目前在大脑研究中，我们已经进入了一个‘大数据’时代。神经影像和神经电生理等研究为我们提供了大量的大脑神经活动数据，通过这些数据的分析和挖掘，我们可以从更宏观的角度来认识大脑的功能和疾病，甚至是脑疾病的个性化医疗。
神经信息学尝试从大脑网络建模的方法来理解大脑，其中，一个名为the Virtual Brain的新平台提供了我们这样的契机去模拟大脑建模。这个平台的目标是把计算神经科学和脑疾病临床治疗结合了起来，为我们未来创建大脑疾病模型和大脑疾病治疗提供可能。
在临床上，病人的大脑疾病一般被认为和脑部损伤以及脑区功能丧失有关。这种脑区损伤被认为会导致脑网络的连接中断，因此导致了大脑正常功能受到了影响。值得一提的是，目前脑网络分析方法作为一种更全面和广泛的方法，对于脑疾病的研究有重要启示作用。因为大脑的复杂性，相比较孤立的去理解各个脑区的作用，利用网络分析来认知整个大脑无疑是相对更合理的一种方法。
不过，在这个基础上，研究者希望做到的是可以将这个方法应用到个人化精准治疗。这种精准治疗应当是综合了每个被试独特的个人资料--从基因组学到人口学—然后确定治疗方法和方向。简而言之，在综合了从宏观到微观的各种生物信息之后，我们可以得到一个高度个性化的大脑疾病‘地图’。这就更依赖在计算神经科学中对于各种疾病的建模，以及疾病机制的认识。
目前，从大数据的角度上，我们已经有 Human Connectome Project, CONNECT, Brain Connectome, the NIH Pediatric Database, Alzheimer’s Disease Neuroimaging Initiative 等众多项目和平台，但是目前我们还并没有充分利用这些数据来做到诊断和治疗的精准化和个性化。
大数据固然是好的，它提供给我们大量的数据可以用来分析使用，来让我们发现一些人类普遍的认知功能机制，但是这种方法的局限性也很明显，它并不能揭示一些细化的个体化的脑功能异常。大数据的主要贡献在于给我们一个广泛而宏观的大脑认识，但是精确到个性化治疗，还是需要通过一些计算建模来结合多模态的神经学以及生物学数据。
图源：engeene.it
可是这样说总是抽象的，到底如何将所谓的脑网络、神经疾病个性化治疗和诸多生物数据结合呢？有许多方法都作过这样的尝试。有一个方法的核心思路是在一个分布式网络环境中结合大脑解剖的结构学信息和大脑功能数据来进行建模。这个方法其中最重要的一个难点就是如何用静态的解剖学联结生成变动的大脑生理学数据和行为数据。因为在大脑中，我们脑的认知功能和解剖结构并非一一对应的。
目前有很多的数学模型尝试去解决这个问题，从小的单一神经元的放电，到大的大脑网络的活动规律，不过，说到底，他们依然还是在用大数据的思路在解决问题，对于深层次的生物学机制的解释非常缺乏，对于个人的神经疾病的预测和治疗的作用也有限。
在这个基础上，一种多模态多维度且兼具好的生物学机制解释的脑网络建模方法。这种方法的优越性体现在拥有多个可以反映脑结构和生物物理属性的参数，这些参数可以用来构建大脑的局域性（local）和全局性（global）的动态活动。
其中值得注意的是，在这里神经科学家们利用这些大脑结构数据和计算模型可以模拟生成大脑信号，通过这种模拟的过程，科学家们认为可以更好的去认知整个大脑的工作过程。
图中展示了在TVB 平台是如何通过结构联结来生成功能性数据的。通过结合结构连接和计算神经模型，我们可以模拟生成大脑信号，最后再和真实的信号进行比对和拟合。
The Virtual Brain （TVB）平台就是根据这个基础上设计和开发而来。TVB 平台的核心就是根据每个被试独特的大脑结构连接数据来模拟功能性数据。这种模拟生成的功能性数据来自于局部（区域之内）和全局（区域和区域之间）的大脑动态活动。这些生物物理参数在局部层次可以被解释为反映一小团神经元的动态特性和活动；在全局层次，可以被解释为反映脑区间的动态规律。考虑到脑研究的复杂性，不同模态的神经模型都被纳入进了TVB可作为各种选择。
在平台中，可以分为几步来进行信号的模拟：
第一步，采集到的T1-MRI 数据会被用来建立初步的大脑表面，然后通过弥散张量成像去构建脑区间的解剖学连接。
其次，利用各种神经集群模型（neural mass model）可以去用来计算和模拟脑区间和脑区内的动态信息交互活动。值得注意的是，相比较之前的模型，TVB中纳入的神经模型更注重生物学实际过程的解释和推演。
最后，拿模拟的信号和真实的信号来进行拟合和验证来确保其有效性。
在具体的疾病中，TVB已经开始尝试将临床诊断和治疗与计算神经科学方法结合：
Epilepsy
对于癫痫来说，因为复杂的手术难度和后遗症，术前进行一个全面的评估非常有必要。利用TVB平台，专门针对癫痫始发、结束和特征的计算模型会被用来模拟和重现癫痫的典型神经活动。在这个脑网络模型中，最重要的两个因素是excitatory和inhibitory 的神经元活动，以及他们所处的细胞外环境，我们称之为一个相对‘慢’的变量 （发展变化较慢）。
在研究中发现，细胞间连接的耦合程度对于excitatory和inhibitory的神经元活动的同步性有重要的决定性作用；而细胞外环境这种‘慢’变量，则对癫痫发生的进程起着系统化管控作用。在这个模型中研究者同样发现，癫痫发作期的大振幅的波峰是来自于抑制性中间神经元的同步化放电。
Stroke
在中风的研究中，利用TVB平台研究者发现了很有趣的一些参数。这些参数和病人的运动功能的恢复息息相关。这些参数包括局部的神经细胞超兴奋性（hyper-excitability）, 皮质皮层的低传导速度以及局部和全局动态不平衡。
作者假设，如果我们把正常人大脑中的这些参数标准化，并且把这些参数应用到人群中，会重建出一个更健康的大脑动态系统，甚至这种趋势对于已经损伤的大脑也会有改善。这种‘虚拟’治疗将会非常有指导意义。
具体的操作步骤大概分为几步。
第一步，利用了一个神经集群模型来模拟MRI信号；
第二步，对中风对大脑网络连接的影响进行量化。
利用了回归分析，将大脑区域的损伤百分比作为自变量，和它相关的脑连接作为因变量来进行分析。其中这个后者的变量称之为degree centrality。以putamen和precentral gyrus脑区做例子，研究者发现degree centrality和脑区损伤百分比有显著的线性关系。
总 结
TVB 平台，是一个把computational neuroscience和临床神经病学结合起来的一个计算建模平台。计算神经科学的理论通过TVB平台可以在临床上广泛应用。TVB 平台的特点非常明确，那就是可以将目前脑科学中大数据和个性化医疗结合起来。
通过得到病人的脑结构连接数据与之结合神经集群模型，我们可以建构独属于病人的多模态脑网络状态。基于对生物物理学因子以及参数（global coupling、conduction velocity等）的调整、监测甚至后期干预，我们可以帮助患者更好的制定专属治疗策略和恢复策略。未来，计算神经科学和临床的结合也将越来越紧密。
作者信息
编译作者：Wayne（brainnews创作团队）
校审：Simon（brainnews编辑部）
参考文献
热门跟贴