260330) ショウジョウバエのコネクトーム、脳のアーキテクチャ、そして計算：キイロショウジョウバエのコネクトームからQUBICへ

Fruit Fly Connectome: How Drosophila Brain Architecture Reshapes AI — From FlyWire to QUBIC

執筆：Qubic Scientific Team / 公開日：2026年3月30日

Credit: Amy Sterling, Murthy and Seung Labs, Princeton University

　30人が住む建物を想像してみてください。人数を知っているだけでは、あまり意味がありません。実際に何が起きているのかを説明するのは、「誰が誰に依存しているのか」「誰が息子、父親、妻、夫なのか」「誰が建物をまとめているのか」「誰が自治会長なのか」「誰が管理人、配達員、所有者、あるいは住人なのか」といった情報です。集団のダイナミクス（動態）は数にあるのではなく、関係性の構造にあります。これこそが、社会的な脳である私たちの本質です。

　脳において、コネクトーム（神経回路の全体図）は先の建物の例と似ています。つまり、その動的な構造を完全に記述したものです。重要なのは地図そのものではなく、それが活性化されたときに、そこからどのようなダイナミクスが創発され得るかを理解することです。建物の場合であれば、ある家族の息子が別の都市へ引っ越したとき、夫婦が別れて空き部屋ができたとき、自治会長が代わったとき、あるいは新しい隣人がやってきたときに何が起こるか、ということです。これを生物学的に理解するために、科学者たちはホモ・サピエンスよりも単純な生物のコネクトームをマッピングしています。この最近の論文では、ショウジョウバエ（Drosophila melanogaster：キイロショウジョウバエ）のコネクトームを分析しています。

　その根底にある考え方は奥深いものです。生物学的システムにおいて、知能の一部は学習されるものではなく、すでにアーキテクチャ（構造）の中に含まれているのです。この概念は「強力なアーキテクチャ上の事前知識（strong architectural priors）」として知られており、データからの学習のみに依存するAIの支配的なパラダイムに異議を唱えるものです。

　125,000以上のニューロンと約5,000万のシナプスからなるハエの脳の完全なコネクトームは、技術的な偉業であるだけでなく、新しい計算上の分析単位でもあります（Shiu et al., 2024）。私たちは初めて、完全な神経系をほぼ閉じた機能的なグラフとして研究できるようになったのです。プリンストン大学が主導し、127の機関にまたがる200人以上の研究者が参加するコンソーシアム「FlyWire」プロジェクトは、AI支援によるセグメンテーション（領域分割）、シチズンサイエンス（市民科学）、そして専門家による校正を組み合わせることで、この全脳コネクトームを実現しました。

Credit: Tyler Sloan for FlyWire and Amy Sterling, Murthy and Seung Labs, Princeton University

　そのグラフの上に、著者らは非常にシンプルなモデルを構築しました。彼らは、シナプスの接続性と神経伝達物質の種類に応じて活動が伝播するニューロン（漏れ積分発火型：leaky integrate-and-fire type）のネットワークを構築しました（Gerstner et al., 2014; Shiu et al., 2024）。トレーニングは必要ありません。このスパイキング・ニューラル・ネットワーク（SNN）は古典的な意味での「学習」は行わず、その構造が許すものを実行するだけです。これは、コミュニティのメンバー間の機能や繋がりが、彼らの行動を導き、あらかじめ構成（プレコンフィギュレーション）している建物の例と似ています。

Credit: Amy Sterling, Murthy and Seung Labs, Princeton University

　研究者たちが作成したこのモデルは、完全な感覚運動の変換を予測することが可能です。味覚ニューロンを活性化させると、どの運動ニューロンが活性化されるかを予測することができ、これらの予測は光遺伝学（オプトジェネティクス）として知られる技術を用いて実験的に検証されています（Shiu et al., 2024）。つまり、機能はアーキテクチャから直接創発するのです。ハエが味覚に関連する刺激をどのように収集し構築するかを操作することで、ハエがどのように反応するかを知ることができるということです。接続性（コネクティビティ）は単なるサポートにとどまらず、それ自体が計算（コンピュテーション）なのです（Bargmann & Marder, 2013）。

