Модель мозга мухи с одним свободным параметром угадала 91% экспериментов

Вчера я рассказывал про карту мозга мухи. Сегодня о том, что с этой картой можно делать.

Идея

Филип Шиу и соавторы взяли коннектом центрального мозга дрозофилы (около 127 тысяч нейронов и 50 миллионов связей) и поставили почти наивный эксперимент: каждый нейрон заменили простейшей моделью leaky integrate-and-fire:

• нейрон копит потенциал от входящих импульсов;
• без входа потенциал медленно «протекает» обратно к покою;
• при достижении порога нейрон стреляет и сбрасывается.

Возбуждающий нейрон поднимает потенциал соседа, тормозящий опускает, причём ровно пропорционально числу синапсов между ними. Кто возбуждающий, а кто тормозящий, определили по предсказанному нейромедиатору: ГАМК и глутамат считали тормозящими, остальное возбуждающим.

Самое удивительное, что у модели всего один свободный параметр: насколько сильно один синапс сдвигает потенциал. Его подобрали так, чтобы при сильной стимуляции сахарных рецепторов моторный выход был около 80% от максимума. Симулировали всё в Brian2.

Что получилось

Авторы «включали» в модели вкусовые рецепторы и смотрели, какие нейроны загораются дальше по цепочке. Потом проверили предсказания на живых мухах с помощью оптогенетики, кальциевой визуализации и поведенческих тестов:

• проверено 164 предсказания, точность 91% (84% без оптогенетического скрининга);
• все 10 из 10 известных «сахарных» типов нейронов модель нашла сама;
• 10 из 11 предсказанных нейронов действительно запускали мотонейрон хоботка;
• для пути воды подтвердилось 5 из 6;
• нейроны Ir94e модель назвала отталкивающими, хотя раньше считалось иначе, и эксперимент подтвердил модель.

Ещё нашлось, что пути «сладкого» и «воды» делят примерно 250 общих нейронов, но отталкивающие контуры у них раздельные.

Чего модель не умеет

Авторы честно перечисляют ограничения. Форма нейронов и динамика рецепторов игнорируются. Базовая активность принята нулевой, поэтому торможение молчащего нейрона ни на что не влияет. Электрических синапсов, нейропептидов и нейромодуляции нет. Все нейроны одинаковые, хотя в биологии это не так.

Мой комментарий

Для меня это главный аргумент в пользу FlyBrain: структура графа несёт огромную часть вычисления. Не нужны точные биофизические модели каждой клетки: правильная проводка и грубые нейроны уже дают осмысленное поведение. Я использую тот же класс модели, только на полном коннектоме самца и вместе с нейронами ног.

Ещё вывод для инженера: одна ручка настройки — это прекрасно. Модель, которую нельзя «подогнать» сотней параметров, сложно обмануть, а значит, её предсказаниям можно верить больше.