IF50.5｜果蝇连接组揭示通往效应组之路

用连接组作先验，光遗传扰动估计因果效应，发现全脑动态由大量独立小回路主导。

这篇按生信解读号的读法拆：先看背景和问题，再看作者怎么做、做出了哪几条硬发现，最后把数据和代码收走。

研究背景

神经科学的一个核心目标是获得神经系统的因果模型。最近报道的果蝇全脑连接组详细描绘了神经元之间的突触通路，但仅凭连接组无法得知这些连接在活体中的实际效应强度。因果推断不能仅依赖被动观测神经活动，因为存在未观测的混杂因素。光遗传学扰动可以直接操控神经活动，为因果推断提供了可能。然而，如何利用扰动数据高效地学习全脑因果模型仍是一个未解决的问题。

科学问题

卡在哪里： 此前研究缺乏在全脑尺度上估计神经元间直接因果效应的方法。朴素地估计每对神经元之间的效应需要难以承受的数据量，且无法同时刺激和记录所有神经元。此外，未观测混杂因素（如未成像的神经元、神经肽信号等）会严重干扰因果推断。

本文要回答： 本文旨在提出一种结合光遗传扰动和连接组先验的统计方法，高效地估计果蝇全脑的因果效应矩阵（效应组），并利用连接组分析揭示主导全脑动态的神经回路。

技术路线

作者主要用了：光遗传扰动、工具变量法、贝叶斯回归、特征分解、连接组先验。

作者将光遗传刺激视为工具变量，利用其对源神经元的直接作用来估计源神经元对目标神经元的因果效应。由于连接组极其稀疏，绝大多数神经元对之间没有直接突触连接，因此可将连接组作为强先验，通过贝叶斯回归大幅提高估计效率。在连接组仿真中验证了估计器的一致性和效率后，作者对连接组矩阵进行特征分解，识别出主导全脑动态的稀疏特征回路，并进一步分析这些回路的计算功能。

图 1　Fig. 1。图1展示了实验设置和工具变量原理。a部分显示单个果蝇实验中，部分神经元被观察（黑色圆圈），其中表达视蛋白的神经元在红光下被刺激（红色神经元），刺激模式为白噪声（红色轨迹）。b部分说明激光作为工具变量直接影响源神经元，源神经元通过β影响目标神经元，同时两者都受到未观测混杂因素Z的影响。该图阐明了工具变量如何绕过混杂因素估计因果效应。

核心亮点

亮点 1｜工具变量法稳健估计因果效应

在存在未观测混杂因素的情况下，传统的最小二乘回归会给出有偏估计，而工具变量法能够一致地估计源神经元对目标神经元的直接因果效应。仿真显示，即使存在未观测的共同输入，工具变量估计也能收敛到真实权重（图1d）。这一结果为在活体果蝇中估计效应组提供了理论基础。

图 2　Fig. 2。图2展示了连接组先验对估计效率的提升。a部分显示使用连接组权重进行全脑仿真，b部分显示突触权重按突触计数和符号设置。c部分显示单个示例神经元的IV估计，误差主要沿真实权重为零的垂直线分布。d部分显示IV-Bayes估计的散点图更接近对角线。e部分显示IV-Bayes估计的误差显著降低。f部分显示IV-Bayes的残差平方和随样本量增加下降更快，且解释方差比例更高。

亮点 2｜连接组先验大幅提升估计效率

由于果蝇连接组极其稀疏（约0.01%的神经元对形成突触），作者利用连接组作为高斯先验，对非连接神经元对的权重强偏向零，对连接神经元对弱偏向突触计数。仿真表明，IV-Bayes估计器的残差平方和比标准IV估计器低至少一个数量级，且在有限样本下解释了绝大部分方差（图2f）。即使先验均值存在错误，估计器仍保持一致。

图 3　Fig. 3。图3展示了连接组特征分解的全局性质。a部分显示特征值幅值缓慢衰减，第1000个特征值约为最大值的1/10。b部分显示特征值在复平面上的分布，角度在0°、90°和180°处有峰值。c部分显示前100个特征向量之间的相关性较弱。d部分显示前10-20个特征向量几乎与其他特征向量正交。e部分显示第一特征向量的载荷高度稀疏。f部分显示解释75%载荷功率所需神经元数量不超过全脑的10%。g部分显示前几个特征向量在解剖上局部化。

亮点 3｜特征分解揭示稀疏主导回路

对连接组矩阵进行特征分解，发现特征值衰减缓慢，表明全脑动态是高维的。然而，前几个特征向量高度稀疏：前10个特征向量平均只需约50个神经元即可解释75%的载荷功率（图3f）。这些主导模式倾向于独立运作，且许多特征回路在解剖上局部化，例如视觉特征回路局限于小叶板，嗅觉特征回路涉及蘑菇体，运动/导航特征回路局限于椭球体。

图 4　Fig. 4。图4展示了两个主导回路的详细分析。a-f部分显示第一特征向量对应小叶板中的对手运动回路，包含VCH、DCH、LPi15和Am1，其抑制性连接模式支持跨眼对手运动计算。g-k部分显示第45特征向量对应椭球体中的GABA能R4d环神经元，其完全相互抑制的连接模式实现赢者通吃计算。仿真显示，当给予一个神经元更强输入时，该神经元保持高活动而其他神经元被抑制。

亮点 4｜对手运动回路与赢者通吃回路

第一特征向量对应小叶板中的对手运动回路，包含VCH、DCH、LPi15和Am1等神经元，其抑制性连接模式支持跨眼对手运动计算（图4a-f）。第45特征向量对应椭球体中的GABA能R4d环神经元，其完全相互抑制的连接模式实现赢者通吃计算，可选择性放大空间视觉通道（图4g-k）。这些回路是从连接组中无监督发现的，证明了方法的有效性。

生信可带走

这一块是给做分析的人用的，不是科普点缀。

• 方法栈： 光遗传扰动、工具变量法、贝叶斯回归、特征分解、连接组先验
• 公开数据： 原文未给出公开组学登录号
• 代码： 公开仓库 https://github.com/dp4846/conn2eff；本地已克隆：conn2eff
• 谁该点开原文： 对全脑因果建模、连接组分析或光遗传扰动实验感兴趣的计算神经科学家和系统神经科学家。

带走一句

连接组作为强先验可大幅提升因果效应估计效率；特征分解能无监督地发现功能回路，为全脑动态建模提供可行路径。