💬 NLP

Neural Circuit Function Inference with LLMs

本文介绍了 LLantia，这是一种利用大语言模型来蒸馏基于文献的细胞类型功能，并将其与连接组数据相结合，从而系统地推断并层次化构建神经回路及其组成细胞类型功能的自动化方法，该方法已在成年果蝇大脑中得到了演示与验证。

原作者： Yijie Yin (Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK, MRC Laboratory of Molecular Biology, Cambridge, UK), Albert Cardona (MRC Laboratory of Molecu

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yijie Yin (Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK, MRC Laboratory of Molecular Biology, Cambridge, UK), Albert Cardona (MRC Laboratory of Molecular Biology, Cambridge, UK, Department of Physiology, Development and Neuroscience, University of Cambridge, Cambridge, UK)

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，仅仅通过观察一张包含每一条街道、小巷和人行道的地图，试图理解一座城市是如何运作的。你知道道路在哪里连接，但你完全不知道交叉路口发生了什么。那个红绿灯是为了学校区域设置的吗？那条小巷是送货卡车的捷径还是死胡同？这就是目前神经科学的状态。科学家们终于完成了对微型大脑（如黑腹果蝇大脑）“布线图”的绘制，展示了哪些神经元与哪些神经元接触。但了解连接仅仅是成功了一半；真正的谜团在于弄清楚这些连接究竟在“做什么”。一个特定的电线缠结是如何将醋的味道转化为“飞向它”的决策的？

为了解决这个问题，研究人员正在使用一种新型的数字侦探：大语言模型（LLMs）。可以将它们想象成超级聪明的 AI 阅读者，它们几乎吞噬了所有已发表的科学论文。它们擅长发现文本中的模式，但通常无法观察布线图。大问题在于：我们能否教会一个 AI 同时观察连接图和阅读关于这些部分功能的“历史书”，然后利用这些知识来推测那些尚未被研究的部分的功能？如果我们能做到这一点，我们就能瞬间理解复杂的电路如何工作，而无需为每一个神经元进行成千上快速、昂贵的实验。

AI 侦探：LLantia

见见 LLantia（LLM 自动化神经回路推理与分析），这是由研究人员 Yijie Yin 和 Albert Cardona 开发的一种新型数字工具。他们的目标是构建一个系统，能够获取成年黑腹果蝇大脑的大规模、完整的布线图，并自动确定每种神经元类型的功能，即使此前从未有科学家针对该特定神经元撰写过论文。

问题所在：丢失页码的图书馆
果蝇大脑约有 14 万个神经元，但当按其形状和连接进行分组时，它们形成了约 9,000 种截然不同的“细胞类型”。科学家已经研究了一些这些类型，但相关信息就像散落在不同盒子里的拼图碎片一样。有些论文说某种神经元有助于嗅觉；有些则说它有助于运动。与此同时，布线图显示这些神经元是高度密集连接的——就像一个拥挤的地铁站，80% 的站点在仅 5 站之内就有连接。试图手动计算结合所有这些信号会发生什么，对于人类来说是不可能快速完成的任务。

解决方案：两步走的魔术
LLantia 的工作分为两个主要阶段，扮演着一个既是极其严谨的图书管理员又是天才侦探的角色。

第一步：图书管理员（寻找线索）
首先，系统会在科学文献中进行一场搜寻游戏。它从几篇“种子”论文开始，利用引用图谱（即哪些论文引用了哪些论文的地图）来寻找所有相关的研究。它下载文本并使用 AI 来提取提到的神经元具体功能。

挑战： 科学家经常对同一个神经元使用不同的名称（比如把“狗”称为“犬类”或“小狗”）。AI 必须足够聪明，能够意识到 “MBON-α'1” 和 “MBON15” 是故事中的同一个角色。
结果： 系统成功地从数千篇论文中提炼出了 411 种独特细胞类型的特征，将冗长复杂的句子转化成了简短清晰的摘要。

第二步：侦探（破解谜团）
接下来，系统会获取布线图和它刚刚阅读的摘要。它会创建一个自定义的“提示词”（详细指令）给一个强大的 AI 模型。这个提示词会说：“这是一个特定的神经元。这是它与之通信的对象。这些邻居的功能是已知的。基于此，这个神经元的工作是什么？”

逻辑： 如果一个神经元接收来自“嗅觉探测器”的信号，并向“飞行控制器”发送信号，那么 AI 就会推断出这个神经元很可能是一个“嗅觉转飞行”的转换器。
输出： AI 不仅仅是给出一个简单的猜测，它还会生成一份结构化的报告。它会建议该神经元的功能、它可能控制的具体行为（例如“饥饿时寻找食物”），甚至列出支持这一想法的具体连接。它将这些猜测组织成一个层级结构，展示了小电路是如何构成大电路的。

