Sim4Life V10.0: 초고속 전뇌 동역학으로 EEG 실험실 및 AI 기반 텍스트-시뮬레이션 기능 구현

2026년 10월 27일

Sim4Life V10.0은 신경 반응 모델링을 전뇌 네트워크로 확장하고, 시뮬레이션 워크플로우를 위한 자연어 스크립팅 기능을 도입했습니다. 이 두 가지 기능은 데스크톱 애플리케이션과 웹 플랫폼이 공유하는 단일 인터페이스 내에서 실행됩니다.

Sim4Life V9.6은 자극 최적화에 충분한 속도로 신경 활성화를 예측할 수 있게 했습니다. V10.0은 개별 뉴런에서 전뇌 네트워크 역학 및 시뮬레이션 뇌파(EEG)로 범위를 확장합니다. IT'IS 연구진이 개발한 BraiNN은 뇌를 사용자 정의가 가능한 구조적 연결성으로 연결된 신경 질량 모델의 네트워크로 표현합니다. Sim4Life의 저주파 솔버에서 생성된 자극 필드가 이 네트워크를 구동하며, 동일한 두부 모델에서 생성된 유도 필드는 그 활동을 시뮬레이션된 두피 뇌파(EEG)로 투영합니다.

이러한 종류의 전뇌 모델은 이미 임상 현장에서 시험되고 있습니다. 약물 저항성 간질의 경우, ‘가상 간질 Patient 워크플로우[1–3]가 수술 전 간질 유발 영역 네트워크 매핑을 위해 시험 중입니다(EPINOV, NCT03643016). 그러나 계산 비용 문제로 인해 자극 매개변수 최적화에 대한 활용은 제한되어 왔습니다[4]. BraiNN은 동일한 종류의 모델을 Sim4Life의 이미지 기반 전계 시뮬레이션과 결합하는 동시에, 그 비용을 몇 배나 줄입니다.

개발자들의 프리프린트 [5]에 수록된 벤치마크 결과에서, BraiNN은 그래픽 처리 장치(GPU)에서 중앙 처리 장치(CPU) 상의 ‘The Virtual Brain’보다 90배 이상 빠르게 실행됩니다. 이러한 속도 덕분에, 매개변수 스윕, 목표 네트워크 반응을 유도하는 자극 설정 탐색, 그리고 측정된 반응에 대한 모델 매개변수 적합 작업이 단일 워크스테이션에서도 실용적으로 수행될 수 있게 되었습니다. 그 결과, 실험을 실행하기 전에 자극 효과를 탐색할 수 있는 가상 뇌파(EEG) 실험실이 탄생했습니다.

V10.0에는 공개된 영상 데이터에서 파생된 즉시 실행 가능한 뇌 및 머리 모델이 포함되어 있으며, 탐색을 위한 주요 매개변수를 제공합니다. 영상 데이터를 기반으로 피험자별 모델을 구축하기 위한 파이프라인은 별도의 릴리스를 통해 제공될 예정입니다.


Sim4Life의 Python 인터페이스는 오랫동안 Python 스크립팅에 익숙한 사용자를 위해 재현 가능한 전문가용 워크플로를 지원해 왔습니다. Sim4Life 인공지능(AI) 어시스턴트는 “이 지오메트리를 구축하고, 저 시뮬레이션을 설정하고, 이 결과들을 추출하라”와 같은 평이한 언어의 지시 사항으로부터 스크립트를 생성함으로써, 훨씬 더 많은 사용자가 이러한 워크플로우를 활용할 수 있도록 합니다. 이 어시스턴트는 필요한 단계를 결정하고, 스크립트를 작성하며, 그 추론 과정을 설명하고, 사용자가 스크립트를 검토하고 조정할 수 있도록 열어둡니다.

이 AI는 물리학, 신경과학, 생의학 팀이 자신의 업무에서 적용하는 절차와 품질 보증 단계를 기반으로 훈련되었으므로, 이제 모든 사용자가 확립된 모범 사례의 혜택을 누릴 수 있습니다. 우리는 이를 ‘텍스트-투-시뮬레이션(Text-to-Simulation)’이라고 부릅니다.

데스크톱과 웹에서 공통으로 사용되는 V10.0의 새롭게 단장된 인터페이스는 현대적인 스크립팅 환경, 통합 검색 기능, 도구 및 문서에 대한 빠른 접근성, 그리고 안내식 모델링 작업을 제공합니다. 전환 기간 동안 Sim4Life Classic V10.0은 계속 사용할 수 있습니다.

