Sim4Life V10.0：超高速な全脳ダイナミクスにより、EEGラボとAIを活用したテキストからシミュレーションへの変換を実現

2026年10月27日

Sim4Life V10.0は、神経応答のモデリングを全脳ネットワークへと拡張し、シミュレーションワークフローの平易な言語によるスクリプト作成機能を導入しました。 これらの機能は、デスクトップアプリケーションとWebプラットフォームで共有される単一のインターフェース内で動作します。

Sim4Life V9.6では</a>、神経活動の予測が 刺激の最適化に十分な速度で可能になりました。V10.0では、個々のニューロンから全脳ネットワークのダイナミクス、さらにはシミュレーションによる脳波（EEG）へと対応範囲を拡大しています。 IT'ISの研究者によって開発されたBraiNNは、脳を カスタマイズ可能な構造的接続性によって連結されたニューラルマスモデルのネットワークとして表現します。Sim4Lifeの低周波ソルバーによる刺激場が ネットワークを駆動し、同じ頭部モデルからのリード場がその活動をシミュレートされた頭皮脳波（EEG）に投影します。

この種の全脳モデルは、すでに臨床現場で試験が行われています。薬剤抵抗性てんかんにおいては、Virtual Epileptic Patientワークフロー[1 – 3]が、手術前のてんかん原性領域ネットワークのマッピング（EPINOV、NCT03643016）のために試験的に導入されているが、 計算コストの高さにより、刺激パラメータの最適化への活用は制限されている[4]。 BraiNNは、同じクラスのモデルを Sim4Lifeの画像ベースの電界シミュレーションと組み合わせつつ、その計算コストを桁違いに低減しています。

開発者によるプレプリント [5] のベンチマークでは、BraiNNはグラフィックス処理ユニット（GPU）上で、中央処理装置（CPU）上の「The Virtual Brain」よりも90倍以上高速に動作する。 この速度であれば、パラメータスイープ、目標とするネットワーク応答を 生み出す刺激設定の探索、および測定された応答へのモデルパラメータの適合が、単一のワークステーション上で実用的に行えるようになる。 その結果、実験を実行する前に刺激の効果を探索するための仮想EEG実験室が実現する。

V10.0には、オープンアクセス画像データから導出された、すぐに実行可能な脳および頭部モデルが同梱されており、探索のための主要なパラメータが公開されています。 画像データから被験者固有のモデルを構築するためのパイプラインは、別途リリースされる予定です。


Sim4LifeのPythonインターフェースは、Pythonスクリプトに精通したユーザー向けに、再現性のある専門的なワークフローを長年にわたりサポートしてきました。 Sim4Lifeの人工知能（AI）アシスタントは、平易な言語による指示（「このジオメトリを構築する」「あのシミュレーションを設定する」「これらの結果を抽出する」など）からスクリプトを生成することで、これらのワークフローをはるかに多くのユーザーに開放します。 このアシスタントは、必要な手順を決定し、スクリプトを作成し、 AIアシスタントは、必要な手順を決定し、スクリプトを作成し、 その推論プロセスを説明し、ユーザーがスクリプトを確認・調整できるようにします。

このAIは、当社の物理学、神経科学、および生物医学の各チームが自身の 業務で適用している手順や品質保証のステップに基づいて学習されているため、すべてのユーザーが確立されたベストプラクティスの恩恵を受けることができます。私たちはこれを「Text-to-Simulation」と呼んでいます。

デスクトップ版とWeb版で共通するV10.0の刷新されたインターフェースは、最新のスクリプト環境、統合検索機能、ツールやドキュメントへの迅速なアクセス、そしてガイド付きモデリング操作を実現しています。移行期間中も、Sim4Life Classic V10.0は引き続きご利用いただけます。

アプリケーション事例

BraiNN：刺激フィールドからシミュレーションEEGへ
V10.0に同梱されているチュートリアルに沿った実践例


続きを読む

このワークフローが扱う主な課題：

• 刺激領域は、全脳ネットワークのシミュレーション上の活動をどのように変化させるのか？ どの時空間的刺激戦略が 脳活動に望ましい影響を与えるのか？
• それらの変化は、シミュレーションされた頭皮脳波（EEG）にどのように現れるのか？
• 結合強度、ノイズ、および接続性は、結果をどのように形作るのか？

Sim4Life V10.0 における BraiNN ワークフロー：
1. モデルを読み込みます。チュートリアルで提供されている2つのファイル、すなわち10-10電極アレイを備えた頭部モデルと、 BraiNNネットワーク定義をインポートします。ネットワークを点群、領域、または接続性グラフとして表示します。


