Googleのショウジョウバエ・コネクトームがDoomを動かす――だがデジタル脳ではない
Googleは、16万6,700個のニューロンを含むショウジョウバエのコネクトームの公開に協力し、プログラマーたちはすぐにこのデータセットをDoomやSuper Mario 64へと接続した。Googleのショウジョウバエ・コネクトームには、脊椎動物の脊髄に相当する役割を担う昆虫の腹側神経索も含まれている。この範囲により、感覚入力、神経経路、運動出力のあいだを結ぶ、きわめて包括的な地図となっている。
ゲームのデモは、Googleが9月3日に発表してから数日以内に登場した。その速さは魅力的な物語を生んだ。科学者が脳を地図化して構造を公開し、エンジニアが即座にその脳でビデオゲームをプレイさせた、というものだ。しかし、「ハエの脳がDoomをプレイする」という表現は、核心的な限界を覆い隠している。
これらのプロジェクトは、機能する生物学的な脳をコンピューター内に配置したものではない。実際の解剖学的な接続性に、近似的な神経ダイナミクス、人工的な感覚入力、開発者が選んだゲーム操作を組み合わせている。その結果は説得力のある実験ではあるが、生きたハエのデジタルな複製ではない。
この区別は、インターネット上の話題性を超えて重要である。完全な神経配線図を研究するコネクトミクスは、静的な解剖学から、行動を生み出せるシミュレーションへと移行しつつある。Doomの実験は、この移行の可能性と、構造と知能のあいだに隠れた膨大なモデリング作業の両方を明らかにしている。
Googleのショウジョウバエ・コネクトームは脳と身体を一体として地図化する
重要な変化は、研究者がもう一つのハエの脳を地図化したことだけではない。完全な雄の脳を、その中枢運動系へと接続した点にある。
Google Research、HHMI Janelia Research Campus、University of Cambridgeなどの共同研究チームが、新しいデータセットを作成した。その完全な配線図には、16万6,000個を超えるニューロンと、約1億2,500万のシナプス接触が含まれる。
コネクトームは、ニューロンとそれらの接続を記録する。回路図に似ているが、生物学的なニューロンは電子回路の配線よりはるかに複雑な仕組みで情報を伝達する。
MaleCNSデータセットは、中枢脳、視葉、腹側神経索にまたがる。この最後の構成要素は、脳とハエの身体の大部分との間で信号を伝える。これが含まれることで、研究者は視覚、聴覚、嗅覚の入力から運動出力へ至る経路を追跡できる。
したがって、このデータセットは脳の一領域や孤立した中枢脳に限定された地図とは異なる。研究者は今や、感覚処理から身体制御へと連続して延びる、一つの解剖学的ネットワークを調べられる。
Googleによれば、この研究は10年にわたる共同研究の成果だ。研究者はまず神経組織を非常に薄い切片に分け、各切片の電子顕微鏡画像を撮影した。その後、機械学習システムが、それらの平面的な画像を三次元の神経構造へ組み立てる作業を支援した。
重要な手法の一つが、flood-filling networksだった。これらの畳み込みニューラルネットワークは画像内の一点から始め、周囲のどのピクセルが同じ生物学的対象に属するかを予測する。
自動再構築によって人間の作業が不要になったわけではない。HHMI Janeliaの専門家が神経形状を確認・修正し、ネットワークを解釈するために必要な注釈を追加した。Googleも、検証とアノテーションには依然として何年にも及ぶ専門家の作業が必要だと認めている。
公開されているMaleCNSプロジェクトページでは、細胞タイプ、接続性検索、可視化、ダウンロード、リリース情報にアクセスできる。タイムラインによれば、MaleCNS v1.0は関連論文が9月3日に公開される前の6月8日に一般公開された。
このタイムラインは、Googleの発表後にゲームのデモがこれほど早く現れた理由の説明にもなる。開発者たちは週末の間に16万6,700個のニューロンを再構築したわけではない。既存の機械可読なグラフへ公開アクセスを得て、その周囲に実験的なインターフェースを構築したのだ。
