Цифровые двойники мозга оказались бесполезны. Никто не учёл, что его части постоянно борются друг с другом
NewsMakerМиллиарды нейронов, 20 лет исследований — и вот она, фундаментальная ошибка.
Персональные цифровые двойники мозга сейчас активно обсуждают в нейронауке и медицине. Под цифровым двойником понимают компьютерную модель, которая пытается воспроизвести работу конкретного мозга: показать, как взаимодействуют его области и как мозг может отреагировать на стимуляцию, болезнь или лекарство. Замысел звучит убедительно, но собрать по-настоящему точную модель очень трудно. Мозг состоит из миллиардов нейронов, а схема связей у каждого человека немного своя. Из-за этого у каждого есть собственный нейронный рисунок, своего рода отпечаток мозга. Авторы новой работы считают, что нынешние модели часто передают его слишком плохо. По точности они нередко оказываются не намного ближе к реальному мозгу, чем схема связей случайного человека.
Проблема важна не только для теории. Цифровые двойники все чаще предлагают использовать как полигон для проверки лечения еще до вмешательства у реального пациента. Если модель не улавливает базовые принципы организации именно этого мозга, прогноз перестает быть персональным. В худшем случае выводы могут увести в сторону. В новой статье, опубликованной в Nature Neuroscience, исследователи показывают, что реалистичный цифровой двойник требует вещи, которую многие модели до сих пор обходили стороной: конкуренции между разными системами мозга. Без нее модель становится слишком общей и хуже передает черты, которые делают конкретный мозг именно вашим.
Мозг постоянно меняется. Его активность не замирает ни на секунду, и такие колебания можно отслеживать без операции, например с помощью функциональной МРТ . На основе этих данных ученые строят модель, привязанную к отдельному человеку, и пытаются просчитать, как разные зоны будут влиять друг на друга. Долгое время в подобных моделях упор делали почти исключительно на согласованную работу областей мозга. На словах подход выглядит логично: мозг действительно умеет работать как очень слаженная система. Но повседневный опыт подсказывает и другое. Когда человек переключается между задачами или старается удержать внимание, разные системы мозга явно не помогают друг другу без конца, а конкурируют за ограниченные ресурсы. Мозг не может одновременно делать все сразу, и все его участки не могут быть одинаково активны в каждый момент.
Авторы работы пишут, что за последние 20 лет большинство симуляций мозга почти не учитывали такую конкуренцию. Напротив, соседние области в них часто как будто принудительно подталкивали к совместной работе. Из-за этого в модели возникали слишком синхронные режимы активности, которые редко встречаются в живом мозге. Чтобы проверить, насколько сильно это искажает картину, международная группа сравнила два типа моделей. В одном варианте все взаимодействия между областями были только кооперативными. В другом одни зоны могли усиливать активность других, а другие, наоборот, подавлять. Проверку провели на данных людей, макак и мышей. Во всех трех случаях более реалистичными оказались модели, где конкуренция присутствовала.
Дальше исследователи посмотрели, насколько хорошо такие модели совпадают с тем, что уже известно о когнитивных контурах мозга. Для этого они использовали масштабный анализ более чем 14 000 нейровизуализационных исследований. Выяснилось, что спонтанная активность в моделях с конкурирующими системами заметно точнее воспроизводит контуры, связанные с вниманием, памятью и другими когнитивными функциями. Авторы делают из этого довольно прямой вывод: конкуренция помогает мозгу гибко включать нужные комбинации областей в нужный момент. Именно такая перестройка лежит в основе разумного поведения, когда система не застревает в одном режиме, а переключается по ситуации.
У конкуренции нашлась и еще одна роль. По выводам авторов, она работает как стабилизирующий механизм. Разные системы мозга по очереди задают направление общей активности и не дают друг другу заглушить все остальное. За счет этого мозг избегает неконтролируемого разгона активности, помех и лишнего шума. Исследователи связывают с этим не только устойчивость работы, но и выдающуюся энергоэффективность мозга млекопитающих. На этом фоне особенно заметен контраст с современными ИИ-системами , которым для сопоставимо сложных задач часто требуется на порядки больше ресурсов.
