IF50.5｜果蝇视觉系统连接组约束网络预测神经活动

仅用连接组和任务约束，模型即可预测果蝇视觉系统64种细胞类型的神经活动。

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

连接组学已能测量神经回路中每个神经元的连接，但无法同时测量所有神经元的动力学特性等生物细节。仅凭连接组测量能否理解神经计算，是神经科学中悬而未决的问题。果蝇视觉系统的运动检测通路已被广泛研究，其连接组数据相对完整，且T4/T5等方向选择性神经元的功能机制已有大量实验表征，是检验连接组预测能力的理想系统。

科学问题

卡在哪里： 此前研究多基于局部连接或细胞类型连接推断功能，缺乏在单神经元分辨率上利用完整连接组预测神经活动的系统方法。连接组与任务约束能否共同确定神经回路的计算机制，以及稀疏连接是否有助于预测，尚不清楚。

本文要回答： 构建连接组约束、任务优化的深度机制网络（DMN），检验其能否仅凭连接组和视觉运动检测任务预测果蝇视觉系统中单个神经元的反应特性。

技术路线

作者主要用了：连接组约束、任务优化、深度机制网络、光流估计、模型集成。

作者将果蝇视叶运动通路的局部电镜连接组数据整合为64种细胞类型的空间不变连接组，构建循环神经网络模型，其中神经元动力学和突触强度为可训练参数。以Sintel视频的光流估计为任务，通过反向传播优化模型参数，生成50个模型集成。随后模拟多种视觉刺激，将模型预测与26项实验研究中的神经活动测量进行系统比较，并分析模型机制。

图 1　Fig. 1。图1展示DMN构建流程：连接组约束（b-e）、神经元和突触动力学模型（f）、光流任务优化（g）。b显示果蝇视叶神经节和细胞类型示意图，c-e展示局部连接组到空间不变连接组的构建，f为阈值线性动力学方程，g为训练框架。

核心亮点

亮点 1｜模型准确预测ON/OFF通路分离

模型集成对32种已知对比度选择性的细胞类型，预测ON/OFF偏好正确率达到100%（中位FRI），任务最优模型正确预测30/32种。模型还预测了33种未知细胞类型的对比度选择性，集成一致性可作为置信度指标。

图 2　Fig. 2。图2展示模型集成对已知神经活动预测的验证。a为50个模型的任务误差分布，b为各细胞类型ON/OFF对比度选择性指数（FRI）与实验比较，c为T4/T5方向选择性预测，d为不同约束条件下模型预测准确性的比较。

亮点 2｜T4/T5方向选择性及输入神经元预测

模型正确预测T4为ON运动选择性、T5为OFF运动选择性，并正确预测Mi1、Tm3等输入神经元缺乏运动调谐。此外，模型预测TmY3等跨髓神经元可能具有ON运动选择性，提示存在平行运动通路。

图 3　Fig. 3。图3展示模型集成聚类分析。a为T4c细胞对自然场景响应的UMAP降维和聚类，显示三个簇；b为三个簇的T4c调谐曲线；c-e为不同簇中Mi4和Mi9的对比度调谐与T4c方向选择性的关系。

亮点 3｜连接组与任务约束缺一不可

消融实验显示，仅任务优化但无连接组约束的模型预测差；仅连接组约束但随机参数的模型只能预测对比度偏好，无法预测方向选择性。连接组测量中的突触符号和单神经元连接对准确预测至关重要。

图 4　Fig. 4。图4展示任务最优模型簇对T4/T5调谐机制的预测。a为T4/T5对移动边缘的响应与实验比较；b为T4c电压及主要输入电流在偏好和零方向运动时的贡献；c为ON/OFF运动检测通路的简化连接图；d为输入神经元空间感受野；e为时间感受野；f为T4c时空感受野。

亮点 4｜模型集成揭示T4方向选择性机制

对T4c神经元的聚类分析发现三个功能簇：正确上方向选择性、相反下方向选择性和无方向选择性。正确簇平均任务误差最低。机制分析表明，Mi4和Mi9的对比度调谐与T4方向选择性相关，实验测量T4c方向选择性可约束Mi4/Mi9的调谐。

图 5　Fig. 5。图5展示稀疏连接对DMN预测准确性的影响。a为合成ground-truth连接组网络和模拟网络构建流程；b为不同连接度下ground-truth与模拟网络神经响应的中位相关系数，显示稀疏连接提高预测准确性。

亮点 5｜稀疏连接提高预测准确性

在MNIST分类任务的人工神经网络模拟中，连接组稀疏度越高，仅凭连接组（无突触强度）的DMN预测神经活动越准确（10%连接度时中位相关系数0.85，80%时0.38）。若提供突触强度估计，则预测准确度在所有连接度下均高（>0.9）。果蝇视觉系统模型因同时具备稀疏连接和相对突触强度信息而成功。

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： 连接组约束、任务优化、深度机制网络、光流估计、模型集成
• 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/TuragaLab/flyvis、https://www.github.com/TuragaLab/flyvis；本地已克隆：flyvis
• 谁该点开原文： 对连接组学、神经回路建模、果蝇视觉系统或计算神经科学感兴趣的研究者。

带走一句

连接组约束+任务优化是预测神经活动的有效策略，尤其适用于稀疏连接回路；模型集成和任务误差可指导实验验证。