Sim4Life V10.0：超高速全脑动力学支撑脑电实验室与 AI 驱动的“文本到仿真”

Sim4Life V10.0 引入 BraiNN——一款比传统基于 CPU 的解决方案快 90 倍以上的全脑仿真器；同时带来用于测量脑活动的虚拟脑电（EEG）实验室、全身体温调节，以及由 AI 驱动的“文本到仿真”能力。本次发布还提供统一的桌面端与网页端界面，现已支持四种语言，进一步提升用户体验。

一、从单个神经元到全脑网络 Sim4Life V10.0：BraiNN、虚拟脑电与 AI 文本到仿真

1.BraiNN：把全脑动力学和脑电搬进工作站

Sim4Life V10.0 将神经响应建模扩展至全脑网络，并引入了以自然语言编写仿真工作流的能力。这两项能力都在同一个界面中运行——该界面由桌面应用与网页平台共用。

Sim4Life V9.6 已让神经激活的预测速度足以支撑刺激参数优化。V10.0 则从单个神经元扩展到全脑网络动力学与仿真脑电图（electroencephalography，EEG）。BraiNN 由 IT’IS 的研究人员开发，它将大脑表示为一个由可个性化定制的结构连接（structural connectivity）相互连接的神经质量模型（neural mass model）网络。来自 Sim4Life 低频求解器的刺激场驱动该网络，而同一头部模型计算出的导联场（lead field）则把网络活动投射为仿真的头皮脑电。

这类全脑模型已经在临床上接受检验。在药物难治性癫痫中，“虚拟癫痫患者”（Virtual Epileptic Patient）工作流 [1–3] 正被试验用于术前绘制致痫区网络（EPINOV，NCT03643016），但计算成本一直限制着它用于优化刺激参数 [4]。BraiNN 将同一类模型与 Sim4Life 基于影像的场仿真相耦合，同时把这一成本降低了数个数量级。

在开发者预印本 [5] 给出的基准测试中，BraiNN 在图形处理器（GPU）上的运行速度，比在中央处理器（CPU）上运行的 The Virtual Brain 快 90 倍以上。在这一速度下，参数扫描、搜索能够产生目标网络响应的刺激设置，以及将模型参数拟合到实测响应，都可以在单台工作站上付诸实践。由此形成一个虚拟脑电实验室，让研究者在开展实验之前先行探索刺激效应。

V10.0 随附一个开箱即用的脑与头部模型，该模型源自开放获取的影像数据，并公开了关键参数供用户探索。用于从影像数据构建个体化模型的流水线，将在后续版本中单独发布。

2.AI 助手：一句话生成可检查的仿真脚本

长期以来，Sim4Life 的 Python 接口为熟悉 Python 脚本的用户提供了可复现的专家级工作流。Sim4Life 人工智能（AI）助手则通过从自然语言指令生成脚本，把这些工作流开放给更多用户——构建这个几何体、设置那个仿真、提取这些结果。它会自行判断所需的步骤、编写脚本、解释其推理过程，并让脚本保持开放，可供检查和调整。

该 AI 是依据我们的物理、神经科学与生物医学团队在自身工作中所遵循的流程和质量保证步骤训练而成的，从而让每位用户都能受益于已经确立的最佳实践。我们称之为“文本到仿真”（Text-to-Simulation）。

3.统一界面：桌面与网页共用一套体验

V10.0 焕新的界面由桌面端与网页端共用，带来现代化的脚本环境、集成搜索与工具和文档的快捷入口，以及引导式建模操作。过渡期间，Sim4Life Classic V10.0 仍可继续使用。

