貝勒醫學院（Baylor College of Medicine）與耶魯大學的研究團隊利用生成式人工智慧（AI）建構 1 個基礎大腦活動模型「腦語言模型（Brain Language Model，BrainLM）」，並在今（2024）年國際表徵學習大會（International Conference on Learning Representations，ICLR）進行發表。透過模擬大腦的活動，探討大腦功能與人類行為及腦部疾病的關聯。阿卜杜拉博士（Dr. Chadi Abdallah）指出，傳統的數據分析工具無法完全捕捉到這些活動的動態變化，而生成式 AI 技術能夠更深入了解並預測大腦活動。
Groundbreaking Real-Time MRI Enhances Nervous System Gene Therapy（基因線上國際版）6700 小時 fMRI 訓練資料，造就模型微調與零樣本推理能力
BrainLM 的特點是使用長達 6,700 小時的功能性磁振造影（fMRI）資料進行自監督遮罩預測訓練，藉由大量資料為基礎，使模型能有效執行微調和零樣本推理任務（Zero-shot Inference Tasks）。良好的微調能力可以有效預測臨床變數與大腦未來的狀態，而零樣本推理將有助於識別出潛在的功能網絡，建構出可解釋的大腦活動表徵。
BrainLM 的模型架構受到大型語言模型的啟發，採用符合大腦活動時空特性的 Transformer 框架進行自監督學習訓練。模型專注於重建大腦活動的遮蔽部分，有助於理解大腦內部複雜交錯的非線性互動。
值得注意的是，該模型採用一種電腦模擬擾動提示方法（in silico perturbation prompting approach），藉由最佳化擾動函數，可以模擬大腦活動對假設情景的反應，篩選出對改變模型預測大腦狀態影響最大的 fMRI 特徵。BrainLM 為分析和理解大規模大腦活動數據提供 1 種類似「鏡頭（Lens）」的新框架，使其能更有效地解釋未見過的數據。
建構 fMRI 多疾病預測模型，提升藥物開發效率並降低成本
在實際應用中，研究人員將 BrainLM 微調，並在預訓練模型上附加一個多層感知器（Multi-Layer Perceptron，MLP），藉此預測 fMRI 數據中的各種臨床變數，如年齡、創傷後壓力症候群（PTSD）和焦慮症分數。
此外，BrainLM 利用來自 40,000 名受試者高達 80,000 次的掃描數據，建立 1 個不限於特定疾病數據的大腦活動基礎模型。此模型的開發相比傳統腦科學研究，尤其在臨床試驗方面，所需的數據規模與成本顯著降低。例如，在憂鬱症藥物開發臨床試驗中，如果先使用 BrainLM 模型精準篩選可能受益的受試者，有機會將開發成本降低一半。
BrainLM 在多種掃描器和族群樣本中的表現皆優於既有的其他模型，尤其在預測憂鬱症、焦慮症和創傷後壓力症候群（PTSD）嚴重程度方面，效果可超越其他未採用生成式 AI 的機器學習方法。研究者計劃建構一個「廣效」模型，如果可以預測其他大腦相關疾病，未來極有可能在精神疾病治療或神經外科手術方面發揮重要作用。
延伸閱讀：解密夢境：深層睡眠中大腦的神秘活動參考資料：
https://www.biorxiv.org/content/10.1101/2023.09.12.557460v1.full.pdf
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：service@geneonlineasia.com
