BraiNN 내부: 해부학, 역학, 자기장, 뇌파(EEG)를 하나의 워크플로우로

통합IT’IS 재단
전뇌 규모. 두피 뇌파(EEG)는 주로 개별 스파이크보다는 대규모 신경 세포 집단의 합산된 시냅스 후 활동을 반영합니다. 신경 덩어리 모델은 이 규모에서의 활동을 평균 막 전위와 발화율을 통해 설명하며, 각 집단은 그 지역의 역학 및 네트워크로부터 받는 입력에 따라 변화합니다. 동일한 종류의 모델이 ‘가상 간질 환자(Virtual Epileptic Patient)’의 기반이 되며, 이는 The Virtual Brain에서 발작 역학에 대한 신경 질량 모델을 실행합니다 [1, 2]. 한 후향적 연구에서, 이 모델의 추정 결과는 임상적으로 정의된 발작 유발 네트워크와 일치했으며, 특히 절제술 후 발작이 사라진 환자들에서 가장 밀접한 일치를 보였다 [3].

BraiNN은 두 가지 해상도를 지원한다. 영역 수준 네트워크에서는 단일 신경 덩어리 노드가 각 해부학적 영역을 나타낸다. 대뇌 피질 표면 네트워크에서는 (개인화될 수 있는) 대뇌 피질 메쉬의 모든 정점은 완전한 노드를 가지며, 희소하고 지오데식 거리에 의존하는 연결성이 국소적 상호작용을 설명하고, 장거리 상호작용은 영역 수준의 구조적 연결성에서 상속됩니다. 이를 통해 영역 내의 공간적 세부 정보를 보존하면서 영역 간의 해부학적으로 의미 있는 연결을 유지할 수 있습니다.

신경 덩어리 모델. 각 노드는 피라미드형 투사 뉴런과 흥분성 및 억제성 중간뉴런 집단을 포함하는 대뇌 피질 기둥의 Jansen-Rit 모델[6]이며 (솔버 라이브러리는 다른 모델 변형도 지원한다). 모델의 상태 변수는 평균 막 전위를 나타내며, 시그모이드 함수가 막 전위를 발화율로 변환합니다. 노드의 출력, 즉 피라미드 신경세포 집단의 흥분성 및 억제성 시냅스 후 전위 간의 차이는 다른 노드로 전달되며(아래 참조), 이에 상응하는 전류 쌍극자로 변환된 후 가상 EEG 신호를 생성하는 데 사용됩니다.

이 모델은 문헌[6]에 제시된 표준 매개변수화를 사용하며, 주요 매개변수는 사용자가 직접 설정할 수 있습니다: 흥분성 및 억제성 시냅스 이득은 각 열 내의 흥분과 억제의 균형을 결정합니다; 전역 결합 강도는 장거리 입력을 조절하며, 국소 표면 결합 강도는 인접한 표면 노드 간의 상호작용을 제어합니다. 또한 — 확률적 미분 방정식 변형의 경우 — 잡음 스케일링 계수가 문헌에 기반한 잡음 구조에 곱해집니다 [10]. 이러한 매개변수를 변화시킴으로써 연구자들은 국소 리듬, 영역 간 동기화, 그리고 시뮬레이션된 신호의 잡음 수준에 대한 민감도를 탐구할 수 있습니다.

연결성과 지연. 각 노드에 대한 장거리 입력은 다른 영역들의 지연된 출력의 가중합이며, 표면 네트워크에서는 이는 각 영역에 할당된 표면 노드들의 평균 피라미드형 출력입니다. 가중치는 확산 트랙토그래피에서 도출된 구조적 연결성에서 비롯되며, 지연 시간은 경로 길이와 가정된 전도 속도에 따라 결정됩니다. 전역 결합 강도는 가중 합계의 크기를 조절합니다.

활동에서 뇌파(EEG)로. 시뮬레이션된 대뇌 피질 활동은 리드-필드 행렬의 가중치에 따라 두피 전위에 기여합니다: 각 대뇌 피질 소스는 국소 대뇌 피질 표면에 수직인 등가 전류 쌍극자로 표현되며, 이 행렬은 쌍극자 모멘트를 전극 전압으로 매핑합니다. Sim4Life는 Plonsey의 상호성 정리[11]를 통해 리드 필드를 계산합니다: 저주파 전자기 시뮬레이션은 각 EEG 전극과 공통 기준점 사이에 단위 전류를 가하며, 각 대뇌 피질 정점에서 발생하는 결과 필드의 수직 성분이 해당 전극의 리드 필드 가중치를 제공합니다. 자극 전계와 EEG 리드 전계는 동일한 머리 모델과 전자기 물리 법칙을 사용하므로, 두 계산 모두 해부학적 구조, 조직 특성 및 좌표계를 공유합니다.

