CN117095824B - 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 - Google Patents
基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 Download PDFInfo
- Publication number
- CN117095824B CN117095824B CN202311352682.8A CN202311352682A CN117095824B CN 117095824 B CN117095824 B CN 117095824B CN 202311352682 A CN202311352682 A CN 202311352682A CN 117095824 B CN117095824 B CN 117095824B
- Authority
- CN
- China
- Prior art keywords
- brain
- dopamine
- receptor
- twin
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- VYFYYTLLBUKUHU-UHFFFAOYSA-N dopamine Chemical compound NCCC1=CC=C(O)C(O)=C1 VYFYYTLLBUKUHU-UHFFFAOYSA-N 0.000 title claims abstract description 346
- 210000004556 brain Anatomy 0.000 title claims abstract description 331
- 229960003638 dopamine Drugs 0.000 title claims abstract description 173
- 238000010168 coupling process Methods 0.000 title claims abstract description 109
- 238000004088 simulation Methods 0.000 title claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims abstract description 91
- 239000002858 neurotransmitter agent Substances 0.000 claims abstract description 74
- 230000003925 brain function Effects 0.000 claims abstract description 54
- 102000004980 Dopamine D2 Receptors Human genes 0.000 claims abstract description 39
- 108090001111 Dopamine D2 Receptors Proteins 0.000 claims abstract description 39
- 230000007177 brain activity Effects 0.000 claims abstract description 38
- 230000000694 effects Effects 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims description 95
- 238000005859 coupling reaction Methods 0.000 claims description 95
- 230000002964 excitative effect Effects 0.000 claims description 71
- 230000002401 inhibitory effect Effects 0.000 claims description 60
- 150000001413 amino acids Chemical class 0.000 claims description 51
- 230000000946 synaptic effect Effects 0.000 claims description 39
- 101150049660 DRD2 gene Proteins 0.000 claims description 37
- 239000000203 mixture Substances 0.000 claims description 27
- 206010001497 Agitation Diseases 0.000 claims description 23
- 230000009471 action Effects 0.000 claims description 19
- 230000005764 inhibitory process Effects 0.000 claims description 19
- 102000015554 Dopamine receptor Human genes 0.000 claims description 17
- 108050004812 Dopamine receptor Proteins 0.000 claims description 17
- 102000005962 receptors Human genes 0.000 claims description 17
- 108020003175 receptors Proteins 0.000 claims description 17
- 230000005284 excitation Effects 0.000 claims description 16
- 238000002598 diffusion tensor imaging Methods 0.000 claims description 15
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 14
- 108010064719 Oxyhemoglobins Proteins 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- OUYCCCASQSFEME-QMMMGPOBSA-N L-tyrosine Chemical compound OC(=O)[C@@H](N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-QMMMGPOBSA-N 0.000 claims description 11
- 239000011259 mixed solution Substances 0.000 claims description 11
- 230000001537 neural effect Effects 0.000 claims description 11
- 210000000225 synapse Anatomy 0.000 claims description 11
- OUYCCCASQSFEME-UHFFFAOYSA-N tyrosine Natural products OC(=O)C(N)CC1=CC=C(O)C=C1 OUYCCCASQSFEME-UHFFFAOYSA-N 0.000 claims description 11
- COLNVLDHVKWLRT-QMMMGPOBSA-N L-phenylalanine Chemical compound OC(=O)[C@@H](N)CC1=CC=CC=C1 COLNVLDHVKWLRT-QMMMGPOBSA-N 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 10
- COLNVLDHVKWLRT-UHFFFAOYSA-N phenylalanine Natural products OC(=O)C(N)CC1=CC=CC=C1 COLNVLDHVKWLRT-UHFFFAOYSA-N 0.000 claims description 10
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 6