애플리케이션 쇼케이스

BraiNN: 자극 영역에서 시뮬레이션된 뇌파(EEG)까지
V10.0에 포함된 튜토리얼을 따른 실습 예제


더 보기

이 워크플로가 다루는 주요 질문:

• 자극 영역은 전뇌 네트워크의 시뮬레이션된 활동을 어떻게 변화시키는가? 어떤 시공간적 자극 전략이 뇌 활동에 원하는 영향을 미치는가?
• 이러한 변화는 시뮬레이션된 두피 뇌파(EEG)에서 어떻게 나타나는가?
• 결합 강도, 잡음, 연결성은 결과에 어떤 영향을 미치나요?

Sim4Life V10.0의 BraiNN 워크플로우:
1. 모델을 불러옵니다. 튜토리얼에서 제공하는 두 파일, 즉 10-10 전극 배열이 적용된 머리 모델과 BraiNN 네트워크 정의를 가져옵니다. 네트워크를 점 구름, 영역 또는 연결성 그래프로 표시합니다.


2. 휴식 상태 네트워크 시뮬레이션. BraiNN 시뮬레이션을 생성하고, 네트워크를 네트워크 설정으로 드래그한 다음, 기본 매개변수를 사용하여 실행합니다. 이것이 기준선(baseline)으로, 자극이 없는 상태의 네트워크 고유 활동과 이에 수반되는 가상 EEG를 나타냅니다.


3. 자극 필드를 계산합니다. 두 개의 전두부 전극(10-10 시스템의 AF7 및 AF8)을 경두개 전기 자극 배열의 양극과 음극으로 설정합니다. +1 V와 -1 V(임의의 값)를 적용하고 Sim4Life의 오믹 준정적 솔버를 실행합니다.


4. 전계를 신경망에 결합합니다. 센서 추출기에서 전체 전계를 BraiNN 시뮬레이션으로 드래그하여 이를 소스로 사용합니다. BraiNN은 아래 심층 분석에서 설명된 λE∥ 결합[7–9]을 사용하며, V10.0에서는 입력이 시간에 따라 일정합니다.


5. 비교합니다. 필드 결합을 활성화한 상태로 시뮬레이션을 다시 실행하고 두 실행의 시뮬레이션된 EEG를 그래프로 표시하거나 스펙트럼을 비교합니다; 이 차이가 바로 몽타주의 모델링된 효과입니다. 두 실행 간에 노이즈 시드를 동일하게 유지하여, 차이가 노이즈의 실현이 아닌 자극에 기인하도록 하십시오. 몽타주, 결합 강도, 시냅스 이득 또는 노이즈 수준을 변경하여 이들이 반응에 어떤 영향을 미치는지 탐구해 보십시오.

애플리케이션 통찰에서 플랫폼 개선으로

시뮬레이션 플랫폼에 대한 신뢰는 일상적인 세부 사항에 달려 있습니다. 대규모 프로젝트를 열고, 적절한 설정을 찾으며, 시뮬레이션 결과가 예상치 못한 결과를 산출하는 이유를 파악하고, 몇 달 후에도 분석을 재현할 수 있어야 합니다. V10.0은 이러한 모든 작업을 수행하기 위한 인터페이스와 도구를 업데이트했습니다.

데스크톱 및 웹용 새롭게 단장된 사용자 인터페이스:
최신 웹 기술을 기반으로 구축된 통합 웹 및 데스크톱 인터페이스는 반응성이 뛰어나고 일관된 사용자 경험을 제공하며, 새로운 기능의 신속한 제공을 지원합니다. 이 인터페이스는 웹 플랫폼의 스크립팅 환경을 데스크톱으로 확장하고, 도구, 설명서 및 튜토리얼 전반에 걸친 검색 기능을 추가하며, 단계별 모델링 작업을 안내합니다. 풍부한 툴팁과 내장된 문서를 통해 작업과 밀접하게 연계된 도움말을 제공합니다. 네이티브 지원이 Ubuntu Linux로 확대되었으며, macOS도 곧 지원될 예정입니다.


안내 및 진단:
경고 및 오류 메시지는 시뮬레이션 트리의 관련 지점에 표시됩니다. 시작 페이지에는 빠른 시작 워크플로, 최근 프로젝트, 튜토리얼, 릴리스 노트 및 자주 사용되는 리소스가 한곳에 모아져 있습니다.

명확한 툴바 및 사이드바 구성, 개선된 드래그 앤 드롭 피드백, 명확한 잠금 상태(예: 복셀이나 결과가 존재할 때) 덕분에 일상적인 작업을 더 쉽게 수행할 수 있습니다. 재료 설정과 가상 인구 모델의 다운로드 및 가져오기 과정도 간소화되었습니다.