2. 安静時ネットワークをシミュレートします。BraiNNシミュレーションを作成し、ネットワークをネットワーク設定にドラッグして、 デフォルトのパラメータで実行します。これがベースラインとなります。つまり、刺激のない状態でのネットワークの固有活動と、それに関連する仮想EEGです。


3. 刺激フィールドを計算します。2つの前頭部電極（10-10システムにおけるAF7およびAF8）を、 経頭蓋電気刺激（TES）のモンタージュにおける陽極および陰極として設定します。+1 Vおよび-1 V（任意の値）を印加し、Sim4Lifeのオーム準静的ソルバーを実行します。


4. 電界をネットワークに結合する。センサー抽出ツールから全体電界をBraiNNシミュレーションにドラッグし、これを ソースとして使用します。BraiNNは、以下の詳細解説で説明するλE∥結合 [7 – 9] を使用します。V10.0では、入力は時間的に一定です。


5. 比較する。フィールド結合を有効にして再実行し、両方の実行結果のシミュレーションEEGをプロットするか、そのスペクトルを比較する。 この差が、モンタージュによるモデル化された効果である。 2つの実行間でノイズのシードを変更しないようにし、差異が ノイズの実現値ではなく、刺激によるものであることを確認します。モンタージュ、結合強度、シナプスゲイン、またはノイズレベルを変化させて、 それらが応答にどのような影響を与えるかを調査します。

アプリケーションの知見からプラットフォームの改良へ

シミュレーションプラットフォームへの信頼は、日常的な細部に左右されます。大規模なプロジェクトの起動、適切な設定の特定、シミュレーションが予期せぬ結果を生む理由の理解、そして数ヶ月後の分析の再現などです。V10.0では、これらすべてのタスクを実行するためのインターフェースとツールが刷新されました。

デスクトップおよびWeb向けの刷新されたユーザーインターフェース：
最新のWeb技術に基づいて構築された、Webとデスクトップ共通のインターフェースは、レスポンシブで一貫性のある操作体験を提供し、新機能の迅速な提供をサポートします。これにより、Webプラットフォームのスクリプト環境がデスクトップにも導入され、ツール、マニュアル、チュートリアルを横断した検索機能が追加され、ガイド付きのモデリング操作が可能になります。充実したツールチップと組み込みのドキュメントにより、作業中にすぐにヘルプを参照できます。 ネイティブサポートはUbuntu Linuxに拡大され、macOSも今後対応予定です。


ガイダンスと診断：
警告やエラーは、シミュレーションツリー内の関連する箇所に表示されます。スタートアップページには、クイックスタートワークフロー、最近のプロジェクト、 チュートリアル、リリースノート、および頻繁に使用されるリソースが一箇所にまとめられています。

ツールバーとサイドバーの整理が明確になり、ドラッグ＆ドロップのフィードバックが改善され、ロック状態（例えば、ボクセルや結果が存在する場合など）が明示されることで、 日常的な操作がより分かりやすくなりました。マテリアル設定や、仮想人口モデルのダウンロードおよびインポートも合理化されています。

Sim4Life および Sim4Life Classic V10.0：
従来のインターフェースは「Sim4Life Classic V10.0」として引き続き利用可能であり、更新されたインターフェースと並行して完全なサポートが提供されます。既存のプロジェクトやスクリプトは、 どちらの環境でも引き続き動作します。 Classicは、今後のリリースにおいてメンテナンスモードに移行した後、最終的に廃止される予定ですが、これによりユーザーは生産性を損なうことなく、更新された インターフェースへ移行する時間を確保できます。更新版には、いつでもClassicに近いレイアウトに戻せる切り替え機能が用意されています。今すぐ移行することを お勧めします。皆様からのフィードバックをお待ちしております。

AIアシスタント — アプリケーション全体で利用可能：
AIアシスタントは、製品知識に加え、Pythonスクリプト、CADモデリング、シミュレーションの設定とレビュー、および後処理のサポートを統合しています。新しいキーワード「Ask Sim4Life」を使用すると、平易な言語による指示を通じて、パラメータ、モデル、シミュレーション、およびグリッドをコンテキストに応じて適応させることができます。 今後のバージョンでは、ユーザーは好みのモデルプロバイダー用の独自のトークンを持ち込むことができるようになります。