　生物学において、脳は空っぽの状態から始まるわけではありません。生物は、最初から機能的な行動を可能にする組織化された回路を持って生まれてきます。線虫（C. elegans）や他の昆虫のような単純なシステムでは、機能的ダイナミクスの多くは接続性によって直接的に条件付けられています（Winding et al., 2023; Scheffer & Meinertzhagen, 2021）。完全なコネクトームが再構築されると、反復的なパターンが現れます。これらは、フィードバック・ループ、競合的抑制回路、高度に方向付けられた感覚運動経路などです。これらのパターンはリアルタイムの学習によるものではなく、いわば、解決策をそれ自体の構造に「エンコード」してきた進化プロセスの結果なのです。

　しかし、ディープラーニング（深層学習）では、ネットワークは任意に初期化されたパラメータから始まり、大量のデータを用いた最適化を通じて知能、あるいはむしろその外観が創発されます（LeCun, Bengio, & Hinton, 2015）。アーキテクチャはバイアスをもたらしますが、トレーニングを通じて、純粋に計算上のスケーラビリティによってある程度徐々に平滑化されていきます。

　ショウジョウバエのコネクトームは、別の可能性を示唆しています。知能の一部は、学習する前であっても構造の中に存在しているかもしれないということです。これは、脳に着想を得た人工知能のための代替パラダイムを開くものです。なぜなら、有用な計算特性をすでに含んでいるアーキテクチャは、学習の役割を強化するからです。このアプローチは、強力なアーキテクチャ上の事前知識（strong architectural priors）、またはコネクトームベースのアプローチの使用として定式化されています（Zador, 2019）。

　この考えを補強する物理的な議論もあります。それは「効率性」です。ハエの脳は、非常に低いエネルギー消費で複雑なタスクを実行します。これは、効率がパラメータの数ではなく、神経回路がどのように組織化されているかに依存していることを示唆しています（Laughlin & Sejnowski, 2003）。コネクトームは、まさにその組織化を明示的に研究することを可能にします。この原則は、脳の驚くべきエネルギー効率を反映したハードウェアやアルゴリズムの構築を目指す、成長著しいニューロモルフィック・コンピューティング分野の中心にあります。

　この論文は最近注目を集めていますが、それを適切に根付かせる（理解する）ことが重要です。

　ハエのコネクトームによって、行動を完全に予測できるわけではありません。どのニューロンが活性化されるか、応答にどのノードが必要かといった、局所的な感覚運動の変換をかなり正確に予測することは可能ですが、それは行動の完全な理論を構成するものではありません。モデルが神経修飾（ニューロモジュレーション）、内部状態、シナプス外シグナル伝達、または持続的な基底活動を適切に組み込んでおらず、基底発火率がゼロ（つまり自発的活動がない）という高度に単純化された仮定に基づいており、脳が常に活動している実際の生物学的行動とは大きく異なっているため、この研究自体が明確な限界を認識しています（Shiu et al., 2024）。ここでのコネクトームは、システムの完全なダイナミクスではなく、むしろ可能性の構造を記述しています。同じネットワークでも、内部状態、過去の履歴、またはコンテキスト（文脈）に応じて異なる行動を生み出す可能性があります。この考え方は十分に確立されています。接続性はダイナミクスを制約しますが、それを完全に決定するわけではありません（Marder & Bucher, 2007; Bargmann, 2012）。居住者のコミュニティにおいて、関係性は機能や行動の高い確率を示しますが、それを固定するものではありません。パーティーや会議、停電などの予期せぬ出来事が発生した場合、人々は構造的なコネクトームのみに基づくのではなく、コンテキストに応じて行動します。論文は、脳を理解するには「コネクトームだけでは不十分である」と強調しています（Scheffer & Meinertzhagen, 2021）。

