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，接近傳統三環模型；第二種是連接組限制(connectome-constrained)網路，讓網路的連接模式貼近果蠅實際羅盤網路；第三種是無限制(unconstrained)網路，允許每個單元自由學習自己的連接與速度輸入。三者都能完成頭部方向追蹤，但內部結構與解法明顯不同。

從訓練結果來看，環形限制網路最接近傳統模型。不同 ring 的神經元均勻覆蓋整個頭部方向空間，且相位偏移與速度調節呈現高度模組化。無限制網路則走向另一個極端：單一神經元可以各自擁有不同的相位偏移、速度輸入強度與頭部方向調諧，因此整體權重矩陣看起來更異質，也較難被清楚分成傳統意義上的幾個 ring。連接組限制網路則介於兩者之間：它保留了果蠅羅盤系統中明顯的細胞類型結構，例如 EPG、PEG、Δ7 主要形成較純粹的頭部方向編碼群，而 PENa、PENb 則形成結合頭部方向與角速度的神經群。

這裡最有趣的觀察是：異質性不一定會破壞吸引子動力學(attractor dynamics)。作者提出「動態複製體」(dynamical clones)的概念，也就是將傳統模型中的單一理想神經元，替換成多個具有相同或相近輸入方向(input direction)的神經元。這些神經元可以有不同輸出方向(output direction)、不同相位偏移與不同權重，只要它們的總輸出仍保留原本的對稱結構，整個網路仍可維持原本的環形吸引子功能。

因此，對稱性不一定要出現在單一神經元層級，而可以隱藏在一組功能等價神經元的合計輸出中。這點是本文最重要的概念：真實連接組看似混亂，並不代表它沒有計算結構；它可能只是把理論模型所需的對稱性分散到多個神經元之間。

這也讓作者能夠反向分析果蠅連接組。他們將具有相近方向調諧的 Δ7 與 EPG 神經元視為候選 dynamical clones，檢查這些神經元的輸出在加總或平均後是否更接近對稱結構。結果顯示，單一神經元的連接確實相當異質，但同一組候選神經元的合計輸出能恢復出更清楚的對稱性。這表示連接組中的部分不規則性可能是平衡噪音(balanced noise)，而非單純破壞功能的隨機誤差。

我認為這篇價值在於，提供了一個介於理論模型與真實連接組之間的解釋框架：生物神經網路不一定需要長得像理想模型，才能實現理想模型描述的計算。

當然，這篇研究仍有明顯限制。突觸數量(synapse count)不能直接等同於真實突觸強度(synaptic strength)，而神經元受體組成、突觸位置、樹突整合與神經結構本身都可能影響實際功能。因此，它更像是一個理論與連接組分析框架，而不是完整的生理機制證明。