「Text-to-Simulation」の実践例。あるユースケースで「Text-to-Simulation」の仕組みをご紹介します。末梢神経刺激の研究において、AIアシスタントは、ラベル付けされた2D断面図から 3D神経モデルを構築し、カフ電極をその表面に投影・フィットさせます。 神経を構成するために、iSegは神経束を区分けし、 各神経束内にニューロンの進入点を配置し、ニューロンモデルを現実的な3D軌道に沿って配線します。この構成ステップにより、 単一のリクエストからシミュレーション可能な神経が生成されます。 続いて、当社の物理学 および生物医学の専門家によって設定されたベストプラクティスを用いて、メッシュの細分化と収束解析が行われます。その結果として、神経線維に沿った活動電位の伝播が可視化されます。


ローカライズ — 言語の壁のないSim4Life：
AIによるローカライズは、メニュー、ツールチップ、ダイアログを含むインターフェース全体に加え、科学および生物医学用語、 具体的なエラーメッセージ、警告、アラートまでを網羅しています。翻訳内容は、新しいリリースに合わせて自動的に同期されます。 リリース時点では英語、韓国語、中国語、スペイン語が サポートされており、今後さらに主要な言語が追加される予定です。


ThermoReg — 全身の体温調節：
ThermoRegは、熱負荷が体温および熱交換にどのように影響するかを評価するための新しい全身体温調節シミュレータであり、 能動的な体温調節とエネルギー保存機能を備えています。本シミュレータは、ヒトの熱伝達および体温調節に関するUTC-Fialaマルチノードモデル [12] を実装しています。 このモデルはユニバーサル熱気候指数（UTCI）の基礎となっており、COST Action 730 データベース [13] に対して検証済みであり、自動車、熱的快適性、スポーツ産業で広く利用されています。 ThermoRegは、コンパートメント間の熱輸送、動脈と静脈の向流熱交換、呼吸、および放射・ 対流熱交換を捉えます。また、発汗、震え、血管収縮・拡張、代謝による発熱もモデル化します。

Sim4Lifeの生体内電力沈着に関する電磁気および音響モデリングと連携することで、ThermoRegは、MRIスキャン、温熱療法（例：温熱腫瘍学）、5G基地局への曝露、および様々な気候条件下における熱ストレスなど、エネルギー集約型の アプリケーションに対応しています。 本モデルは、局所的な温度変化、時間変動する曝露に対する体温調節反応、および 過渡状態および定常状態の解析におけるエネルギー伝達・収支を解明します。「Virtual Population」の Dukeモデルの機能強化版は、 シミュレーションされた電力沈着を、全身モデルのコンパートメントごとの熱源に変換します。

UTCI-Fiala体温調節モデルと、解剖学的に詳細なPennes生体熱ソルバーを組み合わせたハイブリッドシミュレータが現在開発中である。 これにより、能動的および受動的な熱応答について、エネルギー保存則を満たすマルチスケールモデリングが可能となり、血流灌流および熱輸送の処理がさらに向上する。


低周波ソルバー — 一貫した電流の正規化：
低周波ソルバーは、電流フラックスを計算してアドミタンス／インピーダンス行列を直接構築するようになり、これにより後処理が高速化され、 インピーダンス計算の繰り返し評価が不要になりました。 新しい汎用電流正規化機能により、境界条件の選択において堅牢性と柔軟性が向上しました。これらの変更は相まって、単一の神経線維から全脳結合に至るまで、多極探索および下流の神経応答解析の基盤を提供します。

多接点電極：
1回のソルブであらゆる構成を実現。V10.0では、電流駆動または電圧駆動のマルチポート設定に対してアドミタンス行列を自動的に計算し、 結合された電気生理学および熱シミュレーションに直接引き渡します。手動での抽出やスクリプトは不要です。 パラメータスイーパーや Pythonアプリケーションプログラミングインターフェースを活用することで、刺激閾値や温度上昇に対する 電極構成のスイープや最適化が、日常的な研究作業となります。


グリッド化およびボクセル化：
より精細な制御と、セグメンテーションラベルフィールドの直接利用が可能です。V10.0では、最大安定時間ステップを制限する材料やオブジェクトを特定し、 ユーザーが解像度と実行時間のバランスを調整できるよう支援します。 AIベースのセグメンテーションツールなどで生成されたラベルフィールドは、ボクセルとしてインポートして 直接シミュレーションが可能であり、インプラントなどの追加エンティティをシーンに挿入してボクセル化することもできます。固体 界面でのオプションの精細化もサポートされています。