Самое важное для темы цифровых двойников в другом: модели с конкуренцией оказались не просто точнее в среднем, а лучше передавали индивидуальные особенности. Иначе говоря, они заметно увереннее схватывали тот самый отпечаток мозга, который отличает одного человека от другого. Для персонализированной медицины это, пожалуй, главный результат всей работы. Если модель лучше отражает устройство конкретного мозга, у врачей появляется более надежная база для прогноза.
Авторы отдельно подчеркивают, что выводы повторяются не только у людей, но и у других млекопитающих. Сходный результат на человеческих данных, макаках и мышах намекает, что исследователи наткнулись не на частную особенность одного вида, а на более общий принцип работы интеллектуальных систем. Для прикладной нейронауки это особенно важно, потому что почти все новые методы сначала проверяют на животных. Дальше начинается старая проблема: многообещающий результат в лаборатории не всегда переносится на человека. По оценке авторов, около 90% методов лечения нейропсихиатрических расстройств теряются на этом переходе и проваливаются уже на стадии клинических испытаний у людей.
Именно здесь цифровые двойники могут дать практическую пользу. Если объединить нейровизуализацию конкретного пациента с моделью мозга , которая работает по единым принципам у разных видов, появится более надежный мост между фундаментальными экспериментами и клиникой. Авторы приводят понятный пример: при эпилепсии или опухоли можно заранее просчитать, как изменится активность мозга при разных дозах препаратов или при разной силе электрической стимуляции. Такой подход способен заметно улучшить нынешнюю практику, где врачу часто приходится подбирать параметры почти вручную, шаг за шагом, наблюдая за ответом пациента.
Работа интересна и в более широком смысле. Общие принципы организации мозга у разных видов могут пригодиться не только медицине, но и разработке следующего поколения ИИ. Авторы предполагают, что со временем удастся строить цифровые двойники, которые точнее воспроизводят важные свойства человеческого мозга, а параллельно создавать модели ИИ, которые ближе к устройству человеческого мышления. Пока это скорее направление, чем готовая технология. Но главный вывод из статьи уже выглядит вполне ясным: если в цифровой модели мозга оставить только согласованность и убрать внутреннее соперничество систем, получится слишком гладкая схема, мало похожая на живую работу настоящего мозга.
Самое важное для темы цифровых двойников в другом: модели с конкуренцией оказались не просто точнее в среднем, а лучше передавали индивидуальные особенности. Иначе говоря, они заметно увереннее схватывали тот самый отпечаток мозга, который отличает одного человека от другого. Для персонализированной медицины это, пожалуй, главный результат всей работы. Если модель лучше отражает устройство конкретного мозга, у врачей появляется более надежная база для прогноза.
Авторы отдельно подчеркивают, что выводы повторяются не только у людей, но и у других млекопитающих. Сходный результат на человеческих данных, макаках и мышах намекает, что исследователи наткнулись не на частную особенность одного вида, а на более общий принцип работы интеллектуальных систем. Для прикладной нейронауки это особенно важно, потому что почти все новые методы сначала проверяют на животных. Дальше начинается старая проблема: многообещающий результат в лаборатории не всегда переносится на человека. По оценке авторов, около 90% методов лечения нейропсихиатрических расстройств теряются на этом переходе и проваливаются уже на стадии клинических испытаний у людей.
Именно здесь цифровые двойники могут дать практическую пользу. Если объединить нейровизуализацию конкретного пациента с моделью всего мозга, которая работает по единым принципам у разных видов, появится более надежный мост между фундаментальными экспериментами и клиникой. Авторы приводят понятный пример: при эпилепсии или опухоли можно заранее просчитать, как изменится активность мозга при разных дозах препаратов или при разной силе электрической стимуляции. Такой подход способен заметно улучшить нынешнюю практику, где врачу часто приходится подбирать параметры почти вручную, шаг за шагом, наблюдая за ответом пациента.
Работа интересна и в более широком смысле. Общие принципы организации мозга у разных видов могут пригодиться не только медицине, но и разработке следующего поколения ИИ. Авторы предполагают, что со временем удастся строить цифровые двойники, которые точнее воспроизводят важные свойства человеческого мозга, а параллельно создавать модели ИИ, которые ближе к устройству человеческого мышления. Пока это скорее направление, чем готовая технология. Но главный вывод из статьи уже выглядит вполне ясным: если в цифровой модели мозга оставить только согласованность и убрать внутреннее соперничество систем, получится слишком гладкая схема, мало похожая на живую работу настоящего мозга.
