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。

连接组学与全脑模拟入口 — demo.py 代码详解

Download demo.py

运行方式

cd docs/neuro/connectomics/code
python demo.py

CPU、NumPy。一张图 toy_adjacency.png：20 个节点、连接概率 0.15 的有向随机图，画成突触权重矩阵。数据格式是教学用的 SONATA-lite（节点表 + 边表），不是 Allen/BMTK 的完整 HDF5。终端打印边数和密度。

代码逐段详解

第1步：make_toy_connectome — 为什么用字典列表而不是立刻 W

真实连接组先是「谁连谁 + 突触参数」，矩阵是派生视图。代码先生成边表，再让 adjacency 去填矩阵，对应「文件里存边、仿真时再装配」。

def make_toy_connectome(n=20, p=0.15, seed=0):
    rng = np.random.default_rng(seed)
    edges = []
    for src in range(n):
        for dst in range(n):
            if src == dst:
                continue
            if rng.random() < p:
                edges.append({
                    'source_node_id': int(src),
                    'target_node_id': int(dst),
                    'syn_weight': float(rng.uniform(0.1, 1.0)),
                    'delay_ms': float(rng.choice([1.0, 2.0, 5.0])),
                })

• np.random.default_rng(seed)：独立 Generator，不碰全局 np.random。模块级虽有 seed(0)，边表仍显式传入 seed=0，函数可单独复现。
• 跳过 src == dst：无自环。Erdős–Rényi 有向图常见约定。
• rng.random() < p：均匀 $[0,1)$ 与概率比。每对有序节点独立，期望边数 $n(n-1)p$。
• 边是字典：键名模仿 SONATA 边表（source_node_id / target_node_id）。int(...) / float(...) 避免 NumPy 标量进 JSON 时难序列化（本 demo 没写文件，但格式是为那种心态准备的）。
• rng.uniform(0.1, 1.0)：权重连续。 rng.choice([1,2,5])：延迟只三档，提醒「边不只有权重，还有时延」；本脚本画图没用 delay_ms，它躺在表里。

返回的大字典：

return {
    'format': 'toy-sonata-lite',
    'version': '0.1',
    'nodes': [{'node_id': i, 'node_type': 'LIF'} for i in range(n)],
    'edges': edges,
    'meta': {'n_neurons': n, 'p_connect': p, 'seed': seed},
}

• 列表推导 [{...} for i in range(n)]：每个节点一条记录，类型全标 LIF（玩具，没有点类型多样性）。
• meta：装配矩阵时只信这里的 n_neurons，不靠「节点列表长度」推断，和真实清单里 metadata 分开存的习惯一致。

---

第2步：adjacency — 行是后、列是前

$$W_{\mathrm{post},\mathrm{pre}}=w_{\mathrm{syn}}$$

仿真里电流常常是 $I=Ws$， $s$ 是突触前发放，所以行 = 突触后。

def adjacency(data):
    n = int(data['meta']['n_neurons'])
    W = np.zeros((n, n))
    for e in data['edges']:
        W[e['target_node_id'], e['source_node_id']] = e['syn_weight']
    return W

• 先开全零再填：没连上的就是 0，稀疏图大部分格子空。
• 下标顺序 [target, source]：若写成 [source, target]，热图的横纵标签会和正文「行=后、列=前」对不上，回路章 W[post, pre] 也不一致。
• 多条边连同一对（本生成器不会）会被后者覆盖；玩具 ER 图每对最多一条。

---

第3步：密度 — 分母是 $n(n-1)$ 不是 $n^2$

print('边数', len(data['edges']),
      '密度', np.count_nonzero(W) / (W.shape[0] * (W.shape[0] - 1)))

• len(data['edges'])：边表长度。应等于 np.count_nonzero(W)（无重复边、无零权重；权重下限 0.1）。
• count_nonzero：非零条目数。
• 分母 $n(n-1)$：合法有向位置，不含对角。若除以 $n^2$，密度会被自环那 $n$ 个永远为 0 的格子拉低，和生成时的 $p$ 对不齐。期望密度 ≈ p_connect=0.15。

---

第4步：热图

im = ax.imshow(W, cmap='viridis', vmin=0)
ax.set_xlabel('突触前')
ax.set_ylabel('突触后')
fig.colorbar(im, ax=ax, fraction=0.046, label='权重')

• imshow：矩阵第 0 行画在上面（图像坐标）。神经元 0 在顶/左。
• vmin=0：颜色从 0 起，空连接是深色底，有边才亮。不设的话 matplotlib 会按数据最小最大值自动拉伸。
• colorbar(..., fraction=0.046)：色条宽度相对主轴的比例，避免色条比图还宽。

没有图布局（networkx），故意只给矩阵：连接组学第一眼是「矩阵有多密、块结构有没有」，不是力导向乱线。

双层 for src / for dst 对 $n=20$ 只需 400 次随机数，不必向量化。若写成 rng.random((n,n)) < p 再填边，对角还得手动清零，字典边表也不如循环里 append 直观。node_type: 'LIF' 全员相同：玩具图不区分兴奋/抑制；回路章的 E–I 是另一套 W，不要把两章的矩阵当成同一对象。

main 里 make_toy_connectome() 用默认 n=20, p=0.15, seed=0。改 p 应看到亮格子比例跟着变；改 seed 图案变、密度仍约 0.15。色条 label='权重' 对应 syn_weight，不是 delay。延时若要可视化，需要另一张直方图，本章不做。

figsize=(5.2, 4.6) 接近方形，矩阵才不像被拉扁。没有 set_aspect 也行，因为 imshow 默认格子是方的。终端先打印边数和密度，再存图：若密度离谱（比如写成了 $n^2$ 分母），不用等看图就能发现。

列表 'nodes' 目前只服务于格式完整；adjacency 不读它，只读 meta['n_neurons'] 和 edges。删掉节点表图仍能画——这提醒「装配矩阵的最低输入是边 + n」。

---

关键概念速查表

概念	直觉	代码
SONATA-lite	节点表 + 边表	make_toy_connectome 返回字典
ER 有向图	每对独立以 $p$ 连	rng.random() < p
无自环	跳过 src==dst	双层 for
W[post, pre]	行=后、列=前	adjacency
密度	边 / $n(n-1)$	count_nonzero
default_rng	独立可复现	seed=0
imshow	邻接热图	vmin=0
delay_ms	边属性示例	本图未使用

源码位置

clone 后打开（相对仓库根目录）：

docs/neuro/connectomics/code/demo.py