人間の脳：構造的接続性を超えて

　人間のケースを考えれば、この限界はさらに明確になります。仮に完全な人間のコネクトームが得られたとしても（現在は存在せず、利用可能になるかどうかも不透明ですが）、それだけで行動を完全に理解するには不十分でしょう。構造的な制約を定義し、組織化の原則を理解し、動的モデルを改善する役には立ちますが、人間の行動はさらに、発達、可塑性、身体、内分泌学、言語、文化、社会的コンテキストにも依存します。

　脳の接続性から行動を予測しようとする現在の研究は、効果量が小さく、サンプルサイズに強く依存するという明確な限界を示しています（Marek et al., 2022）。したがって、人間のコネクトームがあれば行動を完全に「読み取る」ことができるという考えは、過大解釈と言えるでしょう。

　Neuraxon において、私たちはアーキテクチャが計算を含み、それが創発的な知能をサポートし、確率的な行動を誘発することを知っています。しかし同時に、それだけでは不十分であることも知っているため、豊かな内部ダイナミクス、神経修飾、状態（ステート）を追加しています。Neuraxon はまさにその空間に位置づけられることを目指しています。内因性の活動、神経修飾物質、複数の時間スケール、可塑性を導入し、人間の脳の構造的な機能だけでなく、複数の機能をシミュレートしようとしています。「AIと神経科学におけるニューラルネットワーク」の深掘り記事で探求したように、生物学的ニューラルネットワークと人工ニューラルネットワークの間のギャップこそが、Neuraxon が橋渡しをするものなのです。

　AIGarth は、このアプローチをさらに一歩進めます。ハエのコネクトームは閉じたシステムです。AIGarth が提案するのは、構造が進化し、ダイナミクスが連続的であり、明示的なトレーニングなしに機能が創発するシステムです。ここでは、知能は単なる最適化の結果ではなく、組織化された動的システムの特性となります（Friston, 2010）。

　全体として、ショウジョウバエのコネクトームは行動の問題を解決するわけではありませんが、出発点と初期構造の重要性を私たちに示してくれます。知能の重要な部分がアーキテクチャにあることを示しているのです。しかし、アーキテクチャと行動の間には、ダイナミクス、状態、履歴、コンテキストが依然として存在します。

　私たちは最適化（LLM：大規模言語モデル）から組織化（Aigarth）へと移行しなければなりません。私たちは、これが人工知能の未来における最も重要な変化の1つであると強く信じています。ハエでさえも、私たちがこれらのアイデアを擁護するのを助けてくれるのです。

　ショウジョウバエは、知能がアーキテクチャから始まることを証明しました。Neuraxon はその原則の上に構築されています。脳に着想を得たAIがQUBIC上でどのように形作られているかを探求するには、Neuraxonインテリジェンス・アカデミー（NIA）から始めてください。

• NIA Volume 1: Why Intelligence Is Not Computed in Steps, but in Time
  • 従来のLLMのような離散的な計算ステップではなく、なぜ生物学的な知能が連続的な時間の中で機能するのかを探求します。

• NIA Volume 2: Ternary Dynamics as a Model of Living Intelligence
  • 三進（ターナリー）ダイナミクスと、生命システムをモデル化する上でなぜ3値論理（興奮、中立、抑制）が重要なのかを説明します。

• NIA Volume 3: Neuromodulation and Brain-Inspired AI
  • 神経修飾と、脳の化学的シグナル伝達（ドーパミン、セロトニン、アセチルコリン、ノルエピネフリン）がどのようにNeuraxonのアーキテクチャに着想を与えているかをカバーします。

• NIA Volume 4: Neural Networks in AI and Neuroscience
  • 生物学的ニューラルネットワーク、人工ニューラルネットワーク、そしてNeuraxonの「第3の道」のアプローチを深く比較します。

