文／陈根

看过电影《钢铁侠》的人一定不会忘记其中一个经典画面：托尼·史塔克在设计、改进和修理钢铁侠战衣的时候，并不是在图纸或实物上进行操作，而是通过一个虚拟的影像映射场景来辅助实现，这个可视化、智能化、数字化的映射场景就是数字孪生（Digital Twin）。

按照美国航空航天局（NASA）给出的权威解释，数字孪生是指充分利用物理模型、传感器、运行历史等数据，集成多学科、多尺度的仿真过程，它作为虚拟空间中对实体产品的镜像，反映了相对应物理实体产品的全生命周期过程。

通俗来说，数字孪生就是将现实世界的物理体或者系统以及流程等复制到虚拟空间，生成一个“克隆体”，二者最终组成一个“数字双胞胎”。

大脑是由不同功能子区域交互构成的复杂动力系统，分布于多脑区的神经网络可以实现脑功能。通过建模和仿真揭示大脑的基本工作原理，可以有效连接神经生物学的行为与认知，在探究脑功能机制中占据重要地位。

在此基础上，科学家们通过融合多模态神经成像数据，引入并优化国际先进的“结构－功能”迭代优化理论，建立了国内首个数字孪生脑计算平台（Digital twin brain，DTB），在功能图谱层次实现了对大尺度脑动态的精准模拟，并基于该模型开展了稳态视觉诱发电位响应机制（stable steady－state visual evoked potentials， SSVEPs）研究。

有关SSVEP的实验表明，周期性视觉刺激可诱发分布于大脑多个区域的SSVEPs，由于该信号具有高信噪比、频谱稳定、识别率高等特点，被广泛应用于脑机接口、脑认知和脑疾病领域。然而，目前SSVEP在全脑层次的动力学机制尚未被完全理解。

但在该项工作中，研究人员揭示了DTB能够同时再现实验中观察到的SSVEP响应与空间分布特征，特别是α波段（8－12Hz）刺激能激发最强的SSVEP响应，而这种频率敏感特性是由非线性夹带和共振引起的，并且可以被大脑的内源性因素调节。

有趣的是，刺激诱发的大脑网络在这个敏感频率范围附近的拓扑性质也展现出显著的优势，即强的SSVEP反应是由神经活动水平上有效的功能连接导致的。

在脑系统层面建立高精度的数字孪生脑模型，不仅可以整合各类生物脑研究结果，还可把解剖式生物学研究的断面脑变成生动的动态脑和工作脑。未来，DTB有望在脑机接口、注意机制、自闭症和癫痫脑疾病调控等方面的研究中发挥重要作用。