大脑模型中的竞争提高治疗准确性

脑区竞争提升数字模型在医学中的准确性

整合脑区之间竞争机制的数字大脑模型，在复制个体神经活动模式方面表现出显著更高的准确性。这一发现得到了来自人类、猕猴和小鼠的fMRI数据支持，为个性化医疗疗法开辟了新路径。

大脑建模的核心原理

大脑的计算机模拟依赖于捕捉数十亿神经元动态活动的神经影像数据。传统方法强调脑区之间的协作，假设各区域以和谐方式互动。然而，真实的大脑功能涉及不同区域间信号增强与抑制的平衡——这对认知灵活性至关重要。

这种竞争源于资源有限：大脑无法同时让所有区域保持峰值激活状态。因此，它会动态转移注意力，从而实现注意力集中和记忆等关键功能。缺乏竞争机制的模型会产生人为同步的活动模式，无法反映真实的生物动态。

跨物种模型比较

一个国际研究团队测试了两种模拟类型：

• 协作模型，即脑区仅相互激发；
• 竞争模型，引入抑制机制。

在人类、猕猴和小鼠的数据上进行测试后发现，竞争模型表现更优。它们能更准确地复现自发性脑活动，并通过分析14,000次神经影像扫描得到验证。这种优势在注意力和记忆相关神经回路中尤为明显。

竞争机制使系统更加稳定，避免过载和噪声干扰。这使得哺乳动物大脑能够实现高能效——而当前的人工智能系统在执行类似任务时耗电量要大得多。

对个性化医疗的影响

个体大脑特征对于准确预测至关重要。竞争模型能更好地捕捉独特的神经连接模式，成为预测治疗反应的有力工具。在癫痫或脑肿瘤等疾病中，模拟可提前预测刺激疗法或药物干预的效果，从而指导临床决策。

神经精神类治疗的临床试验失败率高达90%，其根源常在于动物模型与人类患者之间的差异。而普遍存在的竞争机制有助于弥合这一鸿沟，使临床前研究成果更可靠地转化为人类应用。

对人工智能与未来发展的启示

该发现揭示了智能系统之间的共通原则。将竞争机制融入人工智能，有望提升其效率，使人工认知更接近生物智能。有前景的方向包括结合数字脑孪生与机器学习的混合模型。

更广泛的背景是：MRI技术与计算能力的进步正在加速大脑建模的发展。成果包括降低治疗风险、优化药物研发流程，以及在认知机制理解上的突破。

核心要点

• 脑区间竞争带来灵活性与稳定性，使生物真实模型区别于过度简化的模拟；
• 跨物种验证证实竞争机制的普适性，支持从实验室研究向临床实践的可靠转化；
• 个性化数字孪生提升治疗效果预测能力，减少试错失败；
• 大脑的高效能耗为优化高功耗AI系统提供了蓝图；
• 借助预测性模拟，可能催生针对癫痫和脑肿瘤的新疗法。

— Editorial Team