人腦就像一臺施了魔法的紡織機，在不停地編織著與外在世界相關聯(lián)的圖樣，把一個圖樣拆散了之后又重新編織起來，發(fā)明出其他的世界，創(chuàng)造出一個縮小的宇宙[1]。

——查爾斯·謝林頓，1941

一個世紀以前，人們以神秘的魔法形象，描述著大腦復雜、精妙的運作。短短百年過去，我們已能逐一揭示這魔法的秘密，并將腦自身的圖樣一一勾畫，儼然迎來了“創(chuàng)造”大腦的新局面。

在這圖樣的繪制中，我們已把大腦的魔法降維到可理解的層面。小到神經元，從1907年的積分放電神經元模型，到2013年用于類腦的TrueNorth模型，我們已能模擬超20種的神經元行為；大到腦圖譜，從1909年基于觀察的布羅德曼的腦分區(qū)圖譜，2016年的人類連接組計劃的多模態(tài)腦圖譜，再到歐洲和美國的腦圖譜計劃、艾倫人腦圖譜庫涌現(xiàn)出的高精度圖譜，我們對人腦的全面結構和功能的了解，以及相關數(shù)據的積累都已有了質的飛躍。

然而，隨著我們能破解的腦魔法越來越多，我們所面臨的問題也越來越棘手。隨著檢測技術的提升及人口老齡化的發(fā)展，阿爾茨海默病、帕金森病、中風、抑郁癥等腦疾病，帶來了巨大的醫(yī)療和社會壓力，成為了全球公認的重大問題。盡管神經科學發(fā)展日新月異，但仍然缺乏行之有效的預防與治療手段。反觀傳統(tǒng)的神經生物學研究，大都延續(xù)著半世紀前的技術，冒著只攻一點，埋頭苦干四五年，碩博畢業(yè)無期限的風險，費時費力，產出微弱，轉化困難，已無法滿足時代的需求。

幸運的是，人工智能和計算機科學的蓬勃生機，為神經科學帶來了新的生命，我們也得以創(chuàng)造前人不可想象的魔法。以哺乳動物新皮質回路模擬為例，隨計算機及其軟件的進步，該領域涌現(xiàn)出了大批模擬與開發(fā)大腦的工具（圖3藍色部分）。這讓復雜的神經元模型開始簡化，可用數(shù)據的數(shù)量和質量也呈爆炸式增長，進而促進關注一塊膜的H-H模型發(fā)展為詳細模擬整個皮質區(qū)域的皮質電路。

更甚的是，借助人工智能的魔法，我們已能在宏觀尺度，初步模擬大腦的行為和機制。譬如，Izhikevich和Edelman提出的丘腦皮層系統(tǒng)模型，已表現(xiàn)出與正常大腦活動相似的行為特征；由250萬個神經元組成的SPAUN，則已能夠模擬大腦利用不同腦區(qū)協(xié)同展示多個認知功能的能力。

隨著越來越多的神經科學數(shù)據庫的創(chuàng)建與公開，大腦圖譜相關數(shù)據逐步積累，人工智能算法算力的全面發(fā)展，全腦仿真的構建也日益引人矚目。近10年來全球各國都在腦模擬研究上進行了大規(guī)模布局，無論是歐盟腦計劃、美國腦計劃的發(fā)展、還是日本Brain/MINDS計劃，中國腦計劃的出臺，都預示著我們正站在這歷史的交叉點上。

用圖計算構建腦仿真

腦仿真本身，并不新鮮。自1943年的人工神經元模型，到如今的脈沖神經網絡，都為腦仿真邁出了結實的步伐。然而，技術的發(fā)展賦予了腦仿真新的使命。以往的腦仿真系統(tǒng)常用的架構，大多停留在20年前的數(shù)據量、計算機能力和生物學對腦的理解。我們需要一個全新的腦仿真架構，來容納更大量的數(shù)據、提供更宏偉的算力，從而實現(xiàn)更精確的仿真和預測。用于數(shù)據挖掘的圖計算技術，與神經元和腦仿真有著天然的相似?；趫D計算技術搭建的高精度腦仿真架構，有望為揭示大腦的秘密提供一種新的研究方法和手段。

