虚拟脑模型：迈向有效脑数字孪生的路线图

《Frontiers in Computational Neuroscience》：Virtual brain models: a roadmap towards effective brain digital twins

　　

虚拟脑模型（Virtual Brain Models, VBMs）是新兴的计算工具，有望推动个性化与精准医学的变革。VBM通过生成式模型再现脑功能动力学，该模型可针对单一个体数据进行构建与优化，从而生成所谓的脑数字孪生（brain digital twin, BDT）。VBM能够提供关于网络功能参数与连接性的关键信息，但这种能力取决于其设计方式，由此引发了一些基本问题：VBM参数能否识别出其他方法无法获取的脑关键生理特征？VBM参数是否与感觉运动及认知功能相关？要使VBM在生理机制层面更加精确，还需要哪些条件？针对神经系统疾病患者的模拟研究确实表明，VBM能够作为有效的BDT运行，捕捉单个患者病理生理学的核心特征以及相关的生理—心理关联。然而，当前VBM理论与技术仍存在一定局限性。研究人员认为，VBM的演进是深入理解脑生理与病理的关键，将推动开发能够支持个性化临床决策的强大计算工具。在此，研究人员提出一份路线图，阐述VBM已能胜任的工作、为何这些仍不够、必须做出哪些改变，以及若实现这些改变又将带来何种可能。

虚拟脑模型：从结构连接到脑数字孪生的演进路径

一、研究背景与现存问题

脑功能的解析始终是神经科学的核心挑战。脑组织从分子、细胞、微环路到脑区网络呈现典型的多尺度组织特性，而传统实验手段难以在完整脑尺度上同时捕捉这些跨层级的动态交互。虚拟脑模型（Virtual Brain Models, VBMs）作为一种生成式计算框架应运而生，其核心理念在于将脑视为由纤维束连接的若干活跃节点集合，通过构建结构连接组（connectome）、定义节点动力学模型并对模型参数进行优化，实现对个体脑功能动力学的再现。当VBM针对单个受试者数据进行个性化构建与优化后，即生成所谓的脑数字孪生（brain digital twin, BDT），有望为个性化精准医学提供新的支撑。

然而，VBM的临床与生理学价值仍面临根本性质疑：VBM参数能否识别出常规手段无法获取的脑关键生理特征？VBM参数是否与感觉运动及认知功能存在可量化的关联？现有VBM在生理机制层面还缺少哪些关键要素？当前研究虽已表明VBM在多种神经系统疾病中能够捕捉患者病理生理学核心特征，但其理论假设与技术路径仍存在明显局限。因此，系统审视VBM的现状、不足与演进方向，对于推动其向真正有效的BDT发展具有重要的科学意义。

二、研究内容与核心结论

该论文系统梳理了VBM的理论基础、构建流程、疾病应用现状及未来演进路线。研究指出，VBM的构建依赖三大核心操作：连接组重建、节点功能描述与参数优化。连接组基于磁共振成像（MRI）中的弥散加权成像（DWI）和血氧水平依赖（BOLD）功能序列重建；节点通常采用神经质量模型（neural mass model）、平均场模型（mean field model）或脉冲神经网络（spiking neural network）描述局部动力学；参数优化则通过最小化模拟与经验数据之间的差异实现个体化。

在疾病应用层面，VBM已在痴呆谱系疾病、帕金森病、小脑性共济失调、多发性硬化及癫痫等病种中展现出捕捉病理生理特征的能力。例如，在阿尔茨海默病（AD）和额颞叶痴呆（FTD）患者中，默认模式网络（DMN）的全局耦合参数G与兴奋/抑制（E/I）平衡均升高，而FTD患者额顶网络（FPN）出现选择性前额叶去抑制；在轻度认知障碍（MCI）患者中，VBM参数与多认知域神经心理评分显著相关。这些结果表明，VBM参数能够将宏观脑动力学与潜在的分子通路和突触机制联系起来，从而为疾病机制解析和辅助诊断提供新途径。

然而，论文明确指出当前VBM存在三大核心假设局限：其一，MRI连接组本质上是对称且恒为正的，无法反映真实脑连接的方向性与信号极性；其二，所有节点均采用同质化计算模型，忽略了不同脑区微环路的结构与功能多样性；其三，参数优化常采用全局参数而非局部参数，限制了模型的生理学精确性。针对这些局限，论文提出打破对称性、同质性与全局性的解决方案，包括引入方向性和符号化连接矩阵、开发脑区特异性的平均场模型（MFM）、采用贝叶斯推断框架（如虚拟贝叶斯推断VBI）替代传统PCC-KSD优化方法，并借助转录组梯度、PET受体图谱等先验信息约束参数空间。

