Dai modelli di singola cellula ai modelli digitali del cervello: i ricercatori UniPv fanno passi avanti nella simulazione del cervello
I ricercatori dell’Università di Pavia del gruppo di Neurofisiologia del Dipartimento di Scienze del Sistema Nervoso e del Comportamento coordinato dal prof. Egidio D’Angelo stanno sviluppando approcci computazionali innovativi che consentono di simulare il cervello con un livello di realismo biologico senza precedenti. Il loro lavoro si concentra sul cervelletto, una regione cerebrale fondamentale per il movimento, l’apprendimento e i processi cognitivi, e mira a colmare il divario tra l’attività dei singoli neuroni e il comportamento del cervello nel suo insieme.
In uno studio pubblicato recentemente (Lorenzi et al., 2026), il team ha dimostrato che l’integrazione delle peculiari proprietà biologiche delle diverse regioni del cervelletto migliora in modo significativo le simulazioni cerebrali su larga scala, avvicinando i ricercatori all’obiettivo di creare accurati “gemelli digitali del cervello” personalizzati per le neuroscienze e la medicina.
Parallelamente, i ricercatori hanno sviluppato nuovi strumenti di modellazione che consentono di utilizzare automaticamente modelli cellulari dettagliati in simulazioni del cervello. Inoltre hanno sviluppato un modello del cervelletto basato su principi biologici in grado di riprodurre l’attività circuitale con una precisione dell’ordine dei millisecondi.
La ricerca è stata sostenuta dall’infrastruttura di ricerca europea EBRAINS e dal progetto Virtual Brain Twin finanziato nell’ambito di Horizon Europe. Nel loro insieme, questi progressi contribuiscono all’obiettivo di creare modelli digitali del cervello umano sempre più accurati, a supporto della ricerca neuroscientifica e di future applicazioni cliniche.
Per maggiori informazioni sugli studi studi:
Lorenzi RM, Palesi F, Casellato C, Gandini Wheeler-Kingshott CAM, D'Angelo E. Region-specific mean field models enhance simulations of local and global brain dynamics. NPJ Syst Biol Appl. 2025 Jun 24;11(1):66. doi: 10.1038/s41540-025-00543-9
Lorenzi RM, De Grazia M, Gandini Wheeler Kingshott CAM, Palesi F, D’Angelo E, Casellato C, Automated derivation of mean field models from spiking neural networks for the simulation of brain dynamics. bioRxiv2026.03.18.712631; doi: 10.64898/2026.03.18.712631
***
From brain cells to digital brain models: University of Pavia researchers advance brain simulation
Researchers at the University of Pavia are developing innovative computational approaches that make it possible to simulate the brain with unprecedented biological realism. Their work focuses on the cerebellum – a brain region essential for movement, learning and cognition – and aims to bridge the gap between the activity of individual neurons and the behaviour of the brain as a whole.
In a recently published study, the team demonstrated that incorporating the unique biological properties of different cerebellar regions significantly improves large-scale brain simulations, bringing researchers a step closer to creating accurate, personalised "digital brain twins" for neuroscience and medicine. Alongside this work, the researchers have developed new modelling tools that automatically translate detailed cellular models into efficient whole-brain simulations, as well as a biologically grounded cerebellar model capable of reproducing brain activity with millisecond precision.
The research was supported by the European research infrastructure EBRAINS and the Horizon Europe Virtual Brain Twin project. Together, these developments contribute to the goal of creating more accurate digital models of the human brain to support neuroscience research and future clinical applications.
For more information on the studies:
Lorenzi RM, Palesi F, Casellato C, Gandini Wheeler-Kingshott CAM, D'Angelo E. Region-specific mean field models enhance simulations of local and global brain dynamics. NPJ Syst Biol Appl. 2025 Jun 24;11(1):66. doi: 10.1038/s41540-025-00543-9
Lorenzi RM, De Grazia M, Gandini Wheeler Kingshott CAM, Palesi F, D’Angelo E, Casellato C, Automated derivation of mean field models from spiking neural networks for the simulation of brain dynamics. bioRxiv2026.03.18.712631; doi: 10.64898/2026.03.18.712631