상호성에 의한 리드 필드: 전극과 기준점 사이의 단위 전류는 두부 모델 내에서 전기장을 생성합니다. 대뇌 피질 표면에서의 이 전기장의 법선 성분은 시뮬레이션된 대뇌 피질 활동을 해당 전극으로 투영하는 데 필요한 가중치를 제공합니다. 동일한 머리 모델을 사용하여 자극장을 계산합니다.

장(field)에서 입력으로. 자극장은 λE∥ 결합 항을 통해 네트워크로 입력됩니다 [7–9]: 모델링된 대뇌 피질 컬럼에 평행한(즉, 대뇌 피질 표면에 수직인) 전계 성분은 집단별 계수 λ에 의해 스케일링됩니다. 그 결과는 전계에 의해 유도된 분극으로서 각 집단의 평균 막 전위에 더해집니다. V10.0에서는 이 전계에 의한 기여도가 시간에 따라 일정하며, 시간에 따라 변화하는 자극에 대한 지원은 향후 릴리스에서 제공될 예정입니다. 전기장이 전체 신경 세포 집단의 행동으로 어떻게 반영되는지는 여전히 미해결 연구 과제이며, 따라서 결합 모델은 향후 추가 연구가 필요한 주제로 남아 있습니다.

수치 엔진. BraiNN은 JAX로 구현되었으며, 적분 루프, 네트워크 결합, 확률적 잡음 및 모니터링이 함께 컴파일되어 동일한 모델 정의가 CPU, GPU 또는 텐서 처리 장치(TPU)에서 실행될 수 있습니다. 조인트 배열(Joint arrays)은 노드 및 매개변수 집합, 초기 조건, 또는 잡음 실현값의 배치에 대한 연산을 벡터화합니다.

GPU에서 BraiNN은 일반적으로 사용되는 CPU 기반 시뮬레이터보다 몇 배 더 빠르게 전뇌 시뮬레이션을 실행합니다. 프리프린트[5]의 벤치마크에서, NVIDIA RTX 3090 GPU를 사용하여 32코어 AMD Ryzen Threadripper 3970X CPU 상의 ‘The Virtual Brain’과 비교한 결과, 68개 영역으로 구성된 영역 수준 네트워크는 약 35배 더 빠르게 실행되었으며, 4.4k 노드로 구성된 대뇌 피질 표면 네트워크는 약 90배 더 빠르게 실행되었습니다. 네트워크 크기가 250개 영역까지 증가해도 실행 시간은 거의 변하지 않았으며, 전도 지연이나 일괄 처리를 추가해도 실행 시간이 약간만 증가했기 때문에, 매개변수 세트 일괄 처리에 드는 비용은 단일 시뮬레이션보다 약간 더 비쌀 뿐입니다. 따라서 이전에는 처리하기 어려웠던 매개변수 스윕, 응답 표면 탐색, 민감도 분석이 아래(전망)에서 설명하는 피팅 절차와 마찬가지로 실용적으로 수행될 수 있게 되었다.

결정론적/확률론적 전환을 통해 솔버 계열을 선택합니다. 결정론적 실행에서는 정방향 오일러, Heun, 고전적 4차 룽게-쿠타(Runge-Kutta), 또는 적응형 Tsit5 및 도먼드-프린스(Dormand-Prince) 시간 적분 방법을 사용할 수 있는 반면, 확률적 실행은 오일러-마루야마(Euler-Maruyama), 확률적 헤운(Heun), 또는 고차 분할 룽게-쿠타 방법을 사용하여 가산 잡음을 처리합니다. 확률적 모드를 선택하면 잡음 스케일링 계수도 표시됩니다.

모니터링은 시간 이산화 단계와 분리되어 있으므로, 수치 적분을 변경하지 않고도 영역별 발화율, 대뇌 피질 소스 활동, 및 전극 전압을 더 낮은 속도로 기록할 수 있습니다. 시뮬레이션은 기본적으로 32비트 정밀도를 사용하며, 검증 및 민감도 연구를 위해 64비트 옵션을 제공합니다.

V10.0의 주요 기능. V10.0은 구조 및 동역학부터 자극 결합을 거쳐 EEG 투영에 이르는 전방 파이프라인을 제공하며, 미리 정의된 모델 세트, 조정 가능한 매개변수, 그리고 Sim4Life의 필드 솔버와의 직접적인 연동 기능을 포함합니다.

