连接组学：如何把「果蝇大脑」装进电脑？

WARNING

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

FlyWire / Blue Brain / EBRAINS 是地图与工地。本讲讲清数据流，避免一上来幻想「我要仿真整个大脑」。过关标准：能画出流水线并指出每一步的输入输出——不是复现超算规模。

正文是六步流水线和一张玩具邻接矩阵；需要从边列表推回密度时，点开「逐步推导」。

---

一、真正的问题不是「算力够不够」

全脑模拟拆开是六步。缺任何一步，都只是漂亮渲染或无法复现的故事。

步骤	产物	常见坑
1 EM	超大三维像素体积	存储与对齐
2 重建	神经元骨架与身份	人工校对成本
3 导出	节点–边图（SONATA / NeuroML）	格式与元数据混乱
4 参数	可动力学的细胞模型	参数不可辨识
5 仿真	电压 / 尖峰	数值稳定与种子
6 对照	可证伪的预测	只仿真不验证

保姆级：算力是第五步的事。 没有校对过的身份（谁是哪一种细胞）、没有突触类型和延迟、没有能对照的生理，把 GPU 堆上去只是把不确定的图积分得更快。导论里说的「方程是假说」在这里变成「图加参数都是假说」：改一条边的符号，raster 可以从异步变成病理齐射。

---

二、连接组是什么（以及不是什么）

连接组 ≈「谁连谁、以什么突触」。它是结构约束，不是自动等于功能。城市道路地图 ≠ 交通流量；电路原理图 ≠ 正在播放的视频。FlyWire 提供高完整度的果蝇全脑图，但解释行为仍需动力学、调制与学习规则。

同一张邻接矩阵，挂 LIF 还是 HH、有没有多巴胺调制、权重会不会 STDP，仿真出来的尖峰可以完全不同。所以「我们仿真了连接组」这句话，后面必须跟着：用的哪套点神经元、哪些突触动力学、和哪项生理对照。

---

三、SONATA-lite：给仿真器看的中立图纸

最小心智模型：

• Nodes：神经元 id、细胞类型
• Edges：source → target、权重、延迟、突触类型
• Simulator：读图 → 积分 → 输出尖峰

本章用玩具 JSON（不是完整 SONATA 规范）生成随机有向图并画出邻接矩阵。边列表应能唯一决定矩阵。

本 demo 数字： $n=20$ 个节点，Erdős–Rényi 式有向边（无自环），连接概率 $p=0.15$，种子 0。权重均匀抽自 $[0.1,1.0]$，延迟在 $\{1,2,5\}\mathrm{ms}$ 里选。期望边数 $n(n-1)p=20\times 19\times 0.15=57$。邻接约定：行 = 突触后，列 = 突触前，与「电流从 pre 流向 post」一致。

运行 code/demo.py。行 = 突触后，列 = 突触前。密度随 p_connect 变。终端打印边数与密度。

逐步推导：边列表怎样唯一决定邻接矩阵，以及密度的期望（点击展开）

图的稀疏表示是边列表：每条边一个记录 (source_node_id, target_node_id, syn_weight, delay_ms)。稠密表示是矩阵 $W\in {\mathbb{R}}^{n\times n}$。本课约定

$$W_{\mathrm{post},\mathrm{pre}}=\text{该突触权重（无边则为 }0\text{）}.$$

于是仿真一步里，突触后电流可以写成 $I_{\mathrm{syn}}=Ws$，其中 $s$ 是「本步谁开火」的 $0/1$ 向量——和 回路 里 syn += W[:, fired].sum 是同一套乘法。

给定边列表，填 $W$ 的算法是确定的：先清零，再对每条边写一个元素。反过来，从 $W$ 读出所有非零项（记下 $\mathrm{pre},\mathrm{post}$、权重），得到的边多重集合与原列表在「谁连谁、多重多少」上一致（若不允许平行边，则完全一致）。这就是「边列表应能唯一决定矩阵」。

无自环有向 ER：每对有序点 $(i,j)$、$i\ne j$ 独立以概率 $p$ 连边。可能的有序对数 $n(n-1)$，期望边数 $n(n-1)p$，密度定义为

$$\rho =\frac{\mathrm{\#}\{W_{ij}\ne 0\}}{n(n-1)}.$$

$\mathbb{E}[\rho ]=p$。一次随机实现会抖；demo 打印的密度应落在 $0.15$ 附近。把 $p$ 改成 $0.5$，矩阵会从稀疏黄点变成一片亮——那已经不像皮层的稀疏连接，倒像全连接 ANN。

真实连接组不是 ER：有细胞类型块、有距离依赖、有互惠边过多等结构。玩具图只训练你「仿真器吃的是边列表，不是渲染图」。

---

四、项目地图

项目	你该学的方法论	不必一上来做的事
FlyWire	大规模校对、细胞类型、图分析	自己重跑全部 EM
Blue Brain	微电路组装、形态+电生理拟合	复制超算作业
EBRAINS	平台化模型库	把平台当黑盒玩具

和 AI 的交叉：连接组是有向图先验。可以问能否注入 GNN / 结构化 SNN；何时全脑图必要、何时平均场就够。科学计算里的 GNN 处理的是另一类图（分子、网格），问题同构处是「局部边 → 动力学」，对象不同。

下一章：NeuroAI。

五、三条主线检查单

主线	过关
生物	能区分结构连接与功能活动
AI	能说清图先验何时有用、何时平均场就够
模拟	能从边列表重建邻接并解释密度

📥 Code

File	View	Download
demo.py	Open	Download
exercise.py	Open	Download

参考

1. Dorkenwald et al. FlyWire 相关论文与文档。
2. Markram et al. Blue Brain 方法综述。
3. SONATA / NeuroML 规范（作地图图例）。