Sim4Life 및 Sim4Life Classic V10.0:
기존 인터페이스는 Sim4Life Classic V10.0으로 계속 제공되며, 업데이트된 인터페이스와 함께 완벽하게 지원됩니다. 기존 프로젝트와 스크립트는 두 버전 모두에서 계속 작동합니다. Classic은 향후 릴리스를 거쳐 유지보수 모드로 전환된 후 서비스 종료될 예정이며, 이를 통해 사용자는 생산성을 저하시키지 않고 업데이트된 인터페이스로 전환할 시간을 확보할 수 있습니다. 업데이트된 버전의 전환 스위치를 사용하면 언제든지 Classic에 가까운 레이아웃으로 복원할 수 있습니다. 지금 바로 전환하시기를 권장하며 여러분의 피드백을 기다리겠습니다.

AI 어시스턴트 — 애플리케이션 전반에서 이용 가능:
AI 어시스턴트는 제품 지식과 Python 스크립팅, CAD 모델링, 시뮬레이션 설정 및 검토, 후처리 기능을 통합합니다. 새로운 "Ask Sim4Life" 키워드를 사용하면 자연어 명령을 통해 매개변수, 모델, 시뮬레이션 및 격자를 상황에 맞게 조정할 수 있습니다. 향후 버전에서는 사용자가 선호하는 모델 제공업체의 토큰을 직접 가져와 사용할 수 있게 될 예정입니다.

실제 적용 사례: 텍스트-투-시뮬레이션. 다음 사용 사례가 텍스트-투-시뮬레이션을 보여줍니다. 말초 신경 자극 연구에서 AI 어시스턴트는 라벨이 지정된 2D 단면도를 기반으로 3D 신경을 구축하고, 커프 전극을 신경 표면에 투영 및 적합시킵니다. 신경을 채우기 위해 iSeg는 신경 다발을 구분하고, 각 신경 다발 내에 신경 세포 진입점을 배치하며, 신경 세포 모델을 사실적인 3D 궤적을 따라 배선합니다. 이 채우기 단계를 통해 단일 요청만으로 시뮬레이션에 바로 사용할 수 있는 신경이 생성됩니다. 이어서 당사의 물리학 및 생의학 전문가들이 구성한 모범 사례를 활용하여 메쉬 정밀화 및 수렴 분석이 수행됩니다. 결과에는 신경 섬유를 따라 전파되는 활동 전위의 시각화가 포함됩니다.


로컬라이제이션 — 언어 장벽 없는 Sim4Life:
AI 기반 현지화는 메뉴, 툴팁, 대화 상자는 물론 과학 및 생의학 용어, 특정 오류 메시지, 경고 및 알림에 이르기까지 전체 인터페이스를 포괄합니다. 번역 내용은 새 버전이 출시될 때마다 자동으로 동기화됩니다. 출시 시점에는 영어, 한국어, 중국어, 스페인어 가 지원되며, 향후 주요 언어가 추가될 예정입니다.


ThermoReg — 전신 체온 조절:
ThermoReg는 열 부하가 체온 및 열 교환에 미치는 영향을 평가하기 위한 새로운 전신 체온 조절 시뮬레이터로, 능동적 체온 조절 및 에너지 보존 기능을 갖추고 있습니다. 이 시뮬레이터는 인체 열 전달 및 체온 조절에 대한 UTCI-Fiala 다중 노드 모델을 구현합니다 [12]. 이 모델은 범용 열기후 지수(UTCI)의 기초가 되며, COST Action 730 데이터베이스 [13]를 통해 검증되었으며, 자동차, 열적 쾌적성 및 스포츠 산업 분야에서 널리 사용되고 있습니다. ThermoReg는 구획별 열 전달, 동맥 및 정맥 역류 교환, 호흡, 그리고 복사 및 대류 교환을 포착합니다. 또한 발한, 오한, 혈관 수축 및 확장, 대사 열 발생을 모델링합니다.

Sim4Life의 생체 내 전력 침착에 대한 전자기 및 음향 모델링과 결합된 ThermoReg는 MRI 스캔, 열 치료(예: 고열 종양 치료), 5G 기지국 노출, 다양한 기후 조건에서의 열 스트레스와 같은 에너지 집약적 응용 분야를 다룹니다. 이 모델은 과도 및 정상태 분석 모두에서 국소 온도 변화, 시간에 따라 변하는 노출에 대한 체온 조절 반응, 그리고 에너지 전달 및 열수지를 분석합니다. Virtual Population의 Duke 모델을 기능화한 버전은 시뮬레이션된 에너지 침투를 전신 모델의 구획별 열원으로 변환합니다.

UTCI-Fiala 체온 조절 모델과 해부학적으로 상세한 Pennes 생체열 해석기를 결합한 하이브리드 시뮬레이터가 개발 중이다. 이 시뮬레이터는 혈액 관류 및 수송을 더 효과적으로 처리하면서, 능동적 및 수동적 열 반응에 대한 에너지 보존적 다중 스케일 모델링을 제공할 것이다.


