看似混亂的神經連接，如何支撐穩定的方向感？
https://longing-wishbone-762.notion.site/3947409d3c3f80ca83ccc51e2236358e 2026 年 5 月發布在 bioRxiv 上的預印本 Hidden symmetries in network connectivity support ring attractor dynamics in the fly’s neural compass 引起了我的關注。這篇研究的主題相當有趣：作者以果蠅頭部方向系統，也就是中央複合體（central complex, CX）中的神經羅盤為對象，探討一個長期存在於理論神經科學中的問題——經典環形吸引子網路需要高度對稱、近乎精心設計的連接權重，才能穩定維持連續的頭部方向表徵；但真實生物連接組在電子顯微鏡解析度下看起來卻充滿異質性，遠不像理論模型那樣乾淨。 這個問題在果蠅頭部方向系統(head-direction system)中特別明顯。果蠅中央複合體(central complex, CX)中的神經羅盤可以維持一個活動峰(activity bump)，用來追蹤動物的頭部方向(head direction, HD)。傳統模型通常假設神經元沿著圓環排列，並透過局部興奮(local excitation)與長程抑制(long-range inhibition)形成穩定活動峰；若再加入帶有相位偏移(phase shift)且受角速度(angular velocity)調節的側環(side rings)，活動峰便能隨著動物轉向而移動，進而完成角速度積分(angular velocity integration)。 這類模型在概念上相當漂亮，但問題是它們對連接權重的對稱性要求很高。一旦權重中出現細微噪音，活動峰就可能發生漂移、坍縮，或只穩定在少數離散位置。換句話說，經典連續吸引子模型(continuous attractor model)雖然能清楚展示神經羅盤的計算原理，卻很難直接對應到真實連接組中看起來不規則、異質且帶有許多偏差的突觸連接。 這篇研究的核心發想，就是嘗試調和這兩者。作者先訓練遞迴神經網路(recurrent neural network, RNN)執行角速度積分任務，並比較三種不同限制條件下的網路：第一種是環形限制(ring-constrained)網路，接近傳...