- 230000004886 head movement Effects 0.000 claims description 6
- 230000000004 hemodynamic effect Effects 0.000 claims description 6
- 238000002600 positron emission tomography Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 5
- 239000008280 blood Substances 0.000 claims description 5
- 210000004369 blood Anatomy 0.000 claims description 5
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 239000010959 steel Substances 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 229940024606 amino acid Drugs 0.000 description 35
- 210000002569 neuron Anatomy 0.000 description 14
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 description 12
- 230000037361 pathway Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- OGNSCSPNOLGXSM-UHFFFAOYSA-N (+/-)-DABA Natural products NCCC(N)C(O)=O OGNSCSPNOLGXSM-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 229960003692 gamma aminobutyric acid Drugs 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 210000001577 neostriatum Anatomy 0.000 description 4
- 210000003523 substantia nigra Anatomy 0.000 description 4
- 102000004868 N-Methyl-D-Aspartate Receptors Human genes 0.000 description 3
- 108090001041 N-Methyl-D-Aspartate Receptors Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- WAOQONBSWFLFPE-VIFPVBQESA-N 3,5-dichloro-N-[[(2S)-1-ethyl-2-pyrrolidinyl]methyl]-2-hydroxy-6-methoxybenzamide Chemical compound CCN1CCC[C@H]1CNC(=O)C1=C(O)C(Cl)=CC(Cl)=C1OC WAOQONBSWFLFPE-VIFPVBQESA-N 0.000 description 2
- 102000003678 AMPA Receptors Human genes 0.000 description 2
- 108090000078 AMPA Receptors Proteins 0.000 description 2
- 206010012335 Dependence Diseases 0.000 description 2
- 108090000511 Dopamine D1 Receptors Proteins 0.000 description 2
- WHUUTDBJXJRKMK-VKHMYHEASA-N L-glutamic acid Chemical compound OC(=O)[C@@H](N)CCC(O)=O WHUUTDBJXJRKMK-VKHMYHEASA-N 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000003710 cerebral cortex Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003957 neurotransmitter release Effects 0.000 description 2
- 229950001518 raclopride Drugs 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- MGRVRXRGTBOSHW-UHFFFAOYSA-N (aminomethyl)phosphonic acid Chemical compound NCP(O)(O)=O MGRVRXRGTBOSHW-UHFFFAOYSA-N 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 229940126095 D2/D3 Receptor Antagonist Drugs 0.000 description 1
- 102000004076 Dopamine D1 Receptors Human genes 0.000 description 1
- 102000003688 G-Protein-Coupled Receptors Human genes 0.000 description 1
- 108090000045 G-Protein-Coupled Receptors Proteins 0.000 description 1
- 102000005915 GABA Receptors Human genes 0.000 description 1
- 108010005551 GABA Receptors Proteins 0.000 description 1
- 108090000862 Ion Channels Proteins 0.000 description 1
- 102000004310 Ion Channels Human genes 0.000 description 1
- HOKKHZGPKSLGJE-GSVOUGTGSA-N N-Methyl-D-aspartic acid Chemical compound CN[C@@H](C(O)=O)CC(O)=O HOKKHZGPKSLGJE-GSVOUGTGSA-N 0.000 description 1
- 101100388144 Xenopus laevis drd5 gene Proteins 0.000 description 1
- UDMBCSSLTHHNCD-KQYNXXCUSA-N adenosine 5'-monophosphate Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP(O)(O)=O)[C@@H](O)[C@H]1O UDMBCSSLTHHNCD-KQYNXXCUSA-N 0.000 description 1
- 108060000200 adenylate cyclase Proteins 0.000 description 1
- 102000030621 adenylate cyclase Human genes 0.000 description 1
- 238000010171 animal model Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003291 dopaminomimetic effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000001905 globus pallidus Anatomy 0.000 description 1
- 229930195712 glutamate Natural products 0.000 description 1