Персональные цифровые двойники мозга сейчас активно обсуждают в нейронауке и медицине. Под цифровым двойником понимают компьютерную модель, которая пытается воспроизвести работу конкретного мозга: показать, как взаимодействуют его области и как мозг может отреагировать на стимуляцию, болезнь или лекарство. Замысел звучит убедительно, но собрать по-настоящему точную модель очень трудно. Мозг состоит из миллиардов нейронов, а схема связей у каждого человека немного своя. Из-за этого у каждого есть собственный нейронный рисунок, своего рода отпечаток мозга. Авторы новой работы считают, что нынешние модели часто передают его слишком плохо. По точности они нередко оказываются не намного ближе к реальному мозгу, чем схема связей случайного человека.
Проблема важна не только для теории. Цифровые двойники все чаще предлагают использовать как полигон для проверки лечения еще до вмешательства у реального пациента. Если модель не улавливает базовые принципы организации именно этого мозга, прогноз перестает быть персональным. В худшем случае выводы могут увести в сторону. В новой статье, опубликованной в Nature Neuroscience, исследователи показывают, что реалистичный цифровой двойник требует вещи, которую многие модели до сих пор обходили стороной: конкуренции между разными системами мозга. Без нее модель становится слишком общей и хуже передает черты, которые делают конкретный мозг именно вашим.
Мозг постоянно меняется. Его активность не замирает ни на секунду, и такие колебания можно отслеживать без операции, например с помощью функциональной МРТ . На основе этих данных ученые строят модель, привязанную к отдельному человеку, и пытаются просчитать, как разные зоны будут влиять друг на друга. Долгое время в подобных моделях упор делали почти исключительно на согласованную работу областей мозга. На словах подход выглядит логично: мозг действительно умеет работать как очень слаженная система. Но повседневный опыт подсказывает и другое. Когда человек переключается между задачами или старается удержать внимание, разные системы мозга явно не помогают друг другу без конца, а конкурируют за ограниченные ресурсы. Мозг не может одновременно делать все сразу, и все его участки не могут быть одинаково активны в каждый момент.
Авторы работы пишут, что за последние 20 лет большинство симуляций мозга почти не учитывали такую конкуренцию. Напротив, соседние области в них часто как будто принудительно подталкивали к совместной работе. Из-за этого в модели возникали слишком синхронные режимы активности, которые редко встречаются в живом мозге. Чтобы проверить, насколько сильно это искажает картину, международная группа сравнила два типа моделей. В одном варианте все взаимодействия между областями были только кооперативными. В другом одни зоны могли усиливать активность других, а другие, наоборот, подавлять. Проверку провели на данных людей, макак и мышей. Во всех трех случаях более реалистичными оказались модели, где конкуренция присутствовала.
Дальше исследователи посмотрели, насколько хорошо такие модели совпадают с тем, что уже известно о когнитивных контурах мозга. Для этого они использовали масштабный анализ более чем 14 000 нейровизуализационных исследований. Выяснилось, что спонтанная активность в моделях с конкурирующими системами заметно точнее воспроизводит контуры, связанные с вниманием, памятью и другими когнитивными функциями. Авторы делают из этого довольно прямой вывод: конкуренция помогает мозгу гибко включать нужные комбинации областей в нужный момент. Именно такая перестройка лежит в основе разумного поведения, когда система не застревает в одном режиме, а переключается по ситуации.
У конкуренции нашлась и еще одна роль. По выводам авторов, она работает как стабилизирующий механизм. Разные системы мозга по очереди задают направление общей активности и не дают друг другу заглушить все остальное. За счет этого мозг избегает неконтролируемого разгона активности, помех и лишнего шума. Исследователи связывают с этим не только устойчивость работы, но и выдающуюся энергоэффективность мозга млекопитающих. На этом фоне особенно заметен контраст с современными ИИ-системами , которым для сопоставимо сложных задач часто требуется на порядки больше ресурсов.
Самое важное для темы цифровых двойников в другом: модели с конкуренцией оказались не просто точнее в среднем, а лучше передавали индивидуальные особенности. Иначе говоря, они заметно увереннее схватывали тот самый отпечаток мозга, который отличает одного человека от другого. Для персонализированной медицины это, пожалуй, главный результат всей работы. Если модель лучше отражает устройство конкретного мозга, у врачей появляется более надежная база для прогноза.
