虚拟脑双胞胎(VBT)的原理与操作：个性化脑网络模型在神经疾病诊疗中的革命性突破

《IEEE Reviews in Biomedical Engineering》：Principles and Operation of Virtual Brain Twins

本刊推荐：为解决临床神经科学中个体差异被忽视、机制性试验应用不足的问题，研究人员开展了关于虚拟脑双胞胎(VBT)的主题研究。VBT作为整合个体脑结构与功能数据的个性化数字副本，通过先进的计算模型和贝叶斯推断算法，揭示了(病理)生理机制，并成功应用于静息态、健康衰老、多发性硬化症和癫痫等场景，为个性化医疗和脑机接口领域铺平了道路。

　　

在人脑这座精密的宇宙中，疾病与健康的界限往往模糊不清。当前临床实践主要依赖基于人群的试验，这些方法虽然积累了海量数据，却难以捕捉个体大脑的独特性。神经科学领域长期面临一个尴尬局面：尽管我们知道大脑功能源于跨尺度的复杂相互作用，但由于其极高的复杂性，基于机制的试验始终未能广泛应用。这种状况导致大多数临床试验失败，医生们只能通过回顾性分析偶然发现因果机制。

正是在这一背景下，虚拟脑双胞胎(Virtual Brain Twin, VBT)的概念应运而生，它承诺将彻底改变我们理解和治疗脑部疾病的方式。这项发表在《IEEE Reviews in Biomedical Engineering》上的方法论综述，由Meysam Hashemi等多位学者共同完成，系统阐述了VBT的核心原理、操作流程及其在神经疾病中的创新应用。

VBT本质上是一个个性化的大脑数字副本，它通过整合个体的结构性和功能性脑成像数据，构建出先进的计算模型和推断算法。这一创新方法成功弥合了分子机制、全脑动力学和成像数据之间的鸿沟，不仅增强了对(病理)生理机制的理解，更为健康与疾病状态下的大脑功能研究提供了全新视角。

关键技术方法

研究人员通过多学科交叉的方法构建和运行VBT。首先，基于个体磁共振成像(MRI)和扩散张量成像(DTI)数据，通过预处理和配准技术构建个性化的结构连接组。其次，采用神经质量模型(Neural Mass Model, NMM)和神经场理论模拟大脑动力学，其中Epileptor模型被用于癫痫研究。最后，应用贝叶斯推断方法（包括马尔可夫链蒙特卡洛和基于模拟的推断）进行模型参数估计，这些技术利用来自1000 Brains队列等样本库的数据进行验证。整个流程通过The Virtual Brain(TVB)平台实现，该平台支持从低分辨率（数百节点）到高分辨率（数十万顶点）的跨尺度模拟。

研究结果

静息态脑网络动力学

VBT成功模拟了大脑在无任务状态下自发神经活动形成的功能连接(functional connectivity, FC)及其动态变化(functional connectivity dynamics, FCD)。研究发现，健康大脑在接近临界状态时表现出最大的动力学流变性，这种特性与意识水平密切相关。当大脑进入吸引子状态时，少量宏观变量主导系统行为，形成受结构连接约束的低维流形。

健康衰老的脑网络重塑

通过虚拟衰老脑(Virtual Aging Brain, VAB)框架，研究人员在649名55-85岁健康受试者中发现，大脑半球间结构连接(structural connectivity, SC)的退化是衰老的主要机制。这种结构退化导致功能去分化，表现为同伦功能连接和FCD方差的降低。值得注意的是，大脑通过增加全局耦合参数G进行代偿，这种调节与多巴胺能过程相关，有助于维持认知功能。

多发性硬化症的传导延迟

虚拟多发性硬化患者(Virtual Multiple Sclerosis Patient, VMSP)模型首次建立了患者特异性白质损伤与功能改变之间的因果联系。研究通过结合脑磁图(MEG)和纤维束成像数据，推断出MS患者平均传导速度显著降低。创新性地，研究人员开发了将病灶强度转化为边缘特异性传导延迟的函数，该单参数模型能准确预测临床残疾程度。

癫痫灶网络定位

虚拟癫痫患者(Virtual Epileptic Patient, VEP)是VBT最成熟的应用。该工作流程整合了T1-MRI、DTI和立体脑电图(SEEG)数据，通过贝叶斯推断估计每个脑区的兴奋性参数。在53例药物抵抗性局灶性癫痫患者的回顾性验证中，VEP对发作自由患者的癫痫灶网络(epileptogenic zone network, EZN)定位精度达到0.972。更重要的是，VEP能够通过虚拟手术预测术后结果，为临床决策提供支持。

研究结论与意义

这项研究确立了VBT作为连接计算神经科学与临床实践的重要桥梁。其核心意义在于首次实现了从"群体水平"到"个体水平"的范式转变，通过数字化双胞胎技术将多模态脑数据整合为统一的动力学框架。

在方法论层面，研究提出了完整的VBT构建和操作流程，涵盖从概念基础、数学建模到技术实现和临床应用的各个环节。非线性动力学和协同学原理为VBT提供了理论基础，而结构连接组的空间-时间结构则成为塑造大脑动力学特征的关键因素。在技术层面，贝叶斯推断方法的创新应用解决了复杂模型参数估计的难题，特别是基于模拟的推断(simulation-based inference, SBI)方法实现了从数小时到秒级的效率提升。

临床应用方面，VEP模型已经进入临床试验阶段(EPINOV NCT03643016)，纳入356名前瞻性患者，标志着计算神经科学向临床转化的重要里程碑。在多发性硬化症中，VBT首次实现了从病灶到临床症状的机制性解释，为解决临床-放射学悖论提供了新思路。而在健康衰老研究中，VBT揭示了大脑网络代偿机制与认知功能维持的内在联系。

展望未来，VBT有望扩展到帕金森病、意识研究和脑机接口等更多领域。随着计算能力的提升和算法的优化，高分辨率神经场模型将提供更精确的空间定位，而多时间尺度的整合将增强对疾病长期演变的预测能力。这种基于机制的方法不仅能够优化治疗策略，还将推动个性化神经医学的真正实现，最终使每位患者都能获得基于其独特大脑结构的功能的精准诊疗。