- 230000000848 glutamatergic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000002197 limbic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 235000020905 low-protein-diet Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002752 melanocyte Anatomy 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 230000001817 pituitary effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000019491 signal transduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
Landscapes
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备，其中，基于孪生脑仿真模型的多巴胺动态耦合方法包括：基于被试者脑部的多模态成像，获得被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵，基于多巴胺D2受体密度构建多巴胺神经递质孪生脑仿真模型，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，获得最优多巴胺神经递质孪生脑仿真模型；使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。本发明为研究多巴胺对人脑活动水平变化提供了新方法。
Description
技术领域
本申请涉及数据处理技术领域，特别是涉及一种基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备。
背景技术
多巴胺是中枢神经系统内重要的神经递质之一，参与调节多种精神活动，如愉悦感、认知、成瘾等。多巴胺在机体内合成时以酪氨酸为原料，脑内多巴胺主要由黑质细胞合成，这些多巴胺参与锥体外系统的活动，多巴胺稳态发生改变可能导致多种疾病，如抑郁症、精神分裂症、阿兹海默症等。多巴胺参与大脑多条神经调节通路，包括黑质纹状体通路、中脑边缘通路、中脑皮质通路和结节漏斗通路，与运动调控、奖赏行为和成瘾、垂体内分泌活动调节有关。
根据多巴胺刺激（D1）或抑制（D2）腺苷酸环化酶的活性并产生第二信使分子环腺苷酸(cAMP)的能力，cAMP水平能够调控细胞代谢包括离子通道功能，使跨膜 G 蛋白耦联受体去敏化，cAMP水平升高导致神经递质释放，反之抑制神经递质释放。多巴胺受体最初被分为两大类，分子遗传学的飞速进步极大地促进了新型多巴胺受体D3、D4和D5的分离和表征，使之具有与传统D1或D2受体不同的解剖学定位。根据肽序列和药理学特征（包括它们对不同信号转导级联的影响），这五种多巴胺受体目前分为两个家族：D1样家族，包括D1和D5受体；以及D2样家族，包括D2、D3和D4受体。
黑质为多巴胺的主要产生部位，生成的多巴胺通过黑质纹状体通路由纹状体接受，纹状体内细胞密集，中型多棘神经元是纹状体内主要的信息整合神经元，释放递质主要为γ-氨基丁酸(GABA)，中型多棘神经元能够接受大脑皮层发出的谷氨酸能纤维投射，还能够接受黑质致密部的多巴胺能纤维投射。中型多棘神经元有两种类型，它们的细胞膜中分别有多巴胺D1和D2受体， 其纤维分别投射到苍白球内侧部和苍白球外侧部，分别影响纹状体-苍白球的直接/间接通路。黑质-纹状体通路中多巴胺能够通过激活D1受体可以增强直接通路的活动，或通过激活D2受体抑制间接通路的作用，具体作用方式可参见图1。图中实线表示兴奋作用，虚线表示抑制作用，DA表示多巴胺，GLU表示谷氨酸。
然而大脑活动非常复杂，即使是在传统动物模型中，关于多巴胺仍有非常多问题需要解决和验证。数字孪生脑是一个新兴发展的领域，近年来对神经递质的孪生脑仿真模型研究越来越多，然而由于多巴胺受体不唯一，受体间作用较为复杂，且经常会影响到其他递质的作用导致情况更加复杂，因此关于多巴胺作用的孪生脑建模进展较为缓慢。
发明内容
基于此，有必要针对上述技术问题，提供一种基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备。
第一方面，本申请实施例提供了基于孪生脑仿真模型的多巴胺动态耦合方法，所述方法包括：
基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；
将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体-兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。
在其中一个实施例中，所述基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型包括：
基于所述被试者脑部多巴胺D2受体密度，建立所述被试者服用氨基酸混合液后各脑区抑制电流的变化和受体密度的关系；建立关系如下：
；
其中，k1表示多巴胺D2受体产生的作用电流与D2受体密度的系数，k2表示D1受体产生的作用电流与D2受体产生的作用电流的系数，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示服用氨基酸混合液后第n个脑区的D2受体密度；
将所述被试者服用氨基酸混合液后各脑区抑制电流的变化与数字孪生脑模型耦合，获得多巴胺神经递质孪生脑仿真模型。
在其中一个实施例中，所述多巴胺神经递质孪生脑仿真模型如下：
；
；
；
；
；
；
其中，I(E) n表示第n个脑区的兴奋性电流，I(I) n表示第n个脑区的抑制性电流，r(E) n表示第n个脑区的兴奋性发放率，r(I) n表示第n个脑区的抑制性发放率，S(E) n表示第n个脑区的兴奋性突触门控，S(I) n表示第n个脑区的抑制性突触门控，I0表示整体有效外部输入，w＋表示循环兴奋加权，JE表示兴奋性突触加权，JI表示抑制性突触加权，G表示全局耦合系数，Cnp表示第n个脑区和第p个脑区间的结构连接，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示表示服用氨基酸混合液后第n个脑区的D2受体密度，KE表示多巴胺受体-兴奋性电流耦合加权，KI表示多巴胺受体-抑制性电流耦合加权，H(E)表示兴奋性神经元反馈函数，H(I)表示抑制性神经元反馈函数，I(E) thr表示兴奋性阈值电流，I(I) thr表示抑制性阈值电流，gE表示兴奋性放大系数，gI表示抑制性放大系数，dE表示H在I(E) thr的曲率，dI表示H在I(I) thr的曲率，表示控制兴奋池的突触门控变量，/>表示控制抑制池的突触门控变量，γ表示衰变时间常数，vn表示高斯噪声，σ为振幅。
在其中一个实施例中，所述基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵包括：
基于被试者脑部正电子发射断层扫描成像，获得所述被试者脑部多巴胺D2受体密度；
基于所述被试者脑部磁共振成像，分别获得被试者的弥散张量成像和功能性磁共振成像；
将预处理后的所述弥散张量成像进行纤维追踪，并将追踪后的数据配准到选定的脑网络组图谱，获得对应的人脑结构连接矩阵，以及
将预处理后的所述功能性磁共振成像配准到所述脑网络组图谱，获得对应的时间序列，并获得经验人脑功能连接矩阵；其中，所述预处理包括头动与涡流矫正、梯度方向矫正、拟合张量。
在其中一个实施例中，所述将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括：
将所述实验组的人脑结构连接矩阵进行归一化后输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动；
迭代更新所述抑制性突触加权，直至所述实验组所有脑区的所述兴奋性发放率均在第一预设范围内；
使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率。
在其中一个实施例中，所述使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括：
基于更新后的所述抑制性突触加权模拟大脑活动，获取模拟时间段内的兴奋性发放率；