它奏效了吗？证据
研究人员不仅是希望它奏效，还对其进行了严格测试。

“未来”测试： 他们将结果与在 AI 训练之后发表的一篇全新科学论文进行了对比。AI 正确地推断出一种特定的神经元（LoVPN）充当“视觉显著性检测器”，即只有当其他感官（如嗅觉）处于安静状态时才会起作用。这与新论文的发现完美契合，证明了 AI 不仅仅是在记忆旧事实，而是在真正对电路进行推理。
“记忆”测试： 为了确保 AI 不是在单纯回忆训练数据中的答案，研究人员隐藏了神经元的名称并移除了已知的描述功能。当名称消失后，AI 的猜测变得模糊且泛泛。这证明了 AI 确实是在利用“布线图”和“其他神经元的上下文”来得出答案，而不是仅仅回忆事实。
“人类”测试： 当他们将 AI 生成的摘要与人类专家撰写的摘要进行比较时，尽管措辞不同，但计算机生成的描述在含义上却惊人地相似。

它的发现
利用这种方法，团队为黑腹果蝇大脑中的所有 9,000 种细胞类型生成了功能假设。他们还绘制出了六个主要的“回路”（例如从嗅觉传感器到导航中心的路径）。AI 发现了共同的主题，例如：

相互抑制（Cross-inhibition）： 当需要执行另一种更紧急的行为（如逃避捕食者）时，会停止当前行为（如唱情歌）的神经元。
“与”门（AND Gates）： 只有在满足多个条件时才会激活的神经元（例如：“我饿了” AND “我闻到了食物” AND “我没有在交配”）。

核心结论
LLantia 并不是要取代科学家；它是为科学家提供了一个巨大的领先优势。它将一座由不相连数据构成的山峰转化为一张结构化、可搜索的“功能图谱”。通过自动化连接“神经元布线”与其“职责”之间的过程，它让研究人员能够跳过猜测阶段，直接进入设计实验来验证这些新想法的阶段。作者指出，随着我们绘制的地图变得更加完善，这种方法可以扩展到更大规模的大脑，将神经系统的压倒性复杂性转化为一个可解的谜题。

技术摘要：利用大语言模型进行神经环路功能推断 (LLantia)

问题陈述

连接组制图（特别是黑腹果蝇 Drosophila melanogaster）的快速加速，已将主要挑战从数据获取转向了神经环路功能的解释。虽然果蝇的连接组包含约 140,000 个神经元，但基于形态学和突触连接性，这些神经元可以简化为约 9,000 种独特的细胞类型。然而，连接性的密度极高——约 80% 的细胞类型在五跳（hops）之内存在突触连接——这造成了潜在输入-输出路径的组合爆炸。这种复杂性，结合仅覆盖极少数细胞类型的稀疏且分散的文献，阻碍了可测试模型和实验的制定。现有的文献聚合方法严重依赖于人工策展或缺乏开放 API 的商业工具，使得大规模系统性地整合已知功能数据与结构连接组数据变得困难。

方法论：LLantia 框架

作者介绍了 LLantia（LLM 自动化神经环路推断与分析），这是一个旨在通过结合连接组结构与文献衍生的功能描述，来推断神经细胞类型及其组成环路功能的自动化流水线。该框架通过三个主要阶段运行：

1. 自动化文献挖掘与功能提炼

引用图谱遍历： 从 114 篇精选的“种子”论文开始，系统利用 Semantic Scholar API 遍历引用图谱（向上游和下游 2 跳）。
相关性过滤： 一个小型 LLM (Qwen3.5-4B) 根据标题和摘要，在初始关键词过滤的基础上，筛选出与果蝇神经功能相关的论文。
提取与归一化： 获取全文 PDF（通过 Semantic Scholar, Unpaywall, OpenAlex），并由大型 LLM (Qwen3.6-35B) 处理，以提取细胞类型名称及其功能。
名称匹配： 将提取的名称通过同义词列表和部分字符串匹配，映射到连接组标识符上。
总结： 对于在多篇论文中出现的细胞类型，LLM 会将发现结果整合为简洁的描述（最多 30 个单词），以符合后续提示词的约束。

