这篇文档《The scientific case for brain simulations》并非一项单一原创研究的报告，而是发表在期刊*Neuron*上的一篇观点性文章（Perspective article），属于类型b。该文旨在系统地阐述进行大规模脑网络仿真的科学理据，并倡导开发通用的多用途脑模拟器。其主要作者包括了Gaute T. Einevoll（挪威生命科学大学）、Alain Destexhe（法国国家科学研究中心）、Markus Diesmann（于利希研究中心）等来自欧洲多国顶尖研究机构的十几位科学家，他们都参与了欧盟的“人类脑计划”（Human Brain Project， HBP）。文章发表于2019年5月22日。
核心论点一：理解大脑需要连接不同尺度的机制性建模，而脑仿真是实现这一目标不可或缺的工具。
文章开篇即指出，尽管在分子、细胞、环路和系统等多个层面对大脑进行了数十年的研究，我们对大脑的工作机制仍知之甚少。一个关键挑战在于如何弥合从神经元到系统水平之间的尺度鸿沟。当前，我们对单个神经元如何工作已有较好理解（归功于Hodgkin-Huxley模型等），但对其如何组织成网络并涌现出复杂功能却认识不足。以往研究多依赖于“描述性模型”，如视觉感受野模型，它们能描述神经活动与刺激/行为之间的相关性，但无法解释网络如何产生这些活动。因此，我们必须转向“机制性建模”，即明确地建模神经元并将其连接成网络。然而，真实大脑网络极其复杂（例如，一立方毫米皮层包含数万个神经元），异构性强，并且具有高度结构化的连接，仅靠定性推理或简化模型难以洞悉其奥秘。随着现代超级计算机的出现，对包含数十万乃至数百万神经元的网络进行仿真变得可行。脑仿真的核心作用，就是充当连接不同理解层次的“桥梁”，正如Hodgkin-Huxley模型用离子通道（分子尺度）的特性解释了动作电位（细胞尺度）的传播一样。文章将脑仿真与已取得巨大成功的数值天气预报相类比，后者通过物理和化学模型连接了从米到行星尺度的过程，其计算复杂度与全脑仿真相当，这为脑仿真的前景提供了佐证。
核心论点二：脑模拟器应被视为通用的“数学观测台”，而非用于验证特定大脑功能假说的工具；其作用类似于牛顿发展出的微积分，是检验各种候选网络假说的基础工具。
这是文章最具哲学深度和类比特色的核心观点。作者强调，必须清晰区分“模型”、“模拟器”和“仿真”这三个概念。“模型”是带有特定参数的一组方程，代表了对大脑网络如何运作的一个具体假说。“模拟器”是执行模型的软件工具（如NEURON， NEST）。“仿真”是使用模拟器运行模型的过程。文章以牛顿发现万有引力定律为例进行类比：牛顿提出了两个核心物理假说（万有引力公式与运动定律），但要检验这些假说是否能解释观测到的行星轨道，他需要发展出新的数学工具——微积分。微积分本身不是假说的一部分，而是将假说转化为可检验预测的工具。同理，脑模拟器（如HBP中开发的那些）不应被设计来测试某个特定的大脑功能假说（例如，某个具体的认知理论）。相反，它们应该像微积分一样，成为一种通用的“数学观测台”，能够将任何关于大脑网络设计与运作的候选假说（即具体的网络模型），转化为对各种实验测量数据的精确预测。因此，模拟器的开发应独立于具体模型，具有通用性，能够运行当前和未来的多种候选模型。这一观点为大规模脑计划（如HBP）的核心目标——开发通用脑模拟器而非单一脑模型——提供了根本性的理论辩护。
核心论点三：一个理想的脑模拟器生态系统应包含多个层次的模型，并且必须是“多模态”的，能够预测从 spikes 到 EEG/MEG 等多种实验信号。
文章指出，不存在一种“最好”的神经元模型。根据研究问题的不同，需要在生物细节程度和计算效率之间进行权衡。因此，应当开发一套针对不同生物细节层次的脑模拟器。文章以大鼠体感皮层的“桶状皮层”为例，提出了一个三层架构：（Level I）基于生物物理细节的多室神经元模型，可以探究树突整合等细节对网络动力学的影响；（Level II）基于积分发放型（integrate-and-fire）的点神经元模型，计算效率高，适合研究大规模网络；（Level III）将神经元群体作为基本单元的发放率模型，计算和概念上更简洁，可用于构建覆盖整个皮层区的神经场模型。这三个层次之间应该存在联系，较简单的模型应能从更详细的模型中推导出或与之兼容，这类似于统计物理中连接微观与宏观的尺度桥接思想。