深度学习用于大脑中物质运输研究，比等几何分析模拟快120~330倍

编辑/凯霞

大脑是人体最复杂的器官，控制着从感官到行为的一切。像身体的任何部位一样，它也会受到各种影响认知和身体功能的错误的影响，其中包括亨廷顿氏病，帕金森氏症和阿尔茨海默氏病。不幸的是，对这些退行性疾病的治疗和治愈知之甚少，导致护理主要涉及对症状的管理。

然而，这些疾病和其他疾病的原因，以及预防方法或治疗方法的潜力，可能在我们的掌握之中。

最近，卡内基梅隆大学的研究人员提出一个基于图神经网络 (GNN) 的深度学习模型来学习基于等几何分析（IGA）的材料传输模拟，并在任何拓扑的神经突网络（neurite networks）中提供快速的材料浓度预测。平均误差小于 10%，比 IGA 模拟快 120 ~ 330 倍。所提出模型的有效性在几个复杂的神经突网络中得到了证明。

该研究于以《Deep learning of material transport in complex neurite networks》为题发表在《Scientific Reports》杂志上。

神经突网络是神经元中将神经冲动进出神经元的部分。神经元在其分支的神经突网络中表现出复杂的几何形状，这对单个神经元的功能至关重要，但也带来了在整个神经突网络中运输各种必需材料以维持其生存和功能的挑战。

虽然 IGA 等数值方法已被用于通过求解偏微分方程（PDE）对材料传输过程进行建模，但它们需要较长的计算时间和巨大的计算资源来确保精确的几何表示和求解，从而限制了它们的生物医学应用。

在这项研究中，研究人员开发了一个基于 GNN 的模型，以从模拟数据中学习材料传输机制，并在神经突网络的复杂几何结构内提供对传输过程的快速预测。神经突网络的广泛拓扑结构和存储在网格结构中的 IGA 模拟数据推动了 GNN 的使用。而且，GNN 模型可以在不牺牲太多神经元几何信息的情况下获得比 IGA 模拟更好的计算效率。

该 GNN 模型包括：（1）用于管道和分叉结构局部预测的 GNN 模拟器；（2）用于整个神经突网络中全局预测的 GNN 组装模型。

在 GNN 框架中的模拟器和组装模型经过良好训练后，使用 GNN 模型来预测几个复杂神经突网络中的浓度分布，并与 IGA 求解器的模拟结果进行比较。

研究发现：训练有素的 GNN 模型可以快速、准确地预测材料浓度分布，从而为研究神经突网络复杂 3D 模型中的传输过程提供有效的深度学习（DL） 框架。该框架应用于几个复杂的神经突网络，与 IGA 模拟相比，平均误差小于 10%，速度快120 ~ 330倍。

表 1：所有测试的复杂神经突网络的统计数据。（来源：论文）

「这是一项非常新的技术，使用多物理系统来研究神经元材料的传输，」卡内基梅隆大学机械工程教授 Zhang 说。「研究神经元退行性疾病至关重要。在这项研究中，我们专注于使用机器学习来快速预测模拟结果的浓度。这对理解复杂神经元几何中的材料传输有很大的潜在影响。这将对于帮助我们了解疾病是如何发展的非常有用。」

他们的研究涉及使用基于 GNN 的深度学习模型来发现基于 IGA 的轴突分支材料传输模拟，从而释放传输材料。这些方法假设材料浓度分布可以在局部预测，并基于图形表示进行组装，从而使浓度分布得以恢复。

大多数文献只研究一维问题，他们的研究是多方面的，采用复杂的三维方法。「深度学习可以使整个过程非常高效，准确率很高，」Zhang 说。「我们想强调的是，这可以帮助我们了解并进一步研究神经元退行性疾病。」