ЯдроКодаподготовка к экзаменам
Подготавливаем текст, источники и редакционные примечания без изменения разметки страницы.
Автор: Казачкин Даниил Михайлович · Обновлено
Как карты FlyWire и MaleCNS связаны с моделями мозга и виртуальным телом мухи: результаты работ 2024–2026 годов, ограничения демонстраций и проверяемый пример на Python.
«Оцифрованная муха» — удобное название для нескольких разных направлений исследований. Одни команды восстанавливают связи между нейронами, другие рассчитывают активность такой сети, третьи соединяют её с виртуальным телом. Научный смысл результата зависит от того, какой именно этап выполнен и с какими наблюдениями его сравнили.
Этот авторский обзор разбирает состояние исследований на 15 сентября 2026 года. Он опирается на рецензируемые публикации, отдельно обозначенный препринт и техническое описание демонстрации Eon. Собственных экспериментов с настоящим коннектомом мы здесь не проводим: ниже есть только небольшой учебный пример на искусственной сети.
| Уровень | Что представляет собой результат | Главный вопрос проверки |
|---|---|---|
| Коннектом | Граф нейронов и обнаруженных синаптических контактов | Насколько точно восстановлена структура? |
| Модель активности | Правила изменения состояния клеток и передачи сигналов по графу | Предсказывает ли модель реальные нейронные ответы? |
| Модель поведения | Нейронная система, сенсоры, контроллеры и механика виртуального тела | Совпадают ли поведение и причинные механизмы с биологическими? |
Эта таблица — редакционная схема чтения работ. Например, полная анатомическая карта может быть очень качественной, а параметры динамики построенной по ней модели — ещё неопределёнными. При сравнении проектов полезно записывать отдельно, какие данные измерены, какие параметры подобраны и какие блоки управления разработаны инженерами.
В работе FlyWire, опубликованной в Nature 2 октября 2024 года, реконструирован мозг одной взрослой самки *Drosophila melanogaster*: 139 255 нейронов и 54,5 млн химических синапсов между реконструированными нейронами. Изображения электронной микроскопии обработали вычислительными методами и проверили вручную. Число синапсов отличается от числа связанных пар нейронов: между двумя клетками может быть несколько контактов. Это структурная карта; временная последовательность работы мозга в ней не записана. Брюшная нервная цепочка целиком в этот набор не входит. Полнота охвата мозга также не означает отсутствия ошибок в отдельных тонких отростках и соединениях. Dorkenwald et al., Nature, 2024.
Сентябрьская новость 2026 года относится к MaleCNS, карте центральной нервной системы взрослого самца. Она охватывает головной мозг и брюшную нервную цепочку; Google Research сообщает о более чем 166 тысячах нейронов и примерно 125 млн синапсов. Работа Berg и соавторов вышла 3 сентября 2026 года в Cell и посвящена в том числе сравнению коннектомов мозга самца и самки. Эти числа нельзя напрямую трактовать как рост «точности цифровой мухи»: сравниваются разные образцы и объёмы нервной ткани. Статья Cell, описание участников проекта.
Есть и существенная деталь хронологии. По официальному сайту MaleCNS, версия данных v0.9 была выпущена 3 октября 2025 года, а v1.0 — 8 июня 2026 года. Сентябрьская публикация не была первым появлением данных в открытом доступе. История выпусков MaleCNS.
Вторая работа Nature 2024 года, Shiu и соавторов, использовала FlyWire v630 и 127 400 нейронов. Поэтому её размер отличается от анатомической публикации на v783. Авторы построили упрощённую импульсную модель leaky integrate-and-fire: клетка накапливает вход, теряет часть возбуждения со временем и выдаёт импульс при достижении порога. Известная структура ограничивает модель, но не задаёт автоматически все её численные параметры. Shiu et al., Nature, 2024.
Предсказания о цепях начала питания и чистки антенн сопоставляли с экспериментальными вмешательствами и наблюдениями. В статье приведено 91% согласования для 164 проверенных предсказаний. Это не «воспроизведено 91% жизни мухи»: состав проверок влияет на итог. После исключения блока с преобладанием отрицательных результатов авторы получили 84%. Модель имеет ограничения, включая отсутствие подробной морфологии клеток, электрических контактов и ряда механизмов внутреннего состояния. Механика полного тела не является результатом этой работы. Проверка и ограничения модели.
Нейронная активность сама по себе ещё не определяет положение лапок. Нужна модель суставов, контакта с поверхностью, сенсорных сигналов и управления движениями. NeuroMechFly v2, опубликованная в Nature Methods в ноябре 2024 года, предоставляет такую исследовательскую среду. В неё включены зрение, обоняние, обратная связь от движений и работа со сложным рельефом. Авторы показывают разные контроллеры и примеры навигации; наличие виртуального тела не заменяет проверку подключённой нейронной модели. Wang-Chen et al., NeuroMechFly v2.
В техническом пояснении Eon от 10 марта 2026 года описана интеграция ранее опубликованных компонентов: модели мозга, NeuroMechFly и физического движка MuJoCo. Демонстрация замыкает цикл «сенсорный сигнал → активность сети → движение → новый сенсорный сигнал». В ней показаны движение к пищевому сигналу, чистка и питание. Это официальный отчёт компании о демонстрации, а не отдельная рецензируемая статья. Как устроена демонстрация Eon.