判断在所述模拟时间段内任一段时间各脑区的平均兴奋性发放率是否下小于第二阈值；
若是，则确定获得稳定的兴奋性发放率。
在其中一个实施例中，所述将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵包括：
将所述稳定的兴奋性发放率输入至血氧动力学模型，模拟对应的血氧依赖水平信号；
基于所述血氧依赖水平信号，计算所述被试者的模拟人脑功能连接矩阵。
在其中一个实施例中，所述遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合之前还包括：
遍历所有所述全局耦合系数，比较各所述全局耦合系数下获得的所述模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数；
基于所述皮尔森相关系数，确定最优的全局耦合系数，并在固定所述最优的全局耦合系数的情况下，遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合。
第二方面，本申请实施例还提供了基于孪生脑仿真模型的多巴胺动态耦合装置，所述装置包括：
第一获得模块，用于基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
第一模拟模块，用于基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；
第二获得模块，用于将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
遍历模块，用于遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
第二模拟模块，用于使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。
第三方面，本申请实施例还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
上述基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备，通过多巴胺神经递质作用与数字孪生脑模型相耦合，获得多巴胺神经递质孪生脑仿真模型，并基于实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型，可以模拟预测多巴胺递质作用对目标人员各个脑区的活动水平变化。本发明建立了大尺度多巴胺递质动态耦合孪生脑模型框架，为研究多巴胺递质作用对人脑活动水平变化提供了新的方法。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是背景技术中黑质-纹状体通路中多巴胺作用方式的示意图；
图2是一个实施例中基于孪生脑仿真模型的多巴胺动态耦合方法的终端硬件结构框图；
图3是一个实施例中基于孪生脑仿真模型的多巴胺动态耦合方法的流程示意图；
图4是一个实施例中构建多巴胺神经递质孪生脑仿真模型的流程示意图；
图5是一个实施例中表示数字孪生脑模型本质的示意图；
图6是一个实施例中执行S201具体步骤的流程示意图；
图7是一个实施例中获得稳定的兴奋性发放率流程示意图；
图8是一个实施例中执行S503具体步骤的流程示意图；
图9是一个实施例中基于孪生脑仿真模型的多巴胺动态耦合装置的结构框图；
图10是一个实施例中计算机设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图2是本实施例的基于孪生脑仿真模型的多巴胺动态耦合方法的终端的硬件结构框图。如图2所示，终端可以包括一个或多个(图2中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图2所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图2中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的基于孪生脑仿真模型的多巴胺动态耦合方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterfaceController，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(RadioFrequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
本申请实施例提供了基于孪生脑仿真模型的多巴胺动态耦合方法，如图3所示，所述方法包括以下步骤：
步骤S201，基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
具体的，在获取被试者脑部的多模态成像之前，将一段时间低蛋白饮食的被试者分为两组，一组服用氨基酸混合液，为实验组，一组服用不含苯丙氨酸和酪氨酸的氨基酸混合液，为对照组。其中苯丙氨酸和酪氨酸为多巴胺的前体分子，能够参与多巴胺的合成，因此服用不含苯丙氨酸和酪氨酸的氨基酸混合液无法额外合成多巴胺。
步骤S202，基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；
步骤S203，将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
步骤S204，遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
步骤S205，使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。
具体的，将目标人员的人脑结构连接矩阵输入至最优多巴胺神经递质孪生脑仿真模型模拟大脑活动，获得多巴胺递质作用对目标人员各个脑区的活动水平变化。
上述步骤S201至步骤S205，通过多巴胺神经递质作用与数字孪生脑模型相耦合，获得多巴胺神经递质孪生脑仿真模型，并基于实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型，可以模拟预测多巴胺递质作用对目标人员各个脑区的活动水平变化。本发明建立了大尺度多巴胺递质动态耦合孪生脑模型框架，为研究多巴胺递质作用对人脑活动水平变化提供了新的方法。
在其中一个实施例中，如图4所示，所述基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型包括以下步骤：
步骤S301，基于所述被试者脑部多巴胺D2受体密度，计算所述被试者服用氨基酸混合液后各脑区抑制电流的变化；计算公式如下：
；
其中，k1表示多巴胺D2受体产生的作用电流与D2受体密度的系数，k2表示D1受体产生的作用电流与D2受体产生的作用电流的系数，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示服用氨基酸混合液后第n个脑区的D2受体密度。
具体的，基于数字孪生脑模型，设多巴胺D2受体与多巴胺结合后引起的电流变化与D2受体密度线性相关，设置系数k1，多巴胺D1受体与多巴胺结合后引起的电流变化与D2受体引起的电流变化线性相关，设置系数k2，由于到D2受体与多巴胺结合后通过抑制GABA递质的释放从而减弱对神经元的抑制作用，D1受体与多巴胺结合后促进释放GABA递质从而加强对神经元的抑制作用，因此获得被试者服用氨基酸混合液后各脑区抑制电流的变化的计算公式。由于用Raclopride测量多巴胺D2受体密度时会对多巴胺D2受体产生影响，且完全代谢所需时间较久，我们使用对照组的D2受体密度Rn近似服用氨基酸混合液前的D2受体密度R0 n。
步骤S302，将所述被试者服用氨基酸混合液后各脑区抑制电流的变化与数字孪生脑模型耦合，获得多巴胺神经递质孪生脑仿真模型。
在其中一个实施例中，所述多巴胺神经递质孪生脑仿真模型如下：
；
；
；
；
；
；