什么是圖計算

圖（graph），是一種表示對象之間關聯(lián)關系的數(shù)據結構，由節(jié)點和邊構成。例如在實際生活中，以火車站為點，站與站之間的距離為邊的道路網絡是圖；以人為點，人與人之間的關系為邊的社交網絡是圖?？梢哉f，只要關系在，圖就在。

而我們的大腦，也是由神經元連接而成的復雜網絡，其神經元間的信息傳遞機制，與圖有著天然的相似性。將這種相似性應用于神經科學，便是把神經元視為節(jié)點，把神經元之間的連接視作邊，將大腦建模成圖。其中根據情景的不同，邊可以有多種類型，以滿足神經元連接的不同需求。如基于連接是否攜帶方向信息（因果關系），可以分為有向圖和無向圖；根據連接是否具有不同的權重，可以分為無權圖和加權圖。此外，這個圖將提供所有節(jié)點和邊關系的完整映射，也就構成了神經網絡的拓撲結構。

使用圖進行復雜腦網絡研究，可以追溯到人類連接組計劃。而基于圖的網絡分析，可以揭示有關人腦網絡拓撲結構的不同信息[5]，如聚類系數(shù)（圖4A），能判斷神經元間聚集性；社團挖掘，能找到相似的神經元種類；最短路徑長度（圖4B），測量兩神經元間最短距離；小世界性（圖4C），以較少的路徑連接到目標神經元；同配性、異配性（圖4D），判斷神經網絡魯棒性，反映神經網絡能抵抗的故障程度；網絡中心性，識別神經網絡的樞紐（圖5A）、橋梁、訪問速度、連接質量（圖5B）等[5,6]。

從圖計算到圖神經網絡

所謂圖計算，就是將數(shù)據建模為圖結構的算法模型。它試圖將問題解法轉化為圖結構上的計算問題，以對大規(guī)模數(shù)據的關系與模式進行挖掘，實現(xiàn)知識推理、事件溯源、決策、預測和推薦等功能。在日常生活中，社交媒體公司可以使用圖計算，理解用戶社區(qū)的形成和發(fā)展，更好地定位廣告；生物學家可以使用圖計算，探究蛋白質相互作用，找到新的藥物治療方案。

在圖計算中，又以處理非歐幾里得特性的圖神經網絡（GNN）最為熱門，其中的圖卷積網絡（GCN）已在腦圖預測、缺失的腦圖整合、疾病分類和識別生物標志物中發(fā)揮著重要作用[7]。一般來說，傳統(tǒng)的人工智能方法主要是從某種“固定”結構編碼的對象中提取信息。然而這與大腦神經網絡的特性并不相符。畢竟，由神經元構成的圖數(shù)據，并無固定的節(jié)點排列順序，每個節(jié)點的連接也是可變化的。圖卷積網絡則通過整合中心節(jié)點和鄰居節(jié)點的特征和標簽信息，給出圖中每個節(jié)點的規(guī)整表達形式，并將其輸入到傳統(tǒng)的卷積神經網絡中，組成更高層次的表達，以有效利用圖結構信息和屬性信息。[8]

當我們在醫(yī)院做磁共振成像（MRI）掃描時，醫(yī)院往往只對你進行一次掃描。而這一次掃描的結果，通常并不完整。而基于圖計算衍生出的生成對抗網絡幾何深度學習框架，可以從源圖預測目標形態(tài)腦圖，從功能圖預測結構腦圖（圖7A-1）；從單個形態(tài)圖合成功能和結構腦圖（圖7A-2），以幫助醫(yī)生判斷。