향후 전망. 개인화에 초점을 맞춘 두 가지 확장 기능이 준비 중입니다. 이미지 기반 모델 생성은 피험자의 T1 가중 및 확산 자기공명영상(MRI) 스캔 데이터를 바탕으로 두부 모델, 대뇌 피질 메쉬, 구조적 연결성 및 리드 필드를 구축하여, 자극 필드, 네트워크 및 시뮬레이션된 EEG가 모두 피험자의 해부학적 구조를 반영하도록 합니다. EEG 기반 매개변수 피팅은 베이지안 최적화를 사용하여 시뮬레이션된 EEG가 피험자의 기록 데이터를 가장 잘 재현할 때까지 신경 질량 매개변수를 조정합니다 [5]. 이러한 방식의 매개변수 적합에는 수많은 전방 시뮬레이션이 필요하며, 바로 이 부분에서 BraiNN의 속도가 가장 중요한 역할을 합니다. 이러한 확장 기능들이 결합되어, 간질 병소 매핑 [3]에서 입증된 개인 맞춤화가 뇌 자극 분야로 확대됩니다.

BraiNN은 전뇌 역학 및 자극을 연구하기 위한 연구 도구이며, 그 결과는 위에서 설명한 모델링 가정을 고려하여 해석되어야 합니다. 프리프린트 [5]에는 해당 방법이 자세히 설명되어 있습니다. Sim4Life V10.0은 이 엔진을 가상 집단 및 이미지 기반 머리 모델, 자기장 시뮬레이터, 시각화 및 분석 기능과 통합합니다. 따라서 해부학적 구조 추출, 자기장 계산, 네트워크 모델링 및 가상 EEG 생성은 단일 Sim4Life 프로젝트 내에서 이루어지므로, 여러 도구를 사용할 때 발생하는 호환성 및 버전 관리 문제가 발생하지 않습니다.

BraiNN: 자극 필드에서 시뮬레이션된 뇌파(EEG)까지.

참고문헌
[1] Sanz Leon P 외. 가상 뇌: 영장류 뇌 네트워크 역학 시뮬레이터. Front Neuroinform. 2013;7:10. https://doi.org/10.3389/fninf.2013.00010
[2] Jirsa VK 외. 발작 역학의 본질에 관하여. Brain. 2014;137(8):2210-2230. https://doi.org/10.1093/brain/awu133
[3] Wang HE 외. 약물 저항성 간질에서 뇌 영상 데이터와 개인 맞춤형 모델링을 이용한 발작 유발 네트워크 규명. Sci Transl Med. 2023;15(680):eabp8982. https://doi.org/10.1126/scitranslmed.abp8982
[4] Wang HE 외. 간질 치료를 위한 가상 뇌 트윈. Nat Comput Sci. 2025;5(9):754-768. https://doi.org/10.1038/s43588-025-00841-6
[5] Fasse A 외. BraiNN: 임상적으로 실현 가능한 개인 맞춤형 전뇌 네트워크 모델링을 위한 최신 시뮬레이터. bioRxiv. 2026. https://doi.org/10.64898/2026.07.08.737156
[6] Jansen BH 외. 결합된 대뇌 기둥의 수학적 모델에서 뇌파 및 시각 유발 전위의 생성. Biol Cybern. 1995;73(4):357-366. https://doi.org/10.1007/BF00199471
[7] Molaee-Ardekani B 외. 경두개 직류 자극(tDCS)이 대뇌 피질 활동에 미치는 영향: 계산 모델링 연구. Brain Stimul. 2013;6(1):25-39. https://doi.org/10.1016/j.brs.2011.12.006
[8] Merlet I 외. 진동성 경두개 전류 자극에서 두피 뇌파(EEG) 변화까지: 생물물리학적 및 생리학적 모델링 연구. PLoS ONE. 2013;8(2):e57330. https://doi.org/10.1371/journal.pone.0057330
[9] Kunze T 외. 경두개 직류 자극이 휴식 상태의 기능적 연결성에 미치는 영향: 대규모 뇌 네트워크 모델링 연구. NeuroImage. 2016;140:174-187. https://doi.org/10.1016/j.neuroimage.2016.02.015
[10] Ableidinger M 외. Jansen 및 Rit 신경 질량 모델의 확률적 버전: 분석 및 수치 계산. J Math Neurosci. 2017;7:8. https://doi.org/10.1186/s13408-017-0046-4
[11] Plonsey R. 부피 전도체 및 심전도(ECG)에 적용된 상호성. IEEE Trans Biomed Electron. 1963;10(1):9-12. https://doi.org/10.1109/TBMEL.1963.4322775