AI 讀腦:從果蠅大腦連結圖看見神經的祕密

想像你站在一張巨大的地圖前。這張地圖不是城市的街道,而是一個腦的完整連結圖。線條縱橫交錯,節點密密麻麻,複雜到令人頭暈目眩。這不是科幻小說裡的場景,而是科學家在 2023 年繪製出的成果:果蠅成蟲腦的完整連結圖,包含十三萬個神經元和五千萬個突觸。

問題是,我們該怎麼解讀這樣龐大的圖?如果每個神經元是一個站點,每條連結是一條路,那麼僅僅知道「誰和誰相連」,能不能猜出這個神經元負責什麼功能?

早在更小的神經系統裡,答案就已經初露端倪。科學家曾發現,在果蠅的視覺系統中,某些特殊的連線方式能預測出神經元如何感知邊緣與形狀。但當地圖擴展到整個大腦,人類的眼睛再也無法捕捉其中的規律。這時候,人工智慧成了唯一的讀圖者。

研究者選擇了一種名為圖神經網路(Graph Neural Network, GNN)的 AI。這種演算法特別擅長處理「點與線」的資料,就像社交網路或交通網一樣。於是他們把果蠅的腦轉換成一個龐大的圖,每個神經元都是節點,每個突觸都是線,並附上少得不能再少的資訊:神經元的大小。然後,他們讓 AI 嘗試從這張圖裡,推測出九種神經元的功能類別。

困難重重。連結圖龐大到近乎爆炸,細節少得令人沮喪,而且神經元的類別分布極不平均,視覺神經元多到滿出來,內分泌神經元卻少得可憐。但 AI 在這樣的環境裡,竟然仍然學會了讀懂大腦的線索。

最驚人的結果出現在研究者加上「細胞大小」這個看似不起眼的資訊之後。光憑這一點,模型的準確率就從六成提升到將近八成。這意味著,大腦的功能痕跡,其實隱藏在最基本的結構與尺寸之中。進一步,他們利用資料平衡的方法,為少數的神經元類別「補足」更多虛擬樣本,並設計新的訓練方式,讓 AI 更有信心地做出判斷。最後的模型能比最初的版本多讀出七成五的訊息,尤其在那些稀少卻重要的神經元類別上,效果最為顯著。

這項研究並不僅僅是技術上的勝利。它揭示了一個深刻的可能性:大腦的結構圖本身,就已經蘊含了功能的密碼。或許未來我們不需要耗費大量資源去蒐集每個細節,而是能透過簡單的特徵,從連結圖中讀出大腦的祕密。當這樣的方法被推廣到小鼠、斑馬魚,甚至人類,我們也許會更接近那個古老而困難的問題:大腦的結構,如何塑造了思想與行為?


撰文:廖晨絜


reference:
Altiparmak, Berke (2025). Predicting Neuron Function from Fly Connectome Structure and Soma Size with Graph Neural Networks. Harvard University.

留言