更为关键的是，无论使用哪个层次的模型，脑模拟器都应该是“多模态”的。这意味着，模拟器不仅应能预测单个神经元的动作电位（spikes），还必须能够预测群体和系统水平的实验信号，包括局部场电位（Local Field Potential， LFP）、皮层脑电图（Electrocorticography， ECoG）、电压敏感染料成像（Voltage-Sensitive Dye Imaging， VSDI）信号，以及脑电图（Electroencephalography， EEG）、脑磁图（Magnetoencephalography， MEG）等。对于这些电、磁、光学信号，其生物物理起源和测量物理已相对明确，已有工具（如LFPy， BioNet）可以从模拟的网络活动中计算这些信号。通过同时预测多种模态的数据，模型可以与更广泛的实验结果进行比对和验证，从而更严格地参与“生物模仿游戏”。
核心论点四：脑模拟器在神经科学研究中具有多重重要用途，包括参与“生物模仿游戏”以优化网络模型、验证数据分析方法、以及为更广泛的研究社区提供探索工具。
文章详细阐述了脑模拟器的几大应用场景。首先是参与“生物模仿游戏”：通过将候选网络模型的仿真结果与真实生物系统的实验记录进行系统比较，我们可以不断优化和筛选模型。这个过程可能不会产生一个唯一的“获胜”模型，但可以逐渐缩小与生物现实相符的模型类别范围，这些领先的模型即代表了当前最有前途的假说。这个过程需要思考比较的标准是什么（是精确的脉冲时序、发放率还是群体平均活动？），但这不应阻碍模仿游戏的进行。其次，是验证数据分析方法：脑模拟可以生成“虚拟”基准数据，其中地面真实的神经元和网络活动是已知的。这对于测试和验证那些从LFP、EEG、MEG等信号中推断功能连接性、进行源定位或检测特定活动模式（如突触链）的数据分析算法至关重要。即使模拟数据不完全对应某个特定生物系统，一个声称通用的分析方法也应该能在这些数据上表现良好。第三，是为更广泛的研究社区提供工具：就像实验神经科学家不需要自己制造共聚焦显微镜就能使用它一样，脑模拟器也应该设计得能够让数学、物理、计算机科学背景有限的一般神经科学家使用。这需要提供高质量的教程、用户文档、支持系统，并公开可执行的模型描述作为起点。通过基于网络的远程服务，研究者甚至可以利用集中的超级计算资源。文章举例说明，研究者可以基于一个已有的V1皮层初步模型，利用模拟器轻松探究诸如“不同视觉刺激下各神经元类型的脉冲响应如何”、“阻断特定离子通道对网络活动的预测影响”、“视觉诱发的LFP信号看起来如何”、“两个候选V1模型能否通过头皮EEG信号区分”等问题。
核心论点五：脑模拟器的开发、维护和支持是一项需要长期投入的社区性基础设施工程，对最终理解大脑功能至关重要。
文章在讨论与展望部分强调了脑仿真仍处于起步阶段，未来需要在多个方向进行扩展：模拟更长时间尺度的过程（如稳态可塑性和突触可塑性）、纳入学习机制（如脉冲时序依赖可塑性）、将模型扩展到神经元网络之外（如包含细胞外空间和胶质细胞的相互作用）、研究电或磁刺激的效果等。同时，文章也清醒地认识到，与量子力学计算中参数精确已知不同，脑网络模型的参数数量庞大、不确定且可能时变，因此需要发展不确定性量化的方法。最重要的是，作者们指出，开发高质量的脑模拟器（如NEURON和NEST都已发展了超过25年）需要长期的资源承诺。其持续开发、维护和用户支持类似于天文观测台或粒子物理研究设施等联合科研基础设施，应当被视为必要的科研基础设施并获得相应的长期资助。文章最后以一个强有力的反问结束：从天气预报到手机芯片设计，这些成功连接多尺度的工程都完全依赖于数学和仿真；那么，如果不借助脑仿真，我们是否有机会真正理解大脑功能？答案不言而喻。
本文的意义与价值： 这篇观点文章的价值在于，它并非简单地介绍一项技术，而是从科学哲学、方法论和科研组织等多个层面，为大规模脑仿真项目（特别是以开发通用模拟器为目标的HBP）提供了系统而深刻的辩护。它将脑模拟器定位为神经科学基础研究的核心基础设施和通用探索工具，澄清了其与具体模型/假说的关系。文章提出的“多模态”、“多层次”、“通用工具而非特定假说检验器”等原则，对指导脑仿真领域的发展具有重要的纲领性意义。同时，文章也务实讨论了脑仿真面临的挑战、应用场景以及对科研社区的开放性要求，为相关领域的学者、资助机构和社会公众理解这类“大科学”项目的目标和价值提供了清晰的框架。