二、应用展示 BraiNN：从刺激场到仿真脑电

实例演示，依照 V10.0 随附的教程逐步展开

如需深入了解BraiNN，请阅读《走进 BraiNN：解剖结构、动力学、电场与 EEG 一体化工作流》 这一关于BraiNN的深度解读文章。

该工作流所回答的核心问题：

•　刺激场如何改变全脑网络的仿真活动？哪种时空刺激策略能对大脑活动产生预期的影响？

•　这些改变如何体现在仿真的头皮脑电中？

•　耦合强度、噪声与连接性如何塑造最终结果？

Sim4Life V10.0 中的 BraiNN 工作流：

1.载入模型

导入教程提供的两个文件：带 10-10 电极阵列的头部模型，以及 BraiNN 网络定义。可将网络显示为点云、按脑区显示，或显示为连接图。

在 Sim4Life V10.0 中载入的全脑网络模型，以节点点云和带结构连接的脑区两种方式呈现。

2.仿真静息网络

创建一项 BraiNN 仿真，将网络拖入网络设置区，并用默认参数运行。这是基线：无刺激条件下网络的固有活动，以及与之对应的虚拟脑电。

未受刺激网络的仿真头皮脑电：若干 10-10 电极上的电压曲线。

3.计算刺激场

将两个额部电极（10-10 体系中的 AF7 与 AF8）设置为经颅电刺激方案的阳极与阴极。施加 +1 V 与 −1 V（任意取值），运行 Sim4Life 的欧姆准静态求解器。

双电极经颅电刺激方案感生的电场。该项计算由 Sim4Life 的欧姆准静态求解器完成，所用头部模型与定义脑电导联场的模型相同。

4.将场耦合进网络

从传感器提取器（sensor extractor）中将整体场拖入 BraiNN 仿真，作为源使用。BraiNN 采用 λE∥ 耦合 [7–9]，详见下文的深度解读；在 V10.0 中，该输入在时间上恒定。

与假定皮质柱方向一致的刺激场分量幅值，叠加显示于网络节点云之上。

5.比较

启用场耦合后重新运行，绘制两次运行的仿真脑电或比较其频谱；二者之差即为该刺激方案在模型中的效应。两次运行之间保持噪声种子不变，使任何差异都源自刺激本身，而非噪声的实现方式。可改变刺激方案、耦合强度、突触增益或噪声水平，以探索它们对响应的影响。

某次仿真的示例输出，显示给定刺激方案下的一段代表性脑电信号。

三、从应用洞察到平台完善

对仿真平台的信任，取决于一些日常细节：打开大型项目、找到正确的设置、理解仿真为何产生意外结果，以及在数月之后重现某项分析。V10.0 针对上述全部任务更新了界面与工具。

1.焕新的桌面与网页界面

这一网页与桌面共用的界面基于现代网页技术构建，提供响应迅速、风格一致的体验，并支持更快地交付新功能。它将网页平台的脚本环境带到桌面端，新增跨工具、手册与教程的搜索，并提供引导式建模操作。丰富的工具提示与内嵌文档，让帮助信息始终贴近当前任务。原生支持已扩展至 Ubuntu Linux，macOS 稍后跟进。

Sim4Life V10.0 的焕新界面为桌面端与网页端带来集成搜索、引导式建模、网页平台的脚本环境以及内嵌文档。

2.引导与诊断

警告与错误会显示在仿真树中相应的位置。启动页汇集了快速上手工作流、最近项目、教程、发布说明以及常用资源。

清晰的工具栏与侧边栏组织、改进的拖放反馈，以及明确的锁定状态（例如已存在体素或结果时），让日常操作更易于理解。材料设置，以及 Virtual Population 模型的下载与导入，也得到了简化。

3.Sim4Life 与 Sim4Life Classic V10.0

原有界面以 Sim4Life Classic V10.0 的形式继续提供，并与更新后的界面一同获得完整支持。现有项目与脚本在两者中均可继续使用。Classic 将在接下来的若干版本中进入维护模式，随后退役，从而让用户在不损失生产力的前提下有时间迁移到新界面。新版中的一项开关可随时恢复更接近 Classic 的布局。我们建议现在就着手迁移，并期待您的反馈。

4.AI 助手——贯穿整个应用

AI 助手将产品知识与 Python 脚本、CAD 建模、仿真设置与审查、后处理等方面的支持相结合。新增的“Ask Sim4Life”关键词，可通过自然语言指令、结合上下文来调整参数、模型、仿真与网格。在后续版本中，用户将能够自带令牌（token），接入自己偏好的模型服务商。