其中，I(E) n表示第n个脑区的兴奋性电流，I(I) n表示第n个脑区的抑制性电流，r(E) n表示第n个脑区的兴奋性发放率，r(I) n表示第n个脑区的抑制性发放率，S(E) n表示第n个脑区的兴奋性突触门控，S(I) n表示第n个脑区的抑制性突触门控，I0表示整体有效外部输入，w＋表示循环兴奋加权，JE表示兴奋性突触加权，JI表示抑制性突触加权，G表示全局耦合系数，Cnp表示第n个脑区和第p个脑区间的结构连接，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示表示服用氨基酸混合液后第n个脑区的D2受体密度，KE表示多巴胺受体-兴奋性电流耦合加权，KI表示多巴胺受体-抑制性电流耦合加权，H(E)表示兴奋性神经元反馈函数，H(I)表示抑制性神经元反馈函数，I(E) thr表示兴奋性阈值电流，I(I) thr表示抑制性阈值电流，gE表示兴奋性放大系数，gI表示抑制性放大系数，dE表示H在I(E) thr的曲率，dI表示H在I(I) thr的曲率，表示控制兴奋池的突触门控变量，/>表示控制抑制池的突触门控变量，γ表示衰变时间常数，vn表示高斯噪声，σ为振幅。
具体的，本申请所指的数字孪生脑模型如下：
；
；
；
；
；
；
数字孪生脑模型本质是对各个脑区神经元的兴奋性/抑制性电流平衡对大脑进行大尺度建模，通过结构连接的强度来表示各脑区神经元连接的强弱，数字孪生脑模型的本质可参见图5。该模型由通过NMDA（N-甲基-D-天冬氨酸受体）受体、AMPA（α-氨基-3-羟基-5-甲基-4-异恶唑丙酸受体）受体和GABA（γ-氨基丁酸）受体突触耦合的相互连接的兴奋性和抑制性神经元组成，其中，AMPA受体为兴奋性电流受体，GABA受体为抑制性电流受体。为了简化模型，该方法考虑了各脑区之间的平均作用，而非各神经元之间的作用，考虑到长程作用的性质，可以通过NMDA受体代替AMPA受体来简化模型。数字孪生脑模型简化了神经元群体的活动并通过建模发方式来模拟神经群体状态的改变，大尺度孪生脑模型通过被试者的弥散张量成像得到的结构连接，将这种神经元群体活动的“神经元群模型”耦合，从而模拟全脑各个脑区的活动。
本实施例将被试者服用氨基酸混合液后各脑区抑制电流的变化与数字孪生脑模型耦合：
；
；
其中，kE、kI分别为兴奋性/抑制性耦合系数，由于kE、kI、k1、k2均为常数，最终获得本申请实施例中的多巴胺神经递质孪生脑仿真模型。
在其中一个实施例中，如图6所示，所述基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵包括以下步骤：
步骤S401，基于被试者脑部正电子发射断层扫描成像，获得所述被试者脑部多巴胺D2受体密度；
具体的，在被试者服用氨基酸混合液约3.5小时后，对被试者脑部正电子发射断层扫描成像（PET），利用Raclopride（Raclopride是一种选择性的多巴胺D2/D3受体拮抗剂）PET获得所述被试者脑部多巴胺D2受体密度。
步骤S402，基于所述被试者脑部磁共振成像，分别获得被试者的弥散张量成像和功能性磁共振成像；
步骤S403，将预处理后的所述弥散张量成像配准到选定的脑网络组图谱，获得对应的人脑结构连接矩阵，以及将预处理后的所述功能性磁共振成像配准到所述脑网络组图谱，获得对应的经验人脑功能连接矩阵；其中，所述预处理包括头动与涡流矫正、梯度方向矫正、拟合张量。
具体的，为了防止多巴胺递质后续引起其他递质的综合反应，在多巴胺浓度达到顶峰（约服用氨基酸混合液4-6小时后）立即对所有被试者的脑部进行磁共振成像（Magnetic Resonance Imaging，MRI），分别获得药物成瘾被试者和健康被试者的弥散张量成像（diffusion tensor imaging，DTI）以及功能性磁共振成像（functionalmagneticresonance imaging，fMRI）。弥散张量成像（DTI）是核磁共振成像的特殊形式，描述大脑结构的新方法。功能性磁共振成像（fMRI）是一种新兴的神经影像学方式，其原理是利用磁振造影来测量神经元活动所引发之血液动力的改变。
其中，本实施例中使用的脑网络组图谱包括246个精细脑区亚区，不仅包含了精细的大脑皮层脑区与皮层下核团亚区结构，而且在体定量描绘了不同脑区亚区的解剖与功能连接模式，并对每个脑区亚区进行了细致的功能描述。
本实施例利用FSL软件包提供的功能磁共振处理工具对fMRI进行预处理，包括头动与涡流矫正、梯度方向矫正、拟合张量模型等，将预处理后的图像配准到选定的脑网络组图谱（Brainnetome atlas，BNA），获得被试功能连接矩阵。利用MRtrix3软件包提供的工具对DTI进行预处理，包括头动与涡流矫正、梯度方向矫正、拟合张量模型等，对预处理后的DTI数据进行确定性概率纤维追踪，并将追踪到的数据配准到选定的脑网络组图谱上，获得被试结构连接矩阵。
在其中一个实施例中，如图7所示，所述将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括以下步骤：
步骤S501，将所述实验组的人脑结构连接矩阵进行归一化后输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动；
具体的，将用于建模的所述实验组的人脑结构连接矩阵进行归一化，任选一组多巴胺受体-兴奋性电流耦合加权KE和多巴胺受体-抑制性电流耦合加权KI，选定初始兴奋/抑制性突触门控S(E) n和S(I) n，设定初始抑制性突触加权JI并模拟大脑活动20s，获得平均兴奋性发放率r(E) n。
步骤S502，迭代更新所述抑制性突触加权，直至所述实验组所有脑区的所述兴奋性发放率均在第一预设范围内；
具体的，通过不断迭代调整抑制性突触加权JI使得所有脑区兴奋性发放率r(E) n均在3Hz附近，获得并记录满足条件的抑制性突触加权JI。
步骤S503，使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率。
具体的，使用满足条件的抑制性突触加权JI，选定初始兴奋/抑制性突触门控S(E) n和S(I) n，模拟2000s大脑活动，重复时间TR=3ms，直至所述实验组所有脑区均获得稳定后的兴奋性发放率r(E) n。
在其中一个实施例中，如图8所示，所述使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括以下步骤：
步骤S601，基于更新后的所述抑制性突触加权模拟大脑活动，获取模拟时间段内的兴奋性发放率；
步骤S602，判断在所述模拟时间段内任一段时间各脑区的平均兴奋性发放率是否下小于第二阈值；
步骤S603，若是，则确定获得稳定的兴奋性发放率。
具体的，获取模拟时间段内的所有兴奋性发放率，并确保在任取20s内各脑区兴奋性发放率均值均不超过5Hz，则确定获得稳定的兴奋性发放率。
在其中一个实施例中，所述将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵包括以下步骤：
步骤S701，将所述稳定的兴奋性发放率输入至血氧动力学模型，模拟对应的血氧依赖水平信号；
步骤S702，基于所述血氧依赖水平信号，计算所述实验组的模拟人脑功能连接矩阵。
具体的，将所述稳定的兴奋性发放率输入至血氧动力学模型，模拟对应的血氧依赖水平信号（Blood oxygen-level dependent，BOLD），并根据BOLD信号，计算所述实验组的模拟人脑功能连接矩阵。
在其中一个实施例中，所述遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合之前还包括以下步骤：
步骤S801，遍历所有所述全局耦合系数，比较各所述全局耦合系数下获得的所述模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数；
步骤S802，基于所述皮尔森相关系数，确定最优的全局耦合系数，并在固定所述最优的全局耦合系数的情况下，遍历所有所述多巴胺神经递质孪生脑仿真模型中的巴胺受体兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合。
具体的，在遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合之前，需要确定所述多巴胺神经递质孪生脑仿真模型中最优的全局耦合系数G。本实施例通过遍历所有所述全局耦合系数G，进一步比较在各所述全局耦合系数G下获得的被试者的模拟人脑功能连接矩阵与经验人脑功能连接矩阵的皮尔森相关系数，选取其中拟合情况最好的全局耦合系数G作为最终固定的最优全局耦合系数G。由于对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液，所以对照组各个脑区的Rn-R0 n为0，因此本实施例使用对照组进行拟合确定全局耦合系数G。