Авторы отдельно подчеркивают, что выводы повторяются не только у людей, но и у других млекопитающих. Сходный результат на человеческих данных, макаках и мышах намекает, что исследователи наткнулись не на частную особенность одного вида, а на более общий принцип работы интеллектуальных систем. Для прикладной нейронауки это особенно важно, потому что почти все новые методы сначала проверяют на животных. Дальше начинается старая проблема: многообещающий результат в лаборатории не всегда переносится на человека. По оценке авторов, около 90% методов лечения нейропсихиатрических расстройств теряются на этом переходе и проваливаются уже на стадии клинических испытаний у людей.
Именно здесь цифровые двойники могут дать практическую пользу. Если объединить нейровизуализацию конкретного пациента с моделью мозга , которая работает по единым принципам у разных видов, появится более надежный мост между фундаментальными экспериментами и клиникой. Авторы приводят понятный пример: при эпилепсии или опухоли можно заранее просчитать, как изменится активность мозга при разных дозах препаратов или при разной силе электрической стимуляции. Такой подход способен заметно улучшить нынешнюю практику, где врачу часто приходится подбирать параметры почти вручную, шаг за шагом, наблюдая за ответом пациента.
Работа интересна и в более широком смысле. Общие принципы организации мозга у разных видов могут пригодиться не только медицине, но и разработке следующего поколения ИИ. Авторы предполагают, что со временем удастся строить цифровые двойники, которые точнее воспроизводят важные свойства человеческого мозга, а параллельно создавать модели ИИ, которые ближе к устройству человеческого мышления. Пока это скорее направление, чем готовая технология. Но главный вывод из статьи уже выглядит вполне ясным: если в цифровой модели мозга оставить только согласованность и убрать внутреннее соперничество систем, получится слишком гладкая схема, мало похожая на живую работу настоящего мозга.
Самое важное для темы цифровых двойников в другом: модели с конкуренцией оказались не просто точнее в среднем, а лучше передавали индивидуальные особенности. Иначе говоря, они заметно увереннее схватывали тот самый отпечаток мозга, который отличает одного человека от другого. Для персонализированной медицины это, пожалуй, главный результат всей работы. Если модель лучше отражает устройство конкретного мозга, у врачей появляется более надежная база для прогноза.
Авторы отдельно подчеркивают, что выводы повторяются не только у людей, но и у других млекопитающих. Сходный результат на человеческих данных, макаках и мышах намекает, что исследователи наткнулись не на частную особенность одного вида, а на более общий принцип работы интеллектуальных систем. Для прикладной нейронауки это особенно важно, потому что почти все новые методы сначала проверяют на животных. Дальше начинается старая проблема: многообещающий результат в лаборатории не всегда переносится на человека. По оценке авторов, около 90% методов лечения нейропсихиатрических расстройств теряются на этом переходе и проваливаются уже на стадии клинических испытаний у людей.
Именно здесь цифровые двойники могут дать практическую пользу. Если объединить нейровизуализацию конкретного пациента с моделью всего мозга, которая работает по единым принципам у разных видов, появится более надежный мост между фундаментальными экспериментами и клиникой. Авторы приводят понятный пример: при эпилепсии или опухоли можно заранее просчитать, как изменится активность мозга при разных дозах препаратов или при разной силе электрической стимуляции. Такой подход способен заметно улучшить нынешнюю практику, где врачу часто приходится подбирать параметры почти вручную, шаг за шагом, наблюдая за ответом пациента.
Работа интересна и в более широком смысле. Общие принципы организации мозга у разных видов могут пригодиться не только медицине, но и разработке следующего поколения ИИ. Авторы предполагают, что со временем удастся строить цифровые двойники, которые точнее воспроизводят важные свойства человеческого мозга, а параллельно создавать модели ИИ, которые ближе к устройству человеческого мышления. Пока это скорее направление, чем готовая технология. Но главный вывод из статьи уже выглядит вполне ясным: если в цифровой модели мозга оставить только согласованность и убрать внутреннее соперничество систем, получится слишком гладкая схема, мало похожая на живую работу настоящего мозга.