此外，在神經影像學數(shù)據中，我們獲取的腦圖質量可能參差不齊，其中不乏低分辨率的圖片。利用圖U-自編碼器，引入基于圖特征分解的超分辨?zhèn)鞑ヒ?guī)則，可以生成具有更多節(jié)點和連接的高分辨率圖（圖7B），進而幫助數(shù)據收集和整理。

此外，基于圖神經網絡，我們還可以生成代表性的大腦連接模板（圖7C）；時間序列腦圖（圖7F）；發(fā)現(xiàn)腦圖中存在的區(qū)分性生物標志物（圖7D）；預測被試狀態(tài)，進行疾病分類（圖7E）等。[7]

圖計算的優(yōu)勢

故而，隨算法的不斷發(fā)展，基于圖計算進行腦仿真，得天獨厚，勢在必行。不同于以往傳統(tǒng)神經影像學的仿真模式，圖計算呈現(xiàn)出更鮮明的特色。

1）圖計算的核心“圖”，擁有獨特的節(jié)點連接結構，可以通過節(jié)點和邊存儲大量的信息，能實現(xiàn)更高精度的仿真架構；

2）圖計算允許科學家創(chuàng)建和處理任意拓撲結構的網絡，通過對節(jié)點和邊進行靈活處理（如增加、刪除或修改），來更準確地反映大腦的真實結構，也能模擬神經元的動態(tài)變化，計算更多更復雜的關系；

3）介于神經網絡存在著數(shù)十億個節(jié)點，若以單一系統(tǒng)處理無疑是癡人說夢，而圖可以實現(xiàn)分布式計算，節(jié)省了大量計算量，降低了時間復雜度；

4）相關模型的搭建，能幫助硅基空間的腦仿真虛擬實驗平臺的構建，以輔助藥物、腦科學的研究和開發(fā)，為藥物研究早期靶點篩選提供硅基模型。

但同樣，基于圖計算進行腦仿真，也存在一些急需突破的地方。

1）將具有樹狀結構的神經元視為節(jié)點，勢必會造成信息的遺漏，而這可能需要通過網絡動力學來進行狀態(tài)更新以彌補損失；

2）圖的結構和屬性可能隨時間變化，這使得計算和分析難度陡然提升，這不僅需要我們開發(fā)新的算法來應對，同時也對存儲和算力帶來了巨大的挑戰(zhàn)；

3）要實現(xiàn)實時或近實時的動態(tài)圖分析，對計算和處理速度都有著較高要求；

4）無論模擬方式是基于時間切片，還是基于事件驅動，所需的總體成本都頗為昂貴。

螞蟻攜手復旦，破壁圖計算與腦仿真

近日，螞蟻技術研究院圖計算實驗室，與復旦大學腦科學研究院神經藥理實驗室的合作——“基于圖計算的腦仿真架構項目”，正式啟動，為該領域帶來了新的生機。

在圖計算這片沃土上，螞蟻早在2015年就開啟了深耕。螞蟻自主研發(fā)分布式圖數(shù)據庫、流式圖計算等圖相關技術，為支付寶實現(xiàn)信貸風控、反洗錢、反欺詐、資金追蹤、營銷推薦等提供強大的支持。荏苒七載，借力支付寶、芝麻信用等業(yè)務，螞蟻得以在世界級的圖計算場景歷練。而這推動著螞蟻在算法層面、大規(guī)模數(shù)據處理等逐步突破。而其聯(lián)合清華大學自主研發(fā)的高性能圖數(shù)據庫TuGraph，更是憑借優(yōu)異的表現(xiàn)，多次登頂行業(yè)權威測評LDBC榜首，成為世界紀錄的保持者。

雖然金融數(shù)據與生物學數(shù)據相去甚遠，但在圖計算上，螞蟻擁有的豐富的經驗與技術積累不容小視。這些都將幫助螞蟻快速開發(fā)和迭代圖計算工具，以更高速度與質量適配到腦仿真領域。