По собственному описанию Eon, движения исполняют контроллеры, обученные воспроизводить поведение мухи. Для связи мозга с телом используется небольшое число выходов; многие соответствия между активностью и командами заданы вручную. Полная биологическая моторная иерархия не восстановлена. Механизмы обучения, пластичность и внутренние состояния самой нейронной модели в основном отсутствуют; зрительная активность почти не влияет на показанное поведение. Компания также отмечает, что внутренние динамические режимы модели ещё не прошли соответствующую биологическую проверку. Термин *upload* здесь выражает трактовку авторов демонстрации, а не общепринятый критерий точности. Ограничения, указанные Eon.
В препринте The digital sphinx, опубликованном 24 марта 2026 года, Brunton и соавторы проверяют методологическую проблему: можно ли получить правдоподобную ходьбу, заведомо нарушив биологическое соответствие мозга и тела? Они соединили сеть на основе коннектома червя *C. elegans* из 302 нейронов с виртуальным телом мухи. Сенсорный вход передавался через случайную проекцию, а моторный декодер обучали воспроизводить ходьбу. Получилась узнаваемая походка при биологически неправдоподобной конструкции. Препринт, версия 1.
Это контрпример к выводу «правдоподобно движется — значит, правильно восстановлен мозг». Он не доказывает бесполезность коннектомов и не является полным воспроизведением реализации Eon. Из него следует более узкое требование: оценивать вклад нейронной модели отдельно от возможностей обученного контроллера. На указанную дату рассматриваемый источник имеет статус препринта; его следует отличать от рецензируемых работ выше.
Почему недостаточно перенести список соединений в программу? Рассмотрим искусственную цепочку из трёх элементов: 0 → 1 → 2. Зафиксируем её структуру, порог срабатывания и правило затухания. Изменять будем только силу передачи сигнала.
Следующий код — собственная дискретная учебная модель с безразмерными величинами. Здесь нет данных дрозофилы, полноценной биофизики или рефрактерного периода. Сигнал передаётся на следующем условном шаге; реальные временные масштабы и отдельные биологические задержки не моделируются. Он иллюстрирует лишь различие между топологией сети и её динамикой.
def step(voltage, previous_spikes, edges, stimulus):
drive = [0.9 * v + x for v, x in zip(voltage, stimulus)]
for source, target, weight in edges:
drive[target] += weight * previous_spikes[source]
spikes = [int(value >= 1.0) for value in drive]
voltage = [0.0 if spike else value
for value, spike in zip(drive, spikes)]
return voltage, spikes
def response(weight):
edges = [(0, 1, weight), (1, 2, weight)]
voltage, spikes = [0.0, 0.0, 0.0], [0, 0, 0]
history = []
for tick in range(3):
stimulus = [1.0, 0.0, 0.0] if tick == 0 else [0.0, 0.0, 0.0]
voltage, spikes = step(voltage, spikes, edges, stimulus)
history.append(spikes)
return history
print(response(1.1))
print(response(0.4))Результат:
[[1, 0, 0], [0, 1, 0], [0, 0, 1]]
[[1, 0, 0], [0, 0, 0], [0, 0, 0]]Обе сети имеют одинаковые вершины и рёбра. В первом случае импульс доходит до конца цепочки, во втором передача останавливается. Это вычислительная иллюстрация, а не экспериментальное утверждение о мухе. Реальная задача сложнее: нужно оценивать неопределённость параметров и проверять, насколько выводы устойчивы к её изменению.
Для хранения большой сети разработчику полезно мыслить списками рёбер: идентификатор источника, идентификатор получателя, атрибуты соединения. Плотная квадратная матрица резервирует место и для отсутствующих связей. При разреженном графе список рёбер позволяет обрабатывать только существующие связи, хотя скорость конкретной симуляции зависит также от алгоритма, оборудования и модели клетки. Начать можно с уроков о списках и матрицах в Python.
Ниже — редакционный план оценки модели, а не описание проведённого нами исследования.
Последний пункт особенно полезен при чтении громких процентов. Утверждение о качестве должно уточнять, что считается правильным ответом, как составлена проверочная выборка и с каким простым решением сравнивают модель. Эту логику разбирает урок о дисбалансе классов и метриках.
Открытые карты связей дают исследователям конкретные структуры для формулирования гипотез. Вычислительные модели позволяют получать предсказания, которые затем можно проверять вмешательствами и наблюдениями. Виртуальные тела добавляют среду и обратную связь, расширяя набор доступных проверок.
Редакционный вывод из рассмотренных работ: точность такой системы нужно описывать по уровням — структура, активность, взаимодействие с телом и поведение. Чем точнее указана область, в которой модель подтверждена, тем полезнее она для дальнейших исследований. Ни одна из разобранных демонстраций сама по себе не устанавливает наличие субъективного опыта или перенос индивидуальных воспоминаний животного. Для подобных утверждений понадобились бы отдельно определённые критерии и независимые свидетельства.
Авторский русскоязычный обзор первичных исследований. Измеренные результаты, ограничения моделей и редакционные рассуждения разделены. Текст не является переводом или перепечаткой; учебный пример создан для статьи и не использует данные коннектома.
Таблица и программный пример созданы для этой статьи. Иллюстрации, таблицы и код из первоисточников не воспроизводятся.