저주파 솔버 — 일관된 전류 정규화:
저주파 솔버는 이제 전류 플럭스를 계산하여 어드미턴스/임피던스 행렬을 직접 구축하므로, 후처리를 가속화하고 임피던스 계산의 반복적인 평가를 방지합니다. 새로운 범용 전류 정규화 기능은 경계 조건 선택에 있어 견고성과 유연성을 더합니다. 이러한 변경 사항들은 단일 신경섬유에서 전뇌 결합에 이르기까지, 다극 탐구 및 후속 신경 반응 분석의 기반을 마련합니다.

다중 접촉 전극:
단일 해석으로 모든 구성을 구현합니다. V10.0은 전류 또는 전압 구동형 다중 포트 설정에 대해 어드미턴스 행렬을 자동으로 계산하며, 이를 결합된 전기생리학 및 열 시뮬레이션으로 직접 전달합니다. 수동 추출이나 스크립트가 필요하지 않습니다. 매개변수 스윕 도구나 Python 애플리케이션 프로그래밍 인터페이스를 통해, 자극 역치 및 온도 상승에 대한 전극 구성의 스윕 또는 최적화가 일상적인 연구가 됩니다.


그리딩 및 복셀링:
세밀한 제어 및 분할 라벨 필드의 직접 활용. V10.0은 최대 안정 시간 단계를 제한하는 재료나 물체를 식별하여, 사용자가 해상도와 실행 시간 간의 균형을 맞출 수 있도록 돕습니다. AI 기반 분할 도구로 생성된 라벨 필드 등은 복셀로 가져와 직접 시뮬레이션할 수 있으며, 임플란트와 같은 추가 개체를 장면에 삽입하여 복셀화할 수 있습니다. 고체 경계면에서의 선택적 정밀화도 지원됩니다.


성능 및 클라우드:
시뮬레이션 실행 속도가 빨라지고 확장성이 향상되었으며, 대규모 프로젝트의 열림 속도가 빨라지고 대용량 결과 데이터셋의 로딩 속도도 빨라졌습니다. 데스크톱 애플리케이션과 웹 플랫폼 간의 통합이 더욱 강화되어 향후 유지보수 및 릴리스 일정을 실시간으로 확인할 수 있으며, 실행 중인 시뮬레이션에 대한 상세한 보고서를 제공합니다.

Sim4Life V10.0은 해부학, 물리학, 생리학 및 전뇌 역학을 단일하고 재현 가능한 인실리코(in silico) 환경으로 통합합니다. 또한 모델링 전문 지식이 제한적인 사용자도 전문가 수준의 워크플로우를 활용할 수 있게 해줍니다. 신경 조절, 의료 기기, 무선 통신 및 노출 규정 준수 분야의 R&D 팀에게, 이 솔루션은 기전적 이해를 임상적으로 유의미한 설계 및 인증 가능한 노출 평가로 전환하는 데 필요한 통합성, 제어 기능 및 속도를 제공합니다.

맞춤형 연구

규제 기준에 부합하는 모델 근거를 생성하거나, 인실리코 연구를 수행하거나, 귀사의 의료기기, 프로토콜 또는 환자 집단을 위한 Sim4Life 기반 계획 도구를 개발하는 데 관심이 있으신가요? IT’IS 맞춤형 연구 전문가에게 문의하여 귀사의 응용 분야에 맞는 맞춤형 솔루션을 탐색해 보십시오.

Sim4Life V10.0은 현재 당사의 모든 클라우드 플랫폼에서 상업용 사용자, 연구자, 그리고 학생.

데스크톱 설치 프로그램은 여기에서 다운로드할 수 있습니다. Sim4Life Classic V10.0은 여기 에서 다운로드할 수 있습니다.

자세한 정보가 필요하시면 s4l-sales@zmt.swiss으로 이메일을 보내주시거나 +41 44 245 9765로 전화해 주십시오.

감사합니다.

Sim4Life 팀 드림

참고 문헌

[1] Sanz Leon P 외. The Virtual Brain: 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 현대적 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) 변화에 이르기까지: 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
[12] Fiala D 외. 인체 열전달 및 체온 조절에 대한 UTCI-Fiala 다중 노드 모델. Int J Biometeorol. 2012;56(3):429-441. https://doi.org/10.1007/s00484-011-0424-7
[13] Psikuta A 외. UTCI 적용을 위한 Fiala 다중 노드 열생리학적 모델의 타당성 검증. Int J Biometeorol. 2012;56(3):443-460. https://doi.org/10.1007/s00484-011-0450-5