這次螞蟻技術研究院與復旦大學腦科學研究院的產學研合作，不同于常見的校企合作。螞蟻技術研究院不僅提供深厚的技術支持和強大的計算能力，還將有多名專攻圖計算領域的螞蟻技術研究院研究員深度參與。復旦承擔生物學實驗部分，螞蟻負責圖計算部分。

具體來說，這一項目先通過生物實驗，將中隔區(qū)的神經連接如實還原，再結合現(xiàn)有的在線腦圖譜數(shù)據，利用圖計算構建仿真框架，透過模型驗證實驗，將生物實驗和仿真實驗形成一個自我完善的“環(huán)”。接著，他們希望能通過中隔區(qū)-海馬-皮層，逐步遞進，實現(xiàn)高精度腦仿真，為未來的腦模擬研究提供高精度的仿真和預測，并最終為相關的腦研究提供一個工具平臺。

當然，我們不能忽視，基于圖計算進行腦仿真的道路，才剛剛起步。為了進行有意義的多用途模擬，我們需要比現(xiàn)在更詳細的數(shù)據：如細胞類型及其特性、精細連接、對神經調節(jié)的透徹理解、關于可塑性機制的詳細信息以及功能神經的大量表征活動等。對于小鼠大腦，這些需求或許能在近幾年得到滿足。但對于人腦的模擬，這是一條漫長而曲折的路。然而，這并不妨礙我們對未來的向往和期待。相信，在未來十年，基于圖計算的全腦仿真項目將會大放異彩，助力我們更深入理解大腦的高級功能，推動腦科學研究和藥物開發(fā)的進步。

歷盡千年大腦研究，百年神經科學探索，我們對自己仍然陌生。從阿波羅神廟出發(fā)，穿越數(shù)千年，德爾斐的箴言仍舊耀眼。無數(shù)圖譜的涌現(xiàn)，也無法解釋我們是誰。五年，十年，百年后，基于圖計算的腦仿真，能否再造一個硅基大腦，幫助我們重新認識自己？為了加速大腦認識，為了治療大腦疾病，神經科學必須迎來新的變化?；趫D計算的腦仿真，能將我們帶往何方，讓我們一起期待。

參考文獻

[1]SHERRINGTON C. Man on his Nature[M]. 2nd edition. Cambridge University Press, 1951.

[2]徐泠風, 李傳東, XU LING-FENG L C D. 神經元模型對比分析[J/OL]. 物理學報, 65(24): 240701-240701. https://doi.org/10.7498/aps.65.240701.

[3]FAN L. Mapping the Human Brain: What Is the Next Frontier?[J/OL]. The Innovation, 2021, 2(1): 100073. https://doi.org/10.1016/j.xinn.2020.100073.

[4]HAUFLER D, ITO S, KOCH C, et al. Simulations of cortical networks using spatially extended conductance-based neuronal models[J/OL]. The Journal of Physiology, n/a(n/a)[2023-07-01]. https://onlinelibrary.wiley.com/doi/abs/10.1113/JP284030.

[5]FARAHANI F V, KARWOWSKI W, LIGHTHALL N R. Application of Graph Theory for Identifying Connectivity Patterns in Human Brain Networks: A Systematic Review[J/OL]. Frontiers in Neuroscience, 2019, 13[2023-07-01]. https://www.frontiersin.org/articles/10.3389/fnins.2019.00585.

[6]汪小帆, 李翔, 陳關榮. 復雜網絡理論及其應用[M]. 清華大學出版社有限公司, 2006.

[7]BESSADOK A, MAHJOUB M A, REKIK I. Graph Neural Networks in Network Neuroscience[M/OL]. arXiv, 2022[2023-06-29]. http://arxiv.org/abs/2106.03535.

[8]吳博, 梁循, 張樹森, 等. 圖神經網絡前沿進展與應用[J]. 計算機學報, 2022, 45(1): 35-68.

作者：光影 / 范存源

排版：光影?|?封面：Tatiana Plakhova