“文本到仿真”的实践一个用例展示了 Text-to-Simulation 的工作方式。在一项周围神经刺激研究中，AI 助手从带标注的二维横截面构建出三维神经，并将袖套电极投影、拟合到其表面。为在神经内布置神经元，iSeg 勾画出各神经束（fascicle），在每个神经束内设定神经元进入点，并让神经元模型沿真实的三维轨迹走行。这一布置步骤只需一次请求，即可产出可直接用于仿真的神经。随后进行网格加密与收敛分析，采用我们的物理与生物医学专家配置的最佳实践。结果还包括动作电位沿神经纤维传播的可视化。

在 Sim4Life V10.0 中由 AI 助手构建的周围神经模型：神经横截面及各神经束。

5.本地化——没有语言障碍的 Sim4Life

AI 支持的本地化覆盖整个界面，包括菜单、工具提示和对话框，也涵盖科学与生物医学术语、具体的错误消息、警告和提示。译文会随新版本自动保持同步。首发支持英语、韩语、中文和西班牙语，其他主要语言将陆续加入。

韩语界面下的 Sim4Life V10.0：界面、工具提示与消息均已完成本地化**。

6.ThermoReg——全身体温调节

ThermoReg 是一款新的全身体温调节仿真器，用于评估热负荷如何影响体温与热交换，具备主动体温调节与能量守恒能力。它实现了人体传热与体温调节的 UTCI-Fiala 多节点模型 [12]。该模型是通用热气候指数（UTCI）的基础，已针对 COST Action 730 数据库完成验证 [13]，并在汽车、热舒适与体育产业中广泛使用。ThermoReg 涵盖分区热输运、动静脉逆流交换、呼吸，以及辐射与对流交换；它还对出汗、寒战、血管收缩与血管舒张，以及代谢产热进行建模。

与 Sim4Life 对体内能量沉积的电磁与声学建模相结合，ThermoReg 可应对 MRI 扫描、热疗（如肿瘤热疗）、5G 基站暴露，以及不同气候条件下的热应激等能量密集型应用。它可解析区域温度演变、对时变暴露的体温调节响应，以及瞬态与稳态分析中的能量传递与能量收支。Virtual Population 中 Duke 模型的功能化版本，可将仿真的能量沉积转换为全身模型各分区内的热源。

一款将 UTCI-Fiala 体温调节模型与解剖学精细的 Pennes 生物传热求解器相结合的混合仿真器正在开发之中。它将提供能量守恒、多尺度的主动与被动热响应建模，并能更好地处理血液灌注与输运。

Sim4Life V10.0 中的 ThermoReg 可对不同加热条件下的人体体温调节与热响应进行细致建模。集成的身体区域映射与先进的全局、局部传感器，可全面呈现温度分布、热传递与体温调节动力学。

7.低频求解器——一致的电流归一化

低频求解器现在直接计算电流通量，以构建导纳/阻抗矩阵。这加快了后处理速度，并避免了对阻抗计算的反复求值。新的通用电流归一化器，增强了边界条件选择的稳健性与灵活性。这些改动共同为多极探索以及下游的神经响应分析奠定了基础——从单根纤维一直到全脑耦合。

8.多触点电极

一次求解，获得所有配置。V10.0 会为电流驱动或电压驱动的多端口设置自动计算导纳矩阵，并将其直接传递给耦合的电生理与热仿真——无需手动提取，也无需编写脚本。借助参数扫描器或 Python 应用编程接口，针对刺激阈值与温升来扫描或优化电极配置，便可成为一项常规研究。

Sim4Life V10.0 中由 Python 驱动的多触点电极优化：利用电流控制的多端口求解器精确控制各触点电流并计算电场。耦合的电生理与热仿真可在优化过程中高效、动态地更新场。主要优势包括通过自动化优化来最小化刺激阈值、峰值电流与沉积功率。该工作流支持 DBS、脊髓刺激、tES 与 tIS 应用。