• NIA Volume 5: Astrocytes and Brain-Inspired AI
  • アストロサイト（星状膠細胞）が三者間シナプスを通じてどのようにシナプス可塑性を調節するか、そして Neuraxon がアストロサイトによるゲーティングをどのように組み込んで「安定性と可塑性のジレンマ」に対処し、ネットワークが「いつ、どこで、どれだけ学習するか」を局所的に制御できるようにしているかを探求します。

　Qubic は、実験的技術のための分散型オープンソースネットワークです。詳細については、qubic.org をご覧ください。𝕏、Discord、Telegram のディスカッションにご参加ください。

• Bargmann, C. I. (2012). Beyond the connectome: How neuromodulators shape neural circuits. BioEssays, 34(6), 458–465.
• Bargmann, C. I., & Marder, E. (2013). From the connectome to brain function. Nature Methods, 10(6), 483–490.
• Friston, K. (2010). The free-energy principle: A unified brain theory? Nature Reviews Neuroscience, 11(2), 127–138.
• Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Neuronal dynamics. Cambridge University Press.
• Laughlin, S. B., & Sejnowski, T. J. (2003). Communication in neuronal networks. Science, 301(5641), 1870–1874.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
• Marek, S., et al. (2022). Reproducible brain-wide association studies require thousands of individuals. Nature, 603, 654–660.
• Marder, E., & Bucher, D. (2007). Understanding circuit dynamics. Annual Review of Physiology, 69, 291–316.
• Scheffer, L. K., & Meinertzhagen, I. A. (2021). A connectome is not enough. Journal of Experimental Biology, 224.
• Shiu, P. K., Sterne, G. R., Spiller, N., et al. (2024). A Drosophila computational brain model reveals sensorimotor processing. Nature.
• Winding, M., et al. (2023). The connectome of an insect brain. Science, 379.
• Zador, A. M. (2019). A critique of pure learning. Nature Communications, 10, 3770.

　最近発表された「キイロショウジョウバエの完全なコネクトーム（脳の神経回路の全体図）」に関する研究は、人工知能（AI）の未来におけるパラダイムシフトを示唆しています。この記事では、生物学的な脳の構造から、QubicのAI（NeuraxonとAigarth）が目指す方向性について解説しています。

Google NptebookLM スライド

　現代の主流なAI（ディープラーニングやLLM）は、白紙の状態から膨大なデータを用いた「学習（最適化）」によって知能を獲得します。 しかし、ショウジョウバエの研究は、「知能の大部分は学習する前からアーキテクチャそのものに組み込まれている（エンコードされている）」ことを証明しました。配線図（構造）を模倣するだけで、事前の学習なしにハエの感覚運動の反応を予測できたのです。脳の驚異的な省エネ性も、この構造の最適化によるものです。

　とはいえ、神経回路の繋がりが分かれば生物の行動をすべて予測できるわけではありません。実際の脳は常に活動しており、神経修飾物質（化学物質）や過去の記憶（内部状態）、状況（コンテキスト）によってダイナミックに変化します。静的な構造だけでなく、動的な状態が組み合わさって初めて真の知能と行動が生まれます。

　Qubicはこの「生物学的な脳の仕組み」をAI開発のコアに据えています。

• Neuraxon:
  • 単なるネットワーク構造だけでなく、ドーパミンやセロトニンといった神経伝達物質の働き、3値論理（興奮・中立・抑制）、可塑性といった「脳内の化学的・動的な相互作用」までをモデル化し、人工ニューラルネットワークと生物学的ネットワークのギャップを埋めます。

• AIGarth:
  • さらに一歩進み、明示的なトレーニングなしに構造自体が自律的に進化し、機能が創発するシステムを目指しています。

　計算をステップごとに処理し、力技のデータ学習（最適化）に頼る現在のAIから、生物の脳のように構造とダイナミクスに基づく「組織化（Organization）」されたAIへ。これがQubicが目指す次世代の人工知能の姿です。