基于灵长类动物皮层电信号的数字孪生脑模拟器：实时意识监测与虚拟干预研究

本研究针对个性化医疗中脑功能模拟的难题，开发了基于变分贝叶斯循环神经网络（V-RNN）的皮层电图（ECoG）数字孪生脑模拟器。通过同化猕猴在清醒与麻醉状态下的宽域ECoG数据，模型实现了脑潜在状态的实时动态预测，并成功模拟虚拟药物干预效果。研究发现模型潜在状态能自组织反映意识状态转变（准确率78%）和个体特征，揭示了麻醉过程中功能网络（FN1-3）的特异性调控机制，为神经精神疾病的精准干预提供了新范式。

　　

在脑科学与医学的交叉前沿，如何构建能够实时模拟人脑动态的数字孪生系统一直是重大挑战。传统微观神经元模型计算成本高昂，而宏观认知模型又难以捕捉神经活动的空间细节。这种尺度断层使得精准预测药物干预效果成为难题，尤其在神经精神疾病领域，亟需能整合多尺度特征的个性化模拟平台。

日本国际电气通信基础技术研究所（ATR）的研究团队在《npj Digital Medicine》发表突破性研究，利用猕猴的皮层电图（ECoG）数据开发了具有时空层级结构的数字孪生脑模拟器。该模型通过变分贝叶斯循环神经网络（V-RNN）的三级潜在空间（局部区域z⁽¹⁾、功能网络z⁽²⁾和全局状态z⁽³⁾），实现了从毫秒到秒级的多尺度脑动态模拟。研究采用Neurotycho数据库中4只猕猴的128通道ECoG数据，选取20个代表通道进行训练和四折交叉验证。关键技术包括：动态生成模型构建、滑动时间窗数据同化（500ms窗口）、转移熵分析功能网络连接，以及3D卷积神经网络（CNN）的ECoG状态分类器开发。

系统概述

模型通过分层潜在单元z和确定性单元d构建时空层级：

全局状态z⁽³⁾捕获意识状态转变，功能网络z⁽²⁾调控区域间信息流，局部z⁽¹⁾对应特定脑区活动。数据同化过程中，模型通过预测误差最小化（ELBO损失函数）动态更新潜在状态。

实时潜在状态估计

在清醒-麻醉状态转换测试中，z⁽³⁾成功形成可分簇（图2b）：

k-NN分类显示状态切换前正确聚类率达78%（SD=0.14），生成的虚拟ECoG被3D CNN分类器准确识别（麻醉89%，清醒96%）。

功能网络分析

转移熵热图揭示三个功能网络（FN1-3）的麻醉特异性调控：

FN1在初级视觉皮层（V1）信息流增强，FN2调控前额叶-顶叶网络，FN3主导颞叶活动。虚拟干预实验表明，改变z⁽²⁾状态可使49%的ECoG转为麻醉特征（FN3效果最显著）。

个体差异性

虽然z⁽³⁾在麻醉状态下呈现个体特异性聚类（轮廓系数0.285），但生成的ECoG未能充分保留个体特征（识别率仅13%），提示模型需增强个性化表征能力。

这项研究首次实现了基于ECoG的多尺度脑动态实时模拟，其重要意义在于：1）通过数据同化技术突破了传统模型难以整合实时观测数据的瓶颈；2）揭示麻醉通过增强功能网络层级控制（尤其FN3）实现意识抑制的潜在机制；3）为经颅磁刺激（TMS）等神经调控技术提供了虚拟试验平台。未来可扩展至非侵入性脑电（EEG）和功能磁共振（fMRI）等多模态数据融合，推动数字孪生脑在精准精神医学中的应用。