就像科学界的许多好主意一样，它始于一次森林漫步。

2019 年，在柏林植物园散步时，霍华德休斯医学研究所珍莉莉亚研究园区小组负责人 Jan Funke 和他的一些科学同事开始谈论一个熟悉的话题：如何从昆虫连接组中获取更多信息。

这些接线图为研究人员提供了有关脑细胞及其如何相互连接前所未有的信息，但它们并没有告诉科学家一个神经元的信号如何影响其网络中的其他神经元。

研究小组想知道，他们是否能够利用之前实验中的信息来识别一些神经元释放的神经递质，从而预测连接组中其他神经元释放的神经递质。神经元使用神经递质相互沟通，不同的化学物质负责不同的信号。

人类的眼睛无法分辨出释放不同神经递质的神经元突触之间的差异，但计算机模型也许可以。Funke 和他的同事对此表示怀疑，但他们认为值得一试。

“我们基本上就停留在原地：我们有数据，我想我们可以尝试一下，”芬克说。“我们并不是特别乐观。”

回到 Janelia 后，Funke 决定将这个项目交给 Michelle Du，她是一名高中生，正在他的实验室开始暑期实习。这个项目将让 Du 学习如何训练神经网络来识别图像——即使这个项目没有取得成果，这也是一项对初出茅庐的计算机科学家很有用的技能。

实习几天后，杜来到了 Funke 的办公室，她已经用已发表的数据训练了模型，并评估了其在测试数据上的表现。尽管 Funke 并不抱多大希望，但该模型在预测某些神经递质方面的准确率超过了 90%。

“我简直不敢相信，”芬克说。“数据太好了。”

在检查了数据和模型后，Funke、Du 和他们的同事确信这些数字没有错误：该模型可以预测神经递质。但该团队仍然很谨慎，他们没有很好地掌握网络如何进行预测。

“我本应该很高兴，但我却很担心，因为我们不明白到底发生了什么，”Funke 说道。

在排除了可能影响结果的混杂因素后，该团队开发了一种方法以了解网络所看到的内容，从而做出预测。

首先，他们使用网络从已知图像预测神经递质，结果成功。然后，他们要求一个单独的网络获取该已知图像并对其进行轻微更改，以创建与不同神经递质的释放相对应的图像——本质上是确定模型预测一种神经递质而不是另一种神经递质所需更改的最小特征。最后，该团队开发了一种单独的方法来识别这些不同的特征。

通过这些信息，团队了解了他们最初的网络用于进行预测的不同特征。这让他们有信心在 2020 年向更广泛的神经科学界发布他们的方法。

“神经科学界的大多数人都从这项研究中看到了预测，”Funke 说。“他们很乐意使用它，但对我们来说，确保它确实有效非常重要。”

五年后，杜现在已经是杜克大学的一名本科生，她参与开发的方法已经被用来预测由珍莉雅研究所的研究人员和合作者创建的果蝇半脑、腹侧神经索和视叶连接组中的神经递质，以及由 FlyWire 创建的成年苍蝇大脑连接组中的神经递质。

这些信息有助于科学家了解大脑回路中的神经元如何相互影响，从而他们可以对大脑回路的功能形成假设，并在实验室中进行测试。

“这一切其实都是从一个有点疯狂的想法开始的，当时没人对此抱有太大的乐观。而你如何处理这个疯狂的想法呢?你可以把它作为学习经验传授给高中生，”Funke 说。“我们非常幸运，Michelle 非常有才华。”