この地図は、雌のハエに関するデータセットとの新たな比較基準も研究者に与える。科学者は、個体間でどの回路が似たままなのか、またどの構造が性別によって異なるのかを調べられる。
こうした違いは、求愛、攻撃性、感覚処理を含む行動に関わる。しかし、解剖学的な差異だけで、特定の回路がどのように行動を生み出すかが確立されるわけではない。より焦点を絞った実験を実施すべき場所を示すにとどまる。
したがって、Googleのショウジョウバエ・コネクトームは成果であると同時に研究手段でもある。その最大の科学的価値は、生のニューロン数ではなく、検証可能にする問いにある。
Googleのショウジョウバエ・コネクトームがDoomにこれほど早く到達した理由
Doomが即座の試験対象になったのは、科学者が内部のすべての回路を理解する前から、オープンなコネクトームを計算グラフとして扱えるためだ。
ソフトウェアエンジニアのAlex Wormuthは、研究発表後にDOOMFLYを公開した。このプロジェクトは、保持されたMaleCNS v1.0ネットワーク全体に基づくシミュレーションへ、ゲーム画像を入力する。
プロジェクトが公開したDOOMFLYの手法には、16万6,700個のニューロン、2,558万2,938本の有向エッジ、1億2,417万7,617のシナプス接触が記載されている。これらの数値は、シミュレーションで使用される保持済みの計算グラフを表す。
Doomの各ゲームticは、シミュレートされた視覚入力へ画像情報を供給する。このシステムはフレームを、明るさに感度を持つ3,335個の入力と、推定された色入力811個への信号に変換する。
これらの入力は、ハエの眼を完全な生物学的精度で再現するものではない。開発者は視覚座標と色応答を代理値として説明している。シミュレートされた光受容器も、簡略化されたスパイク挙動を用いる。
その後、活動はコネクトーム由来のネットワークを通って伝わる。モデル化された電圧が閾値を超えると、シミュレートされたニューロンが発火する。配線は活動が到達できる場所を制約し、設計された方程式が時間経過に伴う変化を決定する。
選択された下降性ニューロンがゲーム操作になる。モデル化されたDNp20の活動差がプレイヤーを旋回させる。DNpe017の発火率が移動を生み、そのニューロンのスパイクが武器を発射する。
これらの選択により、閉ループが形成される。Doomが画像を供給し、モデルが活動を生み、選ばれたニューロンがゲームを操作し、次の画像がモデルに戻る。
ダメージはさらに別の層を加える。致命傷ではない被弾は、モデル化された2個のPPL101ドーパミン細胞を所定の時間刺激する。プロジェクトはこの介入を、ダメージ回避を促すことを意図した負の強化信号として扱っている。
このため、「訓練されたハエの脳」という表現には注意が必要だ。このシステムには強化の仕組みがあるが、公開インターフェースでは実験の段階によって学習が行われていないとも説明されている。活動の変化を観察しただけでは、学習行動を確立するには不十分である。
研究者が合理的に学習を主張するには、モデルが定義された指標に対して改善を示さなければならない。有用な指標には、生存時間、被ダメージ頻度、ナビゲーション性能、ランダム化した対照ネットワークとの比較結果などが考えられる。
初期の挙動は見出しほど劇的ではない。シミュレートされたコントローラーは壁に突進したり、目的なく旋回したり、敵と反対の方向に発砲したりすることがある。コネクトームはDoomのピクセルを解釈するように進化したものではないため、こうした失敗は驚くべきことではない。
Doomもまた、人間が設計したコンパクトな一連の操作を要求する。ハエの神経系は、翅、脚、頭部、口器にまたがる運動を生み出す。少数のシミュレートされたニューロンを前進、旋回、発砲のコマンドへ変換することは、人工的なインターフェースを課すことになる。
それでもDoomが魅力的である理由は理解できる。1993年のこのゲームはオープンなエンジンコード、低いハードウェア要件、迅速なフィードバック、そして数多くの変わった移植の歴史を備えている。従来とは異なる計算システムを試すための親しみやすい環境を提供する。