2. 单细胞类型功能推断

为了推断目标细胞类型的功能，系统构建了一个包含以下内容的结构化提示词：

连接组数据： 预计算的来自感觉神经元和已知功能细胞到查询细胞的符号有效连接性（兴奋性/抑制性），以及从查询细胞到已知细胞的连接性。
局部上下文： 直接的前突触和后突触伙伴及其连接权重。
功能知识： 参与查询细胞多突触路径的所有“已知”细胞类型的提炼功能描述汇编。
约束： 明确排除查询细胞类型的已知功能，以防止数据泄露并测试推断能力。
输出： LLM (Qwen3.6-35B) 生成一个结构化的 JSON 响应，详细说明行为背景、电路逻辑、一致性评估、推断的计算过程、关键支持连接以及中间计算过程。

3. 分层环路功能推断

对于更广泛的环路，该流水线采用多步分层提示策略：

路径寻找： “连接组解释器”（Connectome Interpreter）识别所有定义好的源细胞类型与目标细胞类型之间的多突触路径。
分层表示： 将环路转换为分层图（基于信息流），以减少 Token 冗余，按其与源端的突触距离列出细胞类型。
迭代合成：
1. 成对（Pairwise）： 推断特定输入-输出对的功能。
2. 聚合（Aggregation）： 合成所有汇聚于目标或发散自源端的路径的功能。
3. 全局合成（Global Synthesis）： 结合这些摘要，在多种行为和生理背景下（例如饥饿、交配状态）定义整个环路的功能。

关键结果与验证

文献提取准确性

自动化的细胞类型功能提取通过手动策展的数据集进行了验证。嵌入相似度分析（使用 Qwen3-Embedding-8B）显示，由自动化流水线生成的同一细胞类型的描述，与人类策展描述的相似度显著高于与其他细胞类型描述的相似度（Wilcoxon $p < 1.51 \times 10^{-35}$ ）。

推断验证

定量分析： 对于具有已知功能的 488 种细胞类型，LLM 推断的描述（在提示词中排除了已知功能）比其他细胞类型的描述更接近文献衍生的地面真值（ground truth）（ $p < 1.30 \times 10^{-33}$ ）。
记忆 vs. 分析控制：
- 当从提示词中移除已知功能描述时，性能下降，表明模型依赖于提供的上下文而非仅仅依靠记忆细胞类型名称。
- 当细胞类型名称被替换为虚拟名称（但保留了伙伴的连接性和功能描述）时，模型保持了高性能，证明其推断是由结构和功能分析驱动，而非基于名称的检索。
前瞻性验证： 该方法被用于推断 LoVPN 细胞类型 (LTe72) 的功能，使用的是 Qwen3.6（发布于 2026 年 4 月）。该分析是在 Coban, Harris 等人的论文（2026 年 6 月）发表之前进行的。LLM 预测其为一个“受其他感觉模态（嗅觉、热感）门控的上下文相关视觉显著性检测器”，这与随后关于 LHPV6m 介导的门控机制的实验发现完全吻合。

环路分析应用

该框架被应用于果蝇脑中的六个广泛环路（例如，侧角到中央复合体，MBONs 到降神经元）。系统生成了分层描述，识别出：

上下文相关逻辑： 在特定状态下（如饥饿 vs. 饱食）运作不同的电路。
交叉抑制： 特定细胞类型（如 LPLC2）抑制其他类型（如 pMP2）以强制执行行为排他性的机制。
“与”门（AND Gates）： 触发特定运动输出所需的多个同时满足的条件（例如，食物气味存在 + 缺乏求偶优先级）。

意义与主张

本文声称 LLantia 提供了一种可扩展、自动化的方法，用以弥合连接组结构与功能理解之间的鸿沟。其主要贡献包括：

系统性推断： 它超越了手动策展，实现了对果蝇连接组中所有约 9,000 种细胞类型的系统性功能推断。
回溯与透明度： 分层、结构化的输出允许研究人员将电路级的假设追溯到特定的子电路、突触连接以及原始文献，从而促进实验验证。
上下文细微差别： 通过显式建模行为和生理背景，该方法能够推断电路在特定条件下的运作方式，解决了静态连接图的局限性。
开放科学： 作者发布了软件套件（LLantia）、连接组解释器以及所有生成的数据（包括针对 FAFB/FlyWire 连接组的假设）作为开源资源，使社区能够将这些方法应用于其他连接组。

作者保持了审慎的态度，承认该框架取决于至少部分组件细胞类型已有先验文献的存在，并且其自由文本形式的输出需要进一步由人类专家或自动功能一致性检查进行系统性验证。然而，他们证明了在由包含连接性和提炼功能知识的结构化提示词引导下，现代开源大语言模型可以有效地进行神经环路的推断。