9.网格划分与体素化

更精细的控制，并可直接使用分割标签场。V10.0 能识别出限制最大稳定时间步长的材料或对象，帮助用户权衡分辨率与运行时间。标签场（例如由 AI 分割工具生成的标签场）可作为体素导入并直接用于仿真；植入体等额外实体也可插入场景并体素化。此外，还支持在固体界面处进行可选的网格加密。

Sim4Life V10.0 的体素查看器：网格控制工具可识别出限制稳定时间步长的材料或对象。

10.性能与云端

仿真运行更快、扩展性更好；大型项目打开更快，大型结果数据集加载也更快。桌面应用与网页平台更紧密的集成，让您及时了解即将进行的维护与版本发布，并更详细地报告正在运行的仿真。

Sim4Life V10.0 将解剖、物理、生理与全脑动力学整合进一个可复现的单一计算（in silico）环境。它还让建模经验有限的用户也能使用专家级工作流。对于神经调控、医疗器械、无线通信与暴露合规领域的研发团队而言，它提供了所需的集成度、控制力与速度，可将机理层面的理解转化为具有临床意义的设计和可认证的暴露评估。

四、参考文献

[1]  Sanz Leon P, et al. The Virtual Brain: A simulator of primate brain network dynamics. Front Neuroinform. 2013;7:10. https://doi.org/10.3389/fninf.2013.00010

[2]  Jirsa VK, et al. On the nature of seizure dynamics. Brain. 2014;137(8):2210-2230. https://doi.org/10.1093/brain/awu133

[3]  Wang HE, et al. Delineating epileptogenic networks using brain imaging data and personalized modeling in drug-resistant epilepsy. Sci Transl Med. 2023;15(680):eabp8982. https://doi.org/10.1126/scitranslmed.abp8982

[4]  Wang HE, et al. Virtual brain twins for stimulation in epilepsy. Nat Comput Sci. 2025;5(9):754-768. https://doi.org/10.1038/s43588-025-00841-6

[5]  Fasse A, et al. BraiNN: A modern simulator for clinically feasible personalized whole-brain network modeling. bioRxiv. 2026. https://doi.org/10.64898/2026.07.08.737156

[6]  Jansen BH, et al. Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns. Biol Cybern. 1995;73(4):357-366. https://doi.org/10.1007/BF00199471

[7]  Molaee-Ardekani B, et al. Effects of transcranial direct current stimulation (tDCS) on cortical activity: a computational modeling study. Brain Stimul. 2013;6(1):25-39. https://doi.org/10.1016/j.brs.2011.12.006

[8]  Merlet I, et al. From oscillatory transcranial current stimulation to scalp EEG changes: A biophysical and physiological modeling study. PLoS ONE. 2013;8(2):e57330. https://doi.org/10.1371/journal.pone.0057330

[9]  Kunze T, et al. Transcranial direct current stimulation changes resting state functional connectivity: A large-scale brain network modeling study. NeuroImage. 2016;140:174-187. https://doi.org/10.1016/j.neuroimage.2016.02.015

[10]  Ableidinger M, et al. A stochastic version of the Jansen and Rit neural mass model: Analysis and numerics. J Math Neurosci. 2017;7:8. https://doi.org/10.1186/s13408-017-0046-4

[11]  Plonsey R. Reciprocity applied to volume conductors and the ECG. IEEE Trans Biomed Electron. 1963;10(1):9-12. https://doi.org/10.1109/TBMEL.1963.4322775

[12]  Fiala D, et al. UTCI-Fiala multi-node model of human heat transfer and temperature regulation. Int J Biometeorol. 2012;56(3):429-441. https://doi.org/10.1007/s00484-011-0424-7

[13]  Psikuta A, et al. Validation of the Fiala multi-node thermophysiological model for UTCI application. Int J Biometeorol. 2012;56(3):443-460. https://doi.org/10.1007/s00484-011-0450-5