ただし、ここでDoomは、ネットワークがプロセッサーであるかのようにコネクトーム上で動作しているわけではない。従来のコンピューターが引き続きゲームと神経シミュレーションを実行する。コネクトームは制御システムの一部にトポロジーを提供している。
この差異が、DOOMFLYを古典的な「Can it run Doom?」プロジェクトと分けている。注目すべき問いは、ハエのニューロンがゲーム命令を実行できるかではない。生物学由来の接続性が、設計されたシミュレーションの下で有用な行動を支えられるかどうかである。
配線は生物学的でも、コントローラーは人工的に設計されている
主な緊張関係は、実在する解剖学的グラフと、そのグラフをソフトウェア内で振る舞わせるために必要な人工的な決定との間にある。
MaleCNSは、どのニューロンが接続し、多くの化学シナプスがどこに存在するかを研究者に示す。一方で、ハエの生涯を通じたすべてのニューロン活動の完全な記録を提供するものではない。
静的なコネクトームには、重要な生物学的変数も欠けている。シナプスごとに強度、時間特性、受容体タイプ、調節作用は異なり得る。内部の化学状態は、同じ配線への応答を変化させる可能性がある。
電気的接続、神経調節物質、ホルモン、身体との相互作用が、この状況をさらに複雑にする。構造上のエッジだけでは、生きた動物が刺激を受けた際に何が起きるかを完全には規定できない。
DOOMFLYは、こうした空白を仮定で埋めなければならない。開発者は、簡略化された電圧ダイナミクス、伝達物質の効果、静止時の挙動、適応ルール、感覚変換を割り当てる。そのような選択はすべて、モデルの出力を変える。
操作へのマッピングも別の解釈層を導入する。DNp20とDNpe017は生物学的に関連性のある下降性ニューロンだが、それらをDoomのアクションへ対応付けることは、あくまで開発者の判断である。これらの活性化は自然に「発射キーを押す」ことを意味するわけではない。
プロジェクト自体も、これらの読み出しを検証済みの自然な命令ではなく、人工的に設計された操作として明確に表示している。アニメーション化された結果は実際以上に生物学的に完全に見えることがあるため、この開示は不可欠だ。
この違いは、道路地図と交通シミュレーションの隔たりに似ている。道路地図は可能な経路を制約するが、車両の速度、目的地、渋滞、運転者の判断までは決定しない。
コネクトームは、はるかに高密度で重大な制約を提供する。それでもシミュレーションには、信号伝達、タイミング、感覚エンコーディング、行動選択を支配するルールが必要である。
Super Mario 64のデモも同じ問題を示している。報道では、この別の実験は開発者Jessica Paquetteによるものとされている。Doomと同様に、このゲームは完全なハエの心が選んだ命令ではなく、モデル化された神経活動から導出されたアクションを受け取る。
Marioの実装に関する公開情報は、詳細なDOOMFLYの文書よりも限られている。したがって、これは実験的なデモとして扱うべきであり、コネクトームが汎用的なゲームプレイ能力を支えることの独立した証明とみなすべきではない。
両方のゲームを動かしたことも、転移学習を実証するものではない。開発者は同じ配線データセットに異なる感覚エンコーダーと行動マッピングを接続できるため、そのデータセットは異なるインターフェースを支えられる。
この柔軟性は探索に役立つ。プログラマーは、コネクトームによって制約された活動が環境ごとにどのように変化するかを試せる。しかし同時に、ゲームスコアの最大化を目的に訓練された人工知能エージェントとの誤解を招く比較も生みかねない。
従来の強化学習エージェントは、報酬目標に対してパラメーターを調整する。その訓練プロセスは、性能向上を直接目指す。一方、コネクトーム・シミュレーションは、生物学的妥当性、回路の解釈、仮説生成を優先する場合がある。
それらの目標は一部でしか重なりません。科学的に興味深いシステムであっても、ゲームをうまくプレイできるとは限りません。逆に、非常に成功したゲームエージェントでも、神経系についてほとんど何も明らかにしない可能性があります。
この点で、バイラルな見せ方は実りあるものになります。ハエ由来のコントローラーがDoomの中をさまよう光景は、解剖学と行動の間に欠けている橋渡しをすべて特定するよう研究者に迫ります。
