谱复杂度的完整多尺度模型，需要求解跨越分子、细胞和网络尺度的 $3N + 5V + 4N$ 个方程。对于全人类大脑模拟（$N = 860$ 亿个神经元），在参考时间步长 $dt = 10$ µs 下，该系统需要 3.44 TB 的内存，并且在 RTX 4060 GPU 上每 1 秒生物时间需要约 19.1 小时的墙钟时间。这使得 50 年的轨迹（需要约 7.8 年的墙钟时间）变得无法实现。此外，现有的框架缺乏一种统一的方法，能够在不进行人工调优的情况下，在消费级硬件（8 GB VRAM）上耦合淀粉蛋白聚集、神经元兴奋性和意识指标。

方法论
作者提出了 Usnica 4.1 GPU，这是一个经过贝叶斯校准的框架，整合了三个不同的尺度：

1. 分子尺度： 采用 Knowles-Cohen 淀粉样蛋白动力学模型，对单体 ($M$)、寡聚体 ($F2$) 和纤维 ($F$) 的动态进行建模，其速率常数 ($k_n, k_+, k_2, k_{deg}$) 取决于温度、钙离子 ($Ca^{2+}$) 和 ATP。
2. 细胞尺度： 耦合了微环境变量（$Ca^{2+}$, ATP）和淀粉样蛋白毒性 ($I_{A\beta}$) 的 Hodgkin-Huxley 神经元动力学。
3. 网络尺度： 通过扰动复杂度指数法计算 Tononi 光谱复杂度 ($SC$)。

为了克服硬件限制，作者引入了三种经过完整参考模型验证的等效近似方法：

• Izhikevich 替代模型： 用二维 Izhikevich 模型取代三门控变量的 HH 模型，经校准后可匹配 HH 动力学（$R^2 = 0.998$），峰值误差小于 0.12%。
• 体素平均场（Voxel Mean-Field）： 将 $N/V$ 个神经元（比例为 860,000:1）聚合为体素状态，显著降低了状态向量的大小。
• 分块流式处理（Chunk Streaming）： 通过以 200 万个神经元为一个分块（每个分块 0.016 GB）处理 860 亿个神经元群体来管理内存，避免了对 3.44 TB 全量状态向量的需求。
• 基于探针的复杂度计算： 使用 10,000 个神经元的样本来计算光谱复杂度，从而避免了构建 $86B \times 86B$ 协方差矩阵。

该框架采用多速率积分方案：快速 Izhikevich 动力学（$dt_f = 0.25$ ms）将放电率 ($\bar{\nu}$) 传递给慢速求解器（$dt_s = 100$ ms），由后者更新淀粉样蛋白、钙离子和 ATP 状态。定义了一个显式的观测映射 ($R_{PET}$)，用于区分模拟的可溶性寡聚体 ($F2$) 与临床 PET 斑块读数（不溶性纤维, $F$），承认两者是不同的可观测对象。

核心贡献

1. 形式化： 提供了完整的 ODEs，并从 15 项研究中推导出贝叶斯最大后验 (MAP) 参数，无需人工调优。
2. 高效性： 通过分块流式处理和平均场近似，在 8 GB 消费级 GPU (RTX 4060) 上实现了等效于 860 亿神经元的计算工作量。
3. 加速： 将内存需求从 3.44 TB 降至 0.016 GB，并将 0.5 秒生物时间的墙钟时间从数小时缩短至 2.7 秒（与完整的 HH 模型相比，加速了约 25,400 倍）。
4. 观测映射： 明确区分了模拟的可溶性寡聚体减少与临床 PET 斑块负荷，防止将模型输出与临床试验终点直接混淆。
5. 假设生成： 提出了一个“Usnica-Safe”多机制假设，涉及同时调节主要聚集过程 ($k_n \downarrow$)、钙依赖性聚集 ($Ca^{2+} \downarrow$) 以及 ATP 支持的清除过程 ($ATP \uparrow$)。
6. 新生儿敏感性： 预测了新生儿 $Ca^{2+}$/ATP 敏感性情景如何影响 80 年寿命周期内病理学阈值跨越的时间。
7. 开放科学： 在公共仓库中提供了快速、慢速和完整模型的代码。

结果

• 准确性： 快速模型重现了参考滞后时间（$18.32 \pm 1.55$ h 对比 $18.45 \pm 1.35$ h；MAPE 为 3.21%）和峰值电压（$115.10$对比$115.24$ mV；误差 0.12%）。
• 化合物筛选： 在 10 分钟的 GPU 运行中，该框架评估了 10 种化合物。“Usnica-Safe”候选药物在 50 年时显示出模拟的可溶性寡聚体 ($F2$) 减少了 40.9%，而模型中的 Donanemab 和 Aducanumab 分别减少了 19.9% 和 11.2%。
• 验证： 该模型对 Donanemab、Lecanemab 和 Aducanumab 的 PET 斑块读数预测与临床试验数据相符，映射误差在 7.7% 至 12% 之间。
• 新生儿投影： 模拟表明，高风险新生儿情景（如早产、污染暴露）可能会使 80 年寿命周期内的病理学阈值跨越时间提前约 20 年。

意义与声明
本文将 Usnica 4.1 GPU 定位为使阿尔茨海默病研究实现超级计算民主化的工具，符合联合国可持续发展目标（ODS 3 和 10）。作者明确指出，该框架旨在实现探索性筛选和假设生成，而非提供临床有效性或安全性的证据。

至关重要的是，论文强调：

• “Usnica-Safe”假设是一个模型投影，而非长期临床安全或有效性的证据。
• 模拟的 $F2$ 减少与临床 PET 斑块减少是不同的；观测映射是一个校准工具，而非临床转化的保证。
• 所提出的多机制干预措施（结合了如 EGCG、姜黄素、L-苏糖酸镁、PQQ 和 NAD+ 支持等营养补充剂）是一个理论构想，需要前瞻性的生化、毒理学和临床验证。
• 该模型未考虑药代动力学、抗体靶点结合、不良事件、区域性病理、Tau 蛋白、神经炎症或认知结果。

这项工作填补了文献空白，提供了首个能够在消费级硬件上利用 860 亿神经元耦合淀粉样蛋白-HH-光谱复杂度动态的框架，同时保持了严谨的数学形式化和贝叶斯校准。