三、关键技术方法

论文所述研究主要依赖以下几类关键技术方法：基于MRI的结构连接组重建，包括弥散加权成像纤维追踪与灰质分区；神经质量模型与平均场模型的节点动力学描述，其中Wong-Wang模型包含兴奋性耦合（J_NMDA）、抑制性耦合（J_GABA）与递归兴奋（J_rec）等生理相关参数；模型参数优化采用Pearson相关系数（PCC）与Kolmogorov–Smirnov距离（KSD）组合的代价函数最小化方法，以及新兴的虚拟贝叶斯推断（VBI）概率框架；跨物种连接组映射技术，利用CoCoMac图谱将猕猴示踪投影模式转移至人类；多模态数据整合策略，融合EEG、深部电极记录、PET及MRI波谱等数据以约束模型参数。样本队列方面，涉及AD、FTD、MCI、帕金森病、多发性硬化及癫痫等患者群体。

四、研究结果分述

虚拟脑建模的基础。 论文阐述了VBM的多尺度建模理念，即从膜分子活动到神经元、网络乃至全脑动态的桥接。VBM将脑视为由纤维束连接的活跃区域集合，其构建依赖连接组重建、节点功能描述与参数优化三个环节。研究强调，VBM应尽可能贴近脑的生物学特性，才能成为解析生理功能与病理机制的精密研究工具。

连接组重建与节点描述。 论文指出，VBM基于MRI结构连接组将脑划分为由纤维束连接的节点，节点内包含生成局部神经动力学的模型。Wong-Wang模型中的J_NMDA、J_GABA与J_rec参数与NMDA和GABA受体介导的神经传递机制相关，可反映E/I平衡状态。全局耦合参数G代表节点间连接强度，而纤维束密度d由结构连接矩阵提供。

参数优化与参数提取。 论文区分了两种模型反演方法：一是基于PCC-KSD代价函数最小化的优化方法，通过梯度下降或进化算法求解单一最优参数向量；二是概率性贝叶斯方法，计算与数据一致的所有可能参数配置的后验分布。目前PCC-KSD优化仍是估计单受试者脑VBM参数的最常用方法。

识别患者脑的病理生理特征。 在痴呆谱系疾病中，VBM揭示AD与FTD患者DMN的G与E/I平衡均升高，但FTD患者FPN出现前额叶去抑制；MCI患者VBM参数与多认知域评分显著相关。在帕金森病中，VBM整合MRI、EEG与深部电极记录，可推断L-DOPA给药前后的多巴胺能状态并预测深部脑刺激效果。在小脑性共济失调中，VBM参数可区分先天性与缓慢进展型，并解释个体临床特征。在多发性硬化中，VBM估计的传导延迟比传统结构损伤标志物更能预测残疾程度。在癫痫中，VBM结合EEG与立体脑电图数据，可改善致痫灶定位并支持在体模拟刺激策略测试。

模型假设：超越当前局限。 论文系统剖析了对称性、同质性与全局性三大假设的局限，并提出相应解决方案：连接矩阵应引入方向性（M^dir）、符号性（M^sign）与突触效能（M^e）；节点应采用脑区特异性MFM以传递生物学细节；参数应从全局单一集合扩展为节点特异性参数矩阵P_i,j(n_i)。为约束扩大的参数空间，可引入转录组梯度、PET受体图谱、HD-EEG功率谱及图论指标等先验信息。

虚拟脑模型的生理学：缺失机制与理论选择。 论文指出，尽管VBM能通过宏观现象推断潜在微观变量，但现有模型仍缺乏树突处理、脉冲时序、突触可塑性等关键机制，缺少支撑感觉运动与认知功能的方向性特异连接，未与感觉系统或身体连接，且不具备学习能力。这些缺失使VBM无法展现真实脑的适应性、智能与意识特征。

迈向临床与技术应用的有效脑数字孪生。 论文展望了5–10年内从第一代向第二代VBM的演进：融合MFM与策展连接组的第二代VBM将能更可靠地模拟生理与病理机制，支持刺激—反应任务、认知任务与学习任务的分析。第三代变革已在发展中，包括脉冲编码节点活动、神经调质系统整合、具身VBM与机器人控制器的闭环融合，以及神经形态计算硬件的探索。

五、讨论总结与研究结论

论文的讨论部分强调，VBM在捕捉网络病理特征方面的能力证明了其建构设计的有效性，但若要超越当前水平，必须放松对称性、同质性与全局性假设，使模型更贴近脑的真实解剖与生理特性。这一过程不可避免地扩大参数空间，需要借助多模态先验信息与新型贝叶斯推断技术加以约束。研究结论指出，VBM的演进是深入理解脑生理与病理的关键，将推动开发能够支持个性化临床决策的强大计算工具。未来VBM的发展需要在生理学、物理学、信息学、人工智能乃至伦理学等多个前沿同步推进，其最终形态可能成为通向高级类脑机器的大门，在医学与技术领域产生深远影响。