Googleのショウジョウバエ・コネクトームは生物学的な構造を提供します。ゲームは測定可能な環境を提供します。そして両者の間に置かれたシミュレーションは、次にどの仮説を検証すべきかを明らかにします。
真の科学的検証はゲームプレイではなく予測にある
コネクトームに基づくモデルが科学的価値を持つのは、研究者が実際のハエで検証できる生物学的行動を予測したときです。
ゲームでの成績は即時のフィードバックをもたらしますが、最も強力な検証基準ではありません。Doomは人間のプレイヤー向けに設計された一方、ショウジョウバエは飛行、歩行、摂食、求愛、脅威回避を中心に進化してきました。
より適切な検証では、モデル化した介入が実際の神経変化や行動変化を予測できるかを問います。研究者はシミュレーション上で感覚経路を刺激し、下流の活動を特定したうえで、その予測を実験室での記録と比較できます。
また、対応する生物学的実験を行う前に、計算上でニューロンを抑制することもできます。一致が見られれば、そのモデルが回路について意味のある何かを捉えていることを示唆します。
中枢神経系全体を対象とすることで、こうした機会は広がります。研究者は刺激を脳の先まで追跡し、運動に影響する下行性経路へとたどることができます。以前の脳のみを対象としたマップでは、この完全な経路を表現できませんでした。
科学者はすでにショウジョウバエのコネクトームを用いて、視覚、味覚、ナビゲーション、社会的行動を研究しています。新しいオスのデータセットは、性特異的な回路を調べ、個体間で対応する経路を比較する直接的な機会を加えます。
以前のメスの脳マップには、約14万個のニューロンと5,000万を超えるシナプスが含まれていました。2024年に発表されたこの研究は、完全に接続されたオスの神経系全体ではなく、成体メスの中枢脳を対象にしていました。
これらのリソースを比較することは、より大きな数字を競うことではありません。データセットごとに、含める対象の規則、セグメンテーション手法、接続の定義が異なる場合があります。科学的価値は、カバレッジ、注釈、精度、そして研究課題への適合性に依存します。
オスのコネクトームは身体に結び付いたカバレッジを持つため、感覚運動研究にとりわけ適しています。信号が運動に関連するニューロンへ到達する前に、複数の領域をどのように横断するかを科学者が調べる助けになります。
近年の計算研究も、その方向性を示しています。ある移動研究プロジェクトでは、コネクトーム由来のグラフモデルを用いてシミュレートされたハエの身体を制御しました。この設定は、一人称視点シューティングゲームよりも、動物本来の運動系に近いものです。
こうした身体性を備えたシミュレーションでさえ近似にすぎません。筋肉、関節の力学、感覚フィードバック、環境との接触、内部状態はいずれも運動に影響します。コネクトームだけでは、これらの系を置き換えることはできません。
最も強力な研究プログラムは、複数の証拠形式を結び付けます。解剖学は可能な経路を特定し、神経記録は活動を明らかにし、行動実験は結果を確立します。計算モデルは、それぞれの要素が互いを説明できるかを検証します。
Doomは可視的で再現可能なサンドボックスを提供しますが、その科学的重要性は、そこに結び付けられた実験的問いに依存します。仮説、対照条件、測定可能な比較がなければ、壁への衝突はほとんど意味を持ちません。
研究者はMaleCNSモデルを代替案と比較すべきです。代替案には、シャッフルしたコネクトーム、縮小ネットワーク、ランダムグラフ、あるいは類似の計算予算を持つ通常のニューラルネットワークが考えられます。
本物の配線構造が一貫して異なる、あるいはより生物学的に妥当な行動を生み出すなら、その結果はコネクトーム由来の構造の価値を裏付けます。ランダムグラフが同程度に機能するなら、解剖学的トポロジーがもたらす付加価値は予想より小さい可能性があります。
再現性も重要です。DOOMFLYはコードと手法に関する注記を公開しており、他者が前提を精査し、実験を繰り返せます。独立した追試により、結果が隠れた設定や特定の入力マッピングに依存しているかどうかを明らかにできます。
