Представительная геометрия как метрическая мера достоверности для сетей, ограниченных коннектомом: доказательства из зрительной системы Drosophila
Representational geometry as a fidelity metric for connectome-constrained networks: evidence from the Drosophila visual system
Карточка статьи
- Рубрика
- Биология
- Источник
- bioRxiv
- DOI
- 10.64898/2026.06.10.731214
- Дата
- 30.06.2026
- Автор
- Zhou, M. G., Hasler, J. O.
- Время чтения
- 3 мин
Это предварительная публикация, она не прошла научное рецензирование.

Аннотация
Какое значение имеет биологическая проводка для нейронных вычислений? Поведенческие эксперименты могут проверить правильность выводов модели, но они не могут определить, являются ли ее внутренние представления биологически верными. Брунтон и др. (2026) сделали это конкретным: коннектом червя C. elegans, обученный с помощью глубокого обучения с подкреплением, генерирует реалистичную походку мухи Drosophila, однако модель не имеет биологического смысла, так как достоверность поведения может быть достигнута без биологической достоверности. Нам нужен метрический показатель на уровне популяции, который отличал бы настоящую биологическую проводку от произвольной, не требуя поведенческого декодера. Мы предлагаем представительную геометрию как такой метрический показатель. Представительная геометрия — это структура парных расстояний между ответами популяции на различные стимулы — отражает, как нейронная цепь организует свое представительное пространство независимо от того, какое поведение она вызывает. Мы применяем анализ представительной схожести (RSA) и центрированное выравнивание ядер (CKA) к ансамблю зрительной системы Drosophila melanogaster Flyvis (Лаппалаинен и др. (2024)): 50 сетей, архитектура которых фиксирована на коннектоме Flyvis (восстановленном на основе частичных источников электронной микроскопии), в сравнении с ограниченными по стабильности случайными базelines (перетасовка весов, сохраняющая знак, выборка отклонений для динамической стабильности, n = 50). Сети, ограниченные коннектомом, создают гладкую круговую геометрию направления, которую случайные сети не могут воспроизвести: RSA Спирмен r = 0.686 (p < 0.0001) для стимулов на границе ON и r = 0.846 (p < 0.0001) для стимулов ON+OFF границы, что подтверждается CKA (p < 0.05 в обоих экспериментах). Геометрия также отслеживает биологическую настройку направления T4/T5, зарегистрированную у живых мух (Майсак и др. 2013): геометрия, ограниченная коннектомом, значительно лучше соответствует биологии, чем случайная геометрия (r = 0.930 против r = 0.603, разрыв {triangleup}r = 0.327, p < 0.0001). В пределах каждой полярности стимула путь ON кодирует направление с более сильным геометрическим разделением, чем путь OFF ({triangleup}r = 0.138, 95% CI [0.091, 0.236]); мы сообщаем об этом как о свойстве представлений ансамблей модели, а не как об установленной биологической разнице: Майсак и др. (2013) находят T4 и T5 функционально эквивалентными, кроме полярности контраста. Чтобы устранить смещение в обучении, мы сравнили незатренированные сети с перетасованными базелинами: предшествующий коннектом формирует геометрию направления на уровне ансамбля до любой тренировки задачи (r = 0.260, p = 0.041 и r = 0.215, p = 0.048; оба предельные, не откорректированные), что предполагает, что проводка кодирует геометрический предшественник, который обучение усиливает. Эти результаты устанавливают представительную геометрию как кандидата на метрическую меру достоверности, которая позволяет различать биологическую и произвольную проводку, используя только ответы популяции на структурированный набор стимулов, и указывает на практический путь к метрическим мерам достоверности для эмуляций на уровне коннектома, приближающихся к коре млекопитающих.
Краткое резюме
Исследование рассматривает, как проводка в мозге влияет на нейронные вычисления, предлагая представительную геометрию в качестве нового способа измерения биологической достоверности нейронных моделей. Авторы показывают, что коннектом, ограниченный в своих сетях, может лучше воспроизводить сложные биологические результаты, чем случайные структуры.
Практический вывод
Представительная геометрия может стать полезным инструментом для оценки биологической достоверности нейронных сетей, что поможет в разработке более точных нейронных моделей, основанных на реальных биологических данных.
Ограничения
Это предварительная публикация, она не прошла научное рецензирование. В исследовании не учитывались возможные вариации в поведении на уровне отдельных нейронов, и сравнения проводились только на выбранных моделях. Это может ограничить обобщаемость полученных результатов на другие виды или системы.