本申请实施例还提供了基于孪生脑仿真模型的多巴胺动态耦合装置，如图9所示，所述装置包括：
第一获得模块91，用于基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
第一模拟模块92，用于基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；
第二获得模块93，用于将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
遍历模块94，用于遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
第二模拟模块95，用于使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。
在一个实施例中，第一模拟模块92还用于：
基于所述被试者脑部多巴胺D2受体密度，计算所述被试者服用氨基酸混合液后各脑区抑制电流的变化；其中，第n个脑区抑制电流的变化计算公式如下：
；
其中，k1表示多巴胺D2受体产生的作用电流与D2受体密度的系数，k2表示D1受体产生的作用电流与D2受体产生的作用电流的系数， R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示服用氨基酸混合液后第n个脑区的D2受体密度；
将所述被试者服用氨基酸混合液后各脑区抑制电流的变化与孪生脑仿真模型耦合，获得多巴胺神经递质孪生脑仿真模型。
在一个实施例中，所述多巴胺神经递质孪生脑仿真模型如下：
；
；
；
；
；
；
其中，I(E) n表示第n个脑区的兴奋性电流，I(I) n表示第n个脑区的抑制性电流，r(E) n表示第n个脑区的兴奋性发放率，r(I) n表示第n个脑区的抑制性发放率，S(E) n表示第n个脑区的兴奋性突触门控，S(I) n表示第n个脑区的抑制性突触门控，I0表示整体有效外部输入，w＋表示循环兴奋加权，JE表示兴奋性突触加权，JI表示抑制性突触加权，G表示全局耦合系数，Cnp表示第n个脑区和第p个脑区间的结构连接，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示表示服用氨基酸混合液后第n个脑区的D2受体密度，KE表示多巴胺受体-兴奋性电流耦合加权，KI表示多巴胺受体-抑制性电流耦合加权，H(E)表示兴奋性神经元反馈函数，H(I)表示抑制性神经元反馈函数，I(E) thr表示兴奋性阈值电流，I(I) thr表示抑制性阈值电流，gE表示兴奋性放大系数，gI表示抑制性放大系数，dE表示H在I(E) thr的曲率，dI表示H在I(I) thr的曲率，表示控制兴奋池的突触门控变量，/>表示控制抑制池的突触门控变量，γ表示衰变时间常数，vn表示高斯噪声，σ为振幅。
在一个实施例中，第一获得模块91还用于：
基于被试者脑部正电子发射断层扫描成像，获得所述被试者脑部多巴胺D2受体密度；
基于所述被试者脑部磁共振成像，分别获得被试者的弥散张量成像和功能性磁共振成像；
将预处理后的所述弥散张量成像配准到选定的脑网络组图谱，获得对应的人脑结构连接矩阵，以及
将预处理后的所述功能性磁共振成像配准到所述脑网络组图谱，获得对应的经验人脑功能连接矩阵；其中，所述预处理包括头动与涡流矫正、梯度方向矫正、拟合张量。
在一个实施例中，第一模拟模块92还用于：
将所述实验组的人脑结构连接矩阵进行归一化后输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动；
迭代更新所述抑制性突触加权，直至所述实验组所有脑区的所述兴奋性发放率均在第一预设范围内；
使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率。
在一个实施例中，第一模拟模块92还用于：
基于更新后的所述抑制性突触加权模拟大脑活动，获取模拟时间段内的兴奋性发放率；
判断在所述模拟时间段内任一段时间各脑区的平均兴奋性发放率是否下小于第二阈值；
若是，则确定获得稳定的兴奋性发放率。
在一个实施例中，第二获得模块93还用于：
将所述稳定的兴奋性发放率输入至血氧动力学模型，模拟对应的血氧依赖水平信号；
基于所述血氧依赖水平信号，计算所述实验组的模拟人脑功能连接矩阵。
在一个实施例中，所述装置还包括确定模块：
所述确定模块用于遍历所有所述全局耦合系数，比较各所述全局耦合系数下获得的所述模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数；
基于所述皮尔森相关系数，确定最优的全局耦合系数，并在固定所述最优的全局耦合系数的情况下，遍历所有所述多巴胺神经递质孪生脑仿真模型中的巴胺受体兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种基于孪生脑仿真模型的多巴胺动态耦合方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.基于孪生脑仿真模型的多巴胺动态耦合方法，其特征在于，所述方法包括：
基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；
将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体-兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化；
其中：所述基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型包括：
基于所述被试者脑部多巴胺D2受体密度，建立所述被试者服用氨基酸混合液后各脑区抑制电流的变化和所述受体密度的关系；建立关系如下：
；
其中，k1表示多巴胺D2受体产生的作用电流与D2受体密度的系数，k2表示D1受体产生的作用电流与D2受体产生的作用电流的系数，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示服用氨基酸混合液后第n个脑区的D2受体密度；将所述被试者服用氨基酸混合液后各脑区抑制电流的变化与数字孪生脑模型耦合，获得多巴胺神经递质孪生脑仿真模型；所述多巴胺神经递质孪生脑仿真模型如下：
；
；
；
；
；
；
其中，I(E) n表示第n个脑区的兴奋性电流，I(I) n表示第n个脑区的抑制性电流，r(E) n表示第n个脑区的兴奋性发放率，r(I) n表示第n个脑区的抑制性发放率，S(E) n表示第n个脑区的兴奋性突触门控，S(I) n表示第n个脑区的抑制性突触门控，I0表示整体有效外部输入，w＋表示循环兴奋加权，JE表示兴奋性突触加权，JI表示抑制性突触加权，G表示全局耦合系数，Cnp表示第n个脑区和第p个脑区间的结构连接，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示表示服用氨基酸混合液后第n个脑区的D2受体密度，KE表示多巴胺受体-兴奋性电流耦合加权，KI表示多巴胺受体-抑制性电流耦合加权，H(E)表示兴奋性神经元反馈函数，H(I)表示抑制性神经元反馈函数，I(E) thr表示兴奋性阈值电流，I(I) thr表示抑制性阈值电流，gE表示兴奋性放大系数，gI表示抑制性放大系数，dE表示H在I(E) thr的曲率，dI表示H在I(I) thr的曲率，表示控制兴奋池的突触门控变量，/>表示控制抑制池的突触门控变量，γ表示衰变时间常数，vn表示高斯噪声，σ为振幅。
2.根据权利要求1所述的方法，其特征在于，所述基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及人脑经验功能连接矩阵包括：
基于被试者脑部正电子发射断层扫描成像，获得所述被试者脑部多巴胺D2受体密度；
基于所述被试者脑部磁共振成像，分别获得被试者的弥散张量成像和功能性磁共振成像；
将预处理后的所述弥散张量成像纤维追踪，并将追踪后的数据配准到选定的脑网络组图谱，获得对应的人脑结构连接矩阵，以及，
将预处理后的所述功能性磁共振成像配准到所述脑网络组图谱，获得对应的人脑时间序列，并获得功能连接矩阵；其中，所述预处理包括头动与涡流矫正、梯度方向矫正、拟合张量。
3.根据权利要求1所述的方法，其特征在于，所述将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括：