したがって、このバイラルなデモは有益な課題を生み出しました。開発者はネットワークをゲーム内で動かせますが、その動きがハエについて何かを明らかにするかどうかは、神経科学が判断しなければなりません。
AIはマップ作成を加速したが、心を再現したわけではない
このプロジェクトをAI搭載の脳と呼ぶと、再構築ソフトウェア、解剖学的データ、行動シミュレーションという三つの別個のものを混同する恐れがあります。
Googleは、電子顕微鏡画像から神経形状を再構築する作業を機械学習で支援しました。これらのシステムは、膨大な画像ボリュームにまたがるセグメンテーションというコンピュータービジョンの課題に取り組みました。
研究者には依然として人手による校正と注釈付けが必要でした。自動化システムは、別々のニューロンを誤って結合したり、一つのニューロンを複数の断片に分割したりする可能性があります。小さな再構築エラーでも、推定される接続性を歪めることがあります。
Googleは、この手作業の負担を減らすシステムの開発を続けています。同社の合成ニューロン研究は、再構築モデルの学習向けに人工的な神経形状を生成します。
同社によれば、この手法はPATHFINDER再構築システムの速度と精度を向上させます。しかし、セグメンテーションが高速化しても、神経機能のシミュレーションが自動的により現実的になるわけではありません。
MaleCNSデータセットは、AI支援による再構築の出力です。DOOMFLYはその出力を基盤とする別個のシミュレーションです。モデル化されたニューロンが知能を受け継ぐわけではありません。機械学習がその形状の追跡を支援したというだけです。
この区別は、デジタル脳に関する主張を評価する際に重要です。幾何学的に正確なニューロン再構築は解剖学を記述します。動的なニューロンモデルは活動を推定します。認知モデルには、知覚、記憶、学習、行動を説明することが求められます。
一つの層が次の層を保証することはありません。シミュレーションの生理学的前提が弱ければ、正確な配線であっても不正確な活動を生み得ます。一つの回路で活動を正確に再現できても、動物全体にわたる行動を説明できるとは限りません。
人間との比較は、その限界をより明確にします。Googleは、約860億個のニューロンを持つ人間の脳をマッピングすることは、現在の能力を超えていると指摘しています。規模は障害の一つにすぎません。
人間のコネクトームには、シナプス特性、分子状態、可塑性、発達、身体との相互作用に関する情報も必要です。完璧な構造マップであっても、個人の記憶や意識を自動的に再現するわけではありません。
ショウジョウバエのプロジェクトに価値があるのは、まさにこうした問題をより扱いやすくするからです。研究者は、高度な行動を持ちながら神経系が比較的コンパクトな動物で、ネットワーク全体に関するアイデアを検証できます。
このデータセットは、計算手法を改善する基盤も提供します。エンジニアは、グラフ処理、疎なシミュレーション、可視化、ストレージ、生物学的制約を加えた学習を、大規模に研究できます。
こうした技術的進歩は、ゼブラフィッシュやマウス脳の一部を対象とする、より大規模なプロジェクトを支援できます。Googleはすでに、神経構造と記録された活動を組み合わせるデータセットを含め、脊椎動物のマッピング研究で協力しています。
構造と活動を組み合わせることは、決定的に重要な一歩です。静的なマップは、信号がどこを通り得るかを科学者に示します。記録された活動は、特定の条件下でどの経路が活性化するかを示します。
残る課題はモデル構築者にあります。生物学的な証拠がどこで終わり、設計上の仮定がどこから始まるかを文書化しなければなりません。この区別がなければ、洗練された可視化は探索的なソフトウェアを誇張された主張へと変えてしまう可能性があります。
DOOMFLYは、この問題を多くのバイラルな要約より適切に扱っています。そのドキュメントでは、神経ダイナミクスを近似的なもの、視覚入力を代理指標、制御の読み出しを設計されたものとして説明しています。