パフォーマンスとクラウド：
シミュレーションの実行速度が向上し、スケーラビリティも向上しました。大規模なプロジェクトの起動が速くなり、大規模な結果データセットの読み込みもより迅速に行えます。デスクトップアプリケーションとウェブプラットフォームの統合がさらに強化されたことで、今後のメンテナンスやリリースに関する情報を常に把握できるほか、実行中のシミュレーションに関する詳細なレポートも確認できます。

Sim4Life V10.0は、解剖学、物理学、生理学、および全脳ダイナミクスを、単一の再現性のあるインシリコ環境に統合しています。また、 モデリングの専門知識が限られているユーザーでも、専門家レベルのワークフローを利用できるようになります。 ニューロモジュレーション、医療機器、無線 通信、および曝露コンプライアンス分野の研究開発チームにとって、本製品は、メカニズムの理解を 臨床的に意義のある設計や認証可能な曝露評価へと転換するために必要な統合性、制御性、および速度を提供します。

カスタマイズされた研究

規制基準を満たすモデルエビデンスの作成、インシリコ研究の実施、あるいは 貴社の医療機器、プロトコル、患者集団向けにSim4Lifeベースの計画ツールを開発することにご関心はありますか？ IT’ISの カスタマイズ研究の専門家にお問い合わせいただき、お客様の用途に合わせたソリューションをご検討ください。

Sim4Life V10.0は、当社のすべてのクラウドプラットフォームにて、 商用ユーザー、 研究者、および 学生。

デスクトップ用インストーラーは こちらから入手できます。Sim4Life Classic V10.0は こちら から入手可能です。

詳細については、s4l-sales@zmt.swissまでメールでお問い合わせいただくか、 +41 44 245 9765 までお電話ください。

敬具、

Sim4Life チーム

参考文献

[1] Sanz Leon P 他. 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 他. 発作ダイナミクスの本質について. Brain. 2014;137(8):2210-2230.https://doi.org/10.1093/brain/awu133
[3] Wang HE, et al. 薬剤抵抗性てんかきにおける脳画像データと個別化モデリングを用いたてんかん原性ネットワークの解明. Sci Transl Med. 2023;15(680):eabp8982.https://doi.org/10.1126/scitranslmed.abp8982
[4] Wang HE, et al. てんかん治療における刺激療法のための仮想脳ツイン. Nat Comput Sci. 2025;5(9):754-768.https://doi.org/10.1038/s43588-025-00841-6
[5] Fasse A 他. BraiNN：臨床的に実現可能な個別化全脳ネットワークモデリングのための最新シミュレータ. bioRxiv. 2026.https://doi.org/10.64898/2026.07.08.737156
[6] Jansen BH, et al. 結合した皮質カラムの数理モデルにおける脳波および視覚誘発電位の生成. Biol Cybern. 1995;73(4):357-366.https://doi.org/10.1007/BF00199471
[7] Molaee-Ardekani B 他. 経頭蓋直流刺激（tDCS）が皮質活動に及ぼす影響：計算モデルを用いた研究. Brain Stimul. 2013;6(1):25-39.https://doi.org/10.1016/j.brs.2011.12.006
[8] Merlet I 他. 振動性経頭蓋電流刺激から頭皮脳波の変化へ：生物物理学的および生理学的モデリング研究. PLoS ONE. 2013;8(2):e57330.https://doi.org/10.1371/journal.pone.0057330
[9] Kunze T 他. 経頭蓋直流刺激が安静時機能的接続性に及ぼす変化：大規模脳ネットワークモデリング研究. NeuroImage. 2016;140:174-187.https://doi.org/10.1016/j.neuroimage.2016.02.015
[10] Ableidinger M 他. JansenおよびRitのニューラルマスモデルの確率的バージョン：解析と数値計算. J Math Neurosci. 2017;7:8.https://doi.org/10.1186/s13408-017-0046-4
[11] Plonsey R. 体積伝導体および心電図（ECG）への互恵性の適用. IEEE Trans Biomed Electron. 1963;10(1):9-12.https://doi.org/10.1109/TBMEL.1963.4322775
[12] Fiala D, et al. ヒトの熱伝達および体温調節に関するUTCI-Fiala多ノードモデル. Int J Biometeorol. 2012;56(3):429-441.https://doi.org/10.1007/s00484-011-0424-7
[13] Psikuta A 他. UTCI への適用に向けた Fiala 多ノード熱生理学的モデルの検証. Int J Biometeorol. 2012;56(3):443-460.https://doi.org/10.1007/s00484-011-0450-5