将所述实验组的人脑结构连接矩阵进行归一化后输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动；
迭代更新所述抑制性突触加权，直至所述实验组所有脑区的所述兴奋性发放率均在第一预设范围内；
使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率。
4.根据权利要求3所述的方法，其特征在于，所述使用更新后的所述抑制性突触加权模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率包括：
基于更新后的所述抑制性突触加权模拟大脑活动，获取模拟时间段内的兴奋性发放率；
判断在所述模拟时间段内任一段时间各脑区的平均兴奋性发放率是否下小于第二阈值；
若是，则确定获得稳定的兴奋性发放率。
5.根据权利要求1所述的方法，其特征在于，所述将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵包括：
将所述稳定的兴奋性发放率输入至血氧动力学模型，模拟对应的血氧依赖水平信号；
基于所述血氧依赖水平信号，计算所述被试者的模拟人脑功能连接矩阵。
6.根据权利要求1所述的方法，其特征在于，所述遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合之前还包括：
遍历所有所述全局耦合系数，比较各所述全局耦合系数下获得的所述模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数；
基于所述皮尔森相关系数，确定最优的全局耦合系数，并在固定所述最优的全局耦合系数的情况下，遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合。
7.基于孪生脑仿真模型的多巴胺动态耦合装置，其特征在于，所述装置包括：
第一获得模块，用于基于被试者脑部的多模态成像，分别获得所述被试者脑部多巴胺D2受体密度、人脑结构连接矩阵以及经验人脑功能连接矩阵；其中，所述被试者包括实验组和对照组，所述实验组服用氨基酸混合液，所述对照组服用不含苯丙氨酸和酪氨酸的氨基酸混合液；
第一模拟模块，用于基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型，并将所述实验组的所述人脑结构连接矩阵输入至所述多巴胺神经递质孪生脑仿真模型中模拟大脑活动，直至所述实验组所有脑区均获得稳定的兴奋性发放率；其中：所述基于所述被试者脑部多巴胺D2受体密度，构建多巴胺神经递质孪生脑仿真模型包括：
基于所述被试者脑部多巴胺D2受体密度，建立所述被试者服用氨基酸混合液后各脑区抑制电流的变化和所述受体密度的关系；建立关系如下：
；
其中，k1表示多巴胺D2受体产生的作用电流与D2受体密度的系数，k2表示D1受体产生的作用电流与D2受体产生的作用电流的系数，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示服用氨基酸混合液后第n个脑区的D2受体密度；将所述被试者服用氨基酸混合液后各脑区抑制电流的变化与数字孪生脑模型耦合，获得多巴胺神经递质孪生脑仿真模型；所述多巴胺神经递质孪生脑仿真模型如下：
；
；
；
；
；
；
其中，I(E) n表示第n个脑区的兴奋性电流，I(I) n表示第n个脑区的抑制性电流，r(E) n表示第n个脑区的兴奋性发放率，r(I) n表示第n个脑区的抑制性发放率，S(E) n表示第n个脑区的兴奋性突触门控，S(I) n表示第n个脑区的抑制性突触门控，I0表示整体有效外部输入，w＋表示循环兴奋加权，JE表示兴奋性突触加权，JI表示抑制性突触加权，G表示全局耦合系数，Cnp表示第n个脑区和第p个脑区间的结构连接，R0 n表示服用氨基酸混合液前第n个脑区的D2受体密度，Rn表示表示服用氨基酸混合液后第n个脑区的D2受体密度，KE表示多巴胺受体-兴奋性电流耦合加权，KI表示多巴胺受体-抑制性电流耦合加权，H(E)表示兴奋性神经元反馈函数，H(I)表示抑制性神经元反馈函数，I(E) thr表示兴奋性阈值电流，I(I) thr表示抑制性阈值电流，gE表示兴奋性放大系数，gI表示抑制性放大系数，dE表示H在I(E) thr的曲率，dI表示H在I(I) thr的曲率，表示控制兴奋池的突触门控变量，/>表示控制抑制池的突触门控变量，γ表示衰变时间常数，vn表示高斯噪声，σ为振幅；
第二获得模块，用于将所述稳定的兴奋性发放率输入至血氧动力学模型，获得所述实验组的模拟人脑功能连接矩阵；
遍历模块，用于遍历所有所述多巴胺神经递质孪生脑仿真模型中的多巴胺受体-兴奋性电流耦合加权和多巴胺受体-抑制性电流耦合加权的组合，基于所述实验组的模拟人脑功能连接矩阵与所述经验人脑功能连接矩阵的皮尔森相关系数，确定一组最优的所述多巴胺受体-兴奋性电流耦合加权和所述多巴胺受体-抑制性电流耦合加权，以获得最优多巴胺神经递质孪生脑仿真模型；
第二模拟模块，用于使用所述最优多巴胺神经递质孪生脑仿真模型模拟目标人员的大脑活动，获得多巴胺对所述目标人员各个脑区的活动水平变化。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352682.8A CN117095824B (zh) | 2023-10-19 | 2023-10-19 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352682.8A CN117095824B (zh) | 2023-10-19 | 2023-10-19 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095824A CN117095824A (zh) | 2023-11-21 |
| CN117095824B true CN117095824B (zh) | 2024-04-16 |
Family
ID=88780677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311352682.8A Active CN117095824B (zh) | 2023-10-19 | 2023-10-19 | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095824B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117316293B (zh) * | 2023-11-30 | 2024-04-19 | 北京师范大学 | 基于神经影像的脑网络结构与功能耦合方法及装置 |
| CN117540783B (zh) * | 2024-01-09 | 2024-05-28 | 之江实验室 | 仿真脑活动数据的生成方法、装置、电子装置和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781258A (zh) * | 2022-04-19 | 2022-07-22 | 复旦大学 | 基于钙波成像信号的数字孪生斑马鱼神经系统的构建方法 |
| CN115098714A (zh) * | 2022-07-11 | 2022-09-23 | 内江师范学院 | 一种具有个体本征结构特性的数字孪生脑投射方法 |
| WO2022207223A1 (en) * | 2021-03-30 | 2022-10-06 | Siemens Aktiengesellschaft | Method and system for optimizing a digital twin simulation model using machine learning |
| CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
| CN115995299A (zh) * | 2023-03-22 | 2023-04-21 | 北京航空航天大学 | 一种个体化调控靶点定位方法、系统、电子设备及介质 |
| WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测系统、方法、装置及可读存储介质 |
-
2023