この率直さは、プロジェクトの面白さを損ないません。実際の成果を明確にします。すなわち、開発者は今や中枢神経系全体のグラフをダウンロードし、検証可能なソフトウェアループの中に配置できるようになったのです。
デモが有用な科学になるかを示す三つのシグナル
次の段階は、MaleCNSに接続したゲームの数ではなく、測定可能な学習、生物学的検証、独立した再現によって評価されるべきです。
第一のシグナルは、一貫した行動改善です。DOOMFLYには、ベースラインシステムとの比較可能性を保ちながら、学習を通じて変化する事前定義済みの指標が必要です。
生存時間はその一つの指標になり得ます。研究者は、1分当たりのダメージ、移動の多様性、敵の回避、制御された環境での進行度も追跡できます。
結果は、複数のランダムシードと開始条件で示されるべきです。一度だけの成功は、ゲームのランダム性、初期化の選択、あるいは偶然有利な制御マッピングによる可能性があります。
アブレーションテストを行えば、証拠はさらに強まります。開発者は、ドーパミン刺激を取り除く、選択した接続をシャッフルする、あるいはコネクトームを対応するランダムグラフに置き換えることができます。
生物学的に関連する構造を損なった際に学習が消失するなら、そのモデルはより多くの情報をもたらします。どのネットワークも同じように改善するなら、その結果はコネクトームよりも学習ループについて多くを語っています。
第二のシグナルは、生きたハエを用いた実験との一致です。モデル構築者は、神経科学者がイメージング、刺激、遺伝学的介入を通じて検証できる回路予測を選ぶべきです。
有用な結果としては、定義済みの視覚イベントの後にどのニューロンが応答するかを特定することが考えられます。別の結果としては、下行性経路を抑制した場合に運動がどう変化するかを予測することが挙げられます。
研究者が失敗を明確に公表するなら、それも有益な情報であり続けます。欠けているシナプス重み、誤った伝達物質に関する仮定、感覚系の不完全なモデル化を明らかにする可能性があります。
成功しても、デジタルのハエ全体が検証されるわけではありません。特定条件下の特定メカニズムを支持することになります。信頼できる計算神経科学は、このように進歩します。
第三のシグナルは、独立した再現です。他チームが公開グラフを実行し、神経応答を再現し、代替のダイナミクスと比較できるようにすべきです。
共有ベンチマークが役立ちます。同じソフトウェアスタックをすべてのプロジェクトに強いることなく、感覚入力、期待される出力、計算要件、生物学的測定を定義できます。
公開データセットは、そのような協力を可能にします。課題は、真の追試と視覚的に似た別のデモを区別するのに十分な方法論上の詳細を維持することです。
Super Mario 64や将来のゲーム実験も、なお貢献できます。環境が異なれば、ナビゲーション、タイミング、記憶、行動選択に対する負荷も異なります。各環境が明示された仮説に対応しているとき、最も有用になります。
ゲームを増やすだけではシグナルが弱まります。面白い移植版が連なると、基盤モデルを改善しないまま、ますます広範な主張を促すおそれがあります。
開発者、AI研究者、ナレッジワーカーが関心を持つべきなのは、MaleCNSがオープンな科学データで何を可能にできるかを示しているからです。機械可読な研究資産は、論文発表からほぼ即座に公開実験へ移行できます。
そのスピードは、解釈に伴う負担も増やします。このような複雑なプロジェクトを追う人は、論文、コード変更、仮定、矛盾する結果を保存する必要があります。検索可能なナレッジベースは、証拠が変化するなかで、これらの資料を結び付けておくことができます。
Googleのショウジョウバエ・コネクトームは、すでにインフラストラクチャとして成功しています。感覚領域、脳、運動経路にまたがる、詳細かつ利用しやすい解剖学的リソースを提供しています。
行動予測の信頼できるエンジンとなるかどうかは、なお不透明だ。制御された学習曲線、実験室での検証、代替ネットワークとの再現可能な比較に注目したい。
もはや問うべきは、ハエのコネクトームをDoomに接続できるかどうかではない。それは明らかに可能だ。より難しい問いは、その挙動が従来型コントローラーでは得られない何かを私たちに教えてくれるのか、という点にある。
