Biofysische hersenmodellen krijgen een snelheidsboost van 2000×: Onderzoekers van NUS, UPenn en UPF introduceren DELSSOME om numerieke integratie te vervangen door deep learning zonder in te leveren op nauwkeurigheid.

18 april 2025

Biophysische modellen spelen een belangrijke rol bij het begrijpen van hersenfuncties door de dynamiek op celniveau te koppelen aan grootschalige hersenactiviteit. Deze modellen gebruiken biologisch interpreteerbare parameters, waarvan sommige experimenteel meetbaar zijn. Andere parameters blijven echter onbekend en moeten worden afgestemd op empirische gegevens, zoals rusttoestand fMRI, wat vaak leidt tot hoge rekenkosten.

Traditionele optimalisatiemethoden, zoals uitputtend zoeken, gradiëntafdalingen, evolutionaire algoritmen en Bayesiaanse optimalisatie, vereisen een herhaalde numerieke integratie van complexe differentiaalvergelijkingen. Door de hoge rekenintensiteit beperken veel onderzoeken zich tot het afstemmen van slechts een paar parameters of maken aannames die ten koste gaan van de biologische nauwkeurigheid.

Recentere benaderingen verhogen de biologische realisme door regionale verschillen in hersenstructuren in kaart te brengen en geavanceerde technieken zoals evolutionaire strategieën en Bayesiaanse modellen toe te passen. Deze methodes verbeteren de overeenstemming tussen gesimuleerde en werkelijke hersenactiviteit en leveren interpreteerbare metingen op, zoals de excitatie/inhibitie-ratio.

Een bottleneck blijft echter bestaan: het optimalisatieproces vereist nog steeds intensieve numerieke integratie. Deep learning-netwerken zijn in andere wetenschappen ingezet om deze stap te omzeilen, maar de toepassing ervan op hersenmodellen is uitdagender door hun stochastische aard en het grote aantal integratiestappen dat nodig is. Hierdoor zijn voor hersenmodellering nog aanpassingen nodig alvorens deep learning effectief kan worden ingezet.

Onderzoekers van onder andere National University of Singapore, Universiteit van Pennsylvania en Universitat Pompeu Fabra ontwikkelden DELSSOME, een deep learning-framework dat de noodzaak voor numerieke integratie vervangt. Door middel van twee neurale netwerken voorspelt DELSSOME of een set modelparameters realistische hersendynamiek oplevert en hoe goed de simulatie aansluit op fMRI-gegevens, wat leidt tot een versnelling van 2000× bij evaluatie en 50× bij optimalisatie.

Toegepast op het Feedback Inhibition Control (FIC) model, liet DELSSOME consistente prestaties zien over datasets zoals HCP en PNC zonder extra afstemming. Het model gebruikt een classificatiecomponent voor het beoordelen van biologisch plausibele vuursnelheden en een voorspellingsmodel voor de afwijking van functionele connectiegegevens. Hiermee maakt DELSSOME grootschalige, biologisch onderbouwde hersenmodellering op populatieniveau een stuk toegankelijker.