- 2023-10-19 CN CN202311352682.8A patent/CN117095824B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022207223A1 (en) * | 2021-03-30 | 2022-10-06 | Siemens Aktiengesellschaft | Method and system for optimizing a digital twin simulation model using machine learning |
| WO2023077603A1 (zh) * | 2021-11-03 | 2023-05-11 | 深圳先进技术研究院 | 一种异常脑连接预测系统、方法、装置及可读存储介质 |
| CN114781258A (zh) * | 2022-04-19 | 2022-07-22 | 复旦大学 | 基于钙波成像信号的数字孪生斑马鱼神经系统的构建方法 |
| CN115098714A (zh) * | 2022-07-11 | 2022-09-23 | 内江师范学院 | 一种具有个体本征结构特性的数字孪生脑投射方法 |
| CN115359045A (zh) * | 2022-10-19 | 2022-11-18 | 之江实验室 | 基于多模态磁共振成像的图卷积神经网络疾病预测系统 |
| CN115995299A (zh) * | 2023-03-22 | 2023-04-21 | 北京航空航天大学 | 一种个体化调控靶点定位方法、系统、电子设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| Dynamic coupling of whole-brain neuronal and neurotransmitter systems;Morten L. Kringelbach 等;《PNAS》;第117卷(第17期);第9566-9576页 * |
| The Digital Twin Brain: A Bridge between Biological and Artificial Intelligence;Xiong H 等;《Intell. Comput》;第1-15页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095824A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117095824B (zh) | 基于孪生脑仿真模型的多巴胺动态耦合方法、装置和设备 | |
| Luppi et al. | A synergistic core for human brain evolution and cognition | |
| Hauser et al. | Separate mesocortical and mesolimbic pathways encode effort and reward learning signals | |
| Salvalaggio et al. | Post-stroke deficit prediction from lesion and indirect structural and functional disconnection | |
| Yang et al. | Genetic and environmental contributions to functional connectivity architecture of the human brain | |
| Goldfarb et al. | Memory-guided attention: independent contributions of the hippocampus and striatum | |
| Fulcher et al. | A transcriptional signature of hub connectivity in the mouse connectome | |
| Barbera et al. | Spatially compact neural clusters in the dorsal striatum encode locomotion relevant information | |
| Mamiya et al. | Brain white matter structure and COMT gene are linked to second-language learning in adults | |
| US20190102511A1 (en) | Methods and tools for detecting, diagnosing, predicting, prognosticating, or treating a neurobehavioral phenotype in a subject | |
| Iglesias et al. | Hierarchical prediction errors in midbrain and basal forebrain during sensory learning | |
| Ashby et al. | 4 COVIS | |
| Forstmann et al. | Cortico-striatal connections predict control over speed and accuracy in perceptual decision making | |
| Paus | Mapping brain maturation and cognitive development during adolescence | |
| JP5641531B1 (ja) | 脳活動訓練装置および脳活動訓練システム | |
| Rolls et al. | The effective connectivity of the human hippocampal memory system | |
| Kristinsson et al. | Machine learning‐based multimodal prediction of language outcomes in chronic aphasia | |
| Mathar et al. | Failing to learn from negative prediction errors: Obesity is associated with alterations in a fundamental neural learning mechanism | |
| Deng et al. | Plasticity in deep and superficial white matter: a DTI study in world class gymnasts | |
| Huntenburg et al. | Gradients of functional connectivity in the mouse cortex reflect neocortical evolution | |
| Katsumi et al. | Correspondence of functional connectivity gradients across human isocortex, cerebellum, and hippocampus | |
| Pini et al. | A novel stroke lesion network mapping approach: improved accuracy yet still low deficit prediction | |
| Bazinet et al. | Assortative mixing in micro-architecturally annotated brain connectomes | |
| JP2021518172A (ja) | 次元幾何学的埋め込みにおける神経行動関係（ｎ−ｂｒｉｄｇｅ）に関するシステムおよび方法 | |
| Schaeffer et al. | An open access resource for functional brain connectivity from fully awake marmosets |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |