においAをかぐと電気ショックを思い出し、だから避ける。この短い「思考」は二つの場所を通ります。まず学習中枢（キノコ体）が「Aは危なかった」という記憶を取り出し、その記憶が本能中枢（側角）にある合流ニューロンへ渡ってはじめて行動になります。この合流ニューロンは、エサのにおいに近づく生まれつきの行動も担当しています。学んだ情報と生まれつきの情報が、一つのニューロンで出会うのです。
はじめて見る名前がたくさんあります。下の登場人物紹介で、まずニックネームを覚えましょう。本文で点線の下線がある名前にカーソルを合わせるかタップすると、いつでも意味が表示されます。
Dolan, Belliart-Guérin ら (2018). Communication from Learned to Innate Olfactory Processing Centers Is Required for Memory Retrieval in Drosophila. Neuron 100(3):651–668.
論文に出てくる名前は、研究者がニューロンを区別するためにつけた「個人番号」のようなものです。このページでは下のニックネームで話を進め、論文での名前はかっこ書きや小さな文字で併記します。
PD2a1 = 細胞の幹が脳内を通る経路の名前（PD2）+ その経路内の形のグループ（a）+ 細胞タイプ番号（1）。PD2b1 は同じ経路の b グループです。二つ合わせて「PD2a1/b1」と書き、このページでは合流ニューロンと呼びます。
MBON-α2sc = キノコ体出力ニューロン（Mushroom Body Output Neuron）の略 + キノコ体α葉の2番目の区画から信号を受け取るという意味 + 同じ区画の他の出力ニューロンと区別する記号。このページでは記憶出力ニューロンと呼びます。
結局、この論文の話は一文にまとまります。記憶出力ニューロンが送る「あのにおいは危なかった」という信号が合流ニューロンを通ってはじめて、ハエはそのにおいを避ける。
緑の信号がにおい入力から出発し、キノコ体を通って記憶出力ニューロンから出たあと、側角の合流ニューロンへ渡ります。側角には触角葉からのエサのにおい信号も直接入ってきます。ドラッグして回転できます。
領域ボタンを押すと、その部分だけが明るく表示され、説明が出ます。
教科書の図は二つの道をきれいに分けています。側角は生まれつきの行動、キノコ体は学んだ行動。でも、側角が本当に本能だけを担当しているのかは、直接試されたことがありませんでした。
ボタンを押して二つの図を切り替えてみましょう。違うのはたった一か所、キノコ体出力ニューロン（記憶出力ニューロン）から側角へ向かう接続です。
ショウジョウバエの記憶実験の基本的な流れです。左はハエたちが経験すること、右はその間にキノコ体の中の接続（重み）がどう変わるかをニューラルネットワークの図で示しています。学習は訓練段階で起こり、テスト段階では変わった接続が行動として現れます。
記憶出力ニューロンは、電気ショックと組み合わせて学んだにおいを避ける記憶（嫌悪記憶）を取り出すときに欠かせないキノコ体出力ニューロンです。そしてこのニューロンの軸索は側角の中へ伸びています。研究チームの問いは二つでした。記憶の情報は本当に側角へ伝わるのか？ その伝達は記憶を取り出すのに必要なのか？
「誰が記憶出力ニューロンの信号を受け取るのか」を探し、確かめ、止めてみて、のぞき込んだ順番です。段階を押して、それぞれの方法とディープラーニングで似た作業を確認しましょう。
温度によって働く遮断タンパク質（Shits）を特定のニューロンだけに入れ、テストの間だけ温度を上げてそのニューロンの出力を止めます。ディープラーニングのアブレーション実験（ablation）と同じ論理です。
棒の高さは結果の方向を示すための模式図です。二つの対照群は遺伝子を片方だけ持つハエで、温度そのものや遺伝子の挿入だけで記憶が落ちないかを確かめる役割をします。
棒も迷路も結果の方向を示す模式図です。記憶がよいほど、ショックと組み合わせたにおいAを避けてB側へ多く進みます。
合流ニューロンを止めても、訓練に使った二つのにおいを（同じ濃度で）もともと避ける程度は変わりませんでした。においをかげなくなったり本能的な反応が壊れたりして記憶スコアが下がったわけではない、ということです。
模式図。対照群と遮断群の生まれつきの回避が同程度だったという結果の方向だけを表しています。
カルシウムイメージングは、ニューロンが活動するときに細胞内のカルシウムが増えるのを蛍光の明るさで見る方法です。訓練後、合流ニューロンのにおいへの反応は、記憶出力ニューロンと同じ方向に弱まっていました。
ニューロンと条件を切り替えてみましょう。グラフは方向だけを示した模式図で、実際の大きさやプロトコルは論文の図を参照してください。
学習はキノコ体の中の接続（ケニオン細胞 → MBON）で起こります。その結果、記憶出力ニューロンの出力が変わり、その信号を受け取る側角の合流ニューロンの反応も変わります。合流ニューロン自身の接続が変わったかどうかは、この実験だけではわかりません。
中間層 W2 だけをファインチューニングしても、同じ入力に対するその後の層 h3、h4 の活性値はすべて変わります。活性値の変化を見て「ここで学習が起きた」と断定できないのと同じ理由です。
脳全体の電子顕微鏡データで合流ニューロンの入力をたどると、エサのにおいを伝える触角葉の投射ニューロンからの入力が直接入っていました。実際に合流ニューロンを止めると、一部のにおいへの生まれつきの誘引も弱まりました。
円を押して、それぞれの入力が何を伝えるか確かめましょう。
模式図。対象のにおいの一部で、合流ニューロンを止めると誘引が減ったという結果の方向だけを表しています。すべてのエサのにおいでそうなるわけではありません。
論文が提案した回路をもとに作った、説明用のおもちゃモデルです。合流ニューロンを「生まれつきの入力と学習された入力を足し合わせるユニット」一つとして置き、訓練・遮断・テストを切り替えながらT字迷路の結果を見ます。数値は実際のデータとは無関係です。
この論文の発見と方法は、ニューラルネットワークを設計・分析するやり方と多くの点で重なります。どれもたとえであり、脳がこのアルゴリズムを使っているという意味ではありません。
ボタンを押して六つの構造の図を切り替えてみましょう。緑の線は学習される接続、点線は固定された接続、オレンジの矢印は時間をまたいで渡る記憶です。図はすべて原理を示す概略図です。
灰色の棒 = 全接続、色付きの棒 = 学習される接続。ディープラーニングのモデルはすべてが学習され、ショウジョウバエのモデルは固定接続がほとんどです。下の学習ツールと共通セクション A のコード2が同じ数を数えます。
最終行の根拠レベル：実際の回路・測定 モデルが実際の回路を写したもの · 構造が類似 接続の形が似ているという意味で、同じ計算をしている証拠ではない · ゆるいたとえ · 純粋なたとえ 説明を助けるための言葉で、生物学的根拠はない。
②番ページの7章では、この構造を「固定モデル + 学習された補正」、つまり LoRA アダプターにたとえました。表にして並べると違いがよりはっきりします。RNN・GRU・LSTM は時間の中で記憶を隠れ状態として持ち運びますが、このモデルの記憶は接続の強さに保存され、訓練とテストの間の数時間をまたぎます。GRU・LSTM のゲートが「記憶をどれだけ取り出すか」を決めるように、合流ニューロンは記憶と本能を混ぜる場所です（たとえ）。
Teachable Machine のように、① クラスごとに例を集め ② 学習させ ③ 新しい入力で確かめます。計算はすべてこのブラウザの中で行われ、絵やWebカメラの映像が外に送られることはありません。同じモデルをコードで動かすには、共通セクション A のコード2を使います。
集めたサンプルはこのブラウザに自動保存され、再読み込みしても残ります。エクスポートしたデータ・モデルの JSON はまた読み込めます。
はじめかた：「サンプルデータを入れる」を押すか、お絵かきボードに描いてからクラスの「絵を追加」を押しましょう。名前はクリックして変更できます。
クラス作成 → サンプル収集 → 学習 → リアルタイムプレビュー → エクスポートという流れ、Webカメラ入力、すべての計算をブラウザで行うこと。
Teachable Machine は、大きな画像モデル（MobileNet）で事前に抽出した特徴の上で小さな分類器だけを学習する転移学習を使います。この学習ツールは、16×16 の絵をこのページのモデルがゼロから学習します。そのため単純な形に向いていて、写真のような複雑な入力は苦手です。そのかわり、検証精度と学習される接続の数をそのまま見せてくれます。
マスを押すと該当する説明へ移動します。二つの道は合流ニューロンで出会い、一つの行動になります。
どちらのコードも Colab に標準でインストールされているライブラリだけを使います。「ノートブック(.ipynb)をダウンロード」したあと、Colab でファイル → ノートブックをアップロードから開くか、コピーして新しいノートブックのセルに貼り付けてください。
側角（本能）は固定し、キノコ体の出力（記憶）だけがドーパミンのルール（オンになったケニオン細胞 × 選んだ行動 × 報酬・罰）で変わる回路を作ります。においAに罰を5回与えたあと、合流ニューロンへの記憶入力を止めると本能だけが残るかを確かめます。自分のデータに変えるには odor_A と innate の値を変えます。
MLP・CNN・RNN・GRU・LSTM とショウジョウバエモデル3種を、同じ絵のデータで学習します。8番のセルで、記憶 + 本能モデルの記憶入力を遮断する実験を行います。学習ツールでダウンロードした fly_lab_data.json を1番のセルでアップロードすると、自分の絵で比較できます。
| 項目 | コード1（記憶 + 本能の合流） | 一般的なディープラーニングのコード |
|---|---|---|
| 固定される部分 | 側角（本能）+ ケニオン細胞の入力 | ベースモデル（requires_grad_(False)） |
| 学習される部分 | 記憶出力ニューロンの接続 W_mb | アダプター adapter |
| 学習信号 | ドーパミン：結果がよかったか悪かったか（数値ひとつ） | 正解ラベルとの差（クラスごとの勾配） |
| 更新方法 | 局所ルール：オンになったケニオン細胞 × 選んだ行動 × ドーパミン | 誤差逆伝播：損失から逆向きに勾配を伝える |
| 止める実験 | retrieve=False → 合流ニューロンへの記憶入力を遮断 | use_adapter=False → 補正をオフ |
| 止めた結果 | 本能だけが残り、再び近づく（論文3章の結果の方向） | ベースモデルの答えに戻る |
| 注意 | 論文の結果の方向を写した模式モデル | 実際の LoRA は低ランク行列2つの積 A·B |
ChatGPT、Qwen、Claude などの AI アシスタントに貼り付けるプロンプトです。「コピー」を押すと、プロンプトのあとに選んだコードが一緒に付きます。〔 〕の中を自分の状況に書き換えて使ってください。
AI の答えは出発点にすぎません。提案された論文・数値・ライブラリ関数は、必ず原文と公式ドキュメントで確認しましょう。コンテストや論文で AI の助けを借りた場合は、主催者や学術誌の規定に従って、使用した事実と範囲を明記してください。
本文の黄色い点線の下線と同じ辞書です。下線にカーソルを合わせるかタップすると、同じ説明が表示されます。
たとえは理解の第一歩ですが、誤解の種にもなります。ショウジョウバエ・脳のたとえには強さを示しました。直接 実際に同じことをしているという根拠がある · 部分 一部の性質だけが似ている · なし 対応するものが知られていない
| 概念 | 日常のたとえ | ショウジョウバエ・脳のたとえ | たとえが外れるところ |
|---|---|---|---|
| 合流ニューロン | 二つの部署の報告書を一人が受け取って最終決裁する | 直接 側角の PD2a1/b1 が、記憶出力ニューロンとエサのにおいの投射ニューロンの信号を一緒に受け取る [R1] | 実際の合流は単純な足し算ではない。モデル実験室の 1.0・0.6 の重みは説明用だ |
| 記憶の想起 | 倉庫にしまった物を取り出して使う | 部分 訓練後、同じにおいに対するキノコ体の出力が変わり、その信号が側角へ渡る | 記憶は一か所に物のように入っているわけではない。接続の強さの変化として散らばっている |
| ドーパミン学習 | ほめたり叱ったりして習慣を直す | 直接 ドーパミンニューロンがキノコ体出力の接続の強さを変える | 実際のドーパミンは「正解ラベル」ではなく報酬・罰の信号だ。学習ツールの基本モードは正解ラベルで単純化した |
| 固定経路 + 補正（LoRA） | 本社のマニュアルはそのままにして、支店のメモだけを書き足す | 部分 側角の生まれつきの経路の上に、キノコ体の学習信号が加わる | LoRA は行列を低ランクで掛け合わせて付け加える数学的な方法だ。ショウジョウバエの回路がこう計算しているという意味ではない |
| アブレーション実験 | 部品を一つ外して機械がどうなるか見る | 直接 温度スイッチで合流ニューロンの出力を止め、記憶スコアを測る [R1] | ディープラーニングのアブレーションは数値を0にすれば終わりだが、生物の実験では対照群と温度の影響を一緒に検討する必要がある |
E-1 著者紹介 · E-2 学術参考文献 · E-3 図の参考資料
講師、実務 OJT 担当者、チューターのための運営ガイドです。時間は目安なので、実際の授業に合わせて調整してください。
| 対象 | 特別編 1 を終えた学習者。論文をはじめて読む大学生・大学院生 |
|---|---|
| 前提知識 | 特別編 1 の③（キノコ体とケニオン細胞）、「ルール vs 学習」 |
| 学習目標 | ① 学んだ記憶が本能中枢を通って行動になるという論文の主張を一文で言える ② アブレーション実験の論理（止める、対照を置く、比較する）を説明できる ③ 固定経路 + 学習される補正という構造をディープラーニング（アダプター）に対応づけられる |
| 所要時間の目安 | 読む 45〜55分 · アニメーション実演 20分 · Colab実習 30分（コード1 10分、コード2 実行2分 + 解釈15分） |
導入5分（登場人物のニックネーム）→ セクション1·2 問いと調べ方 15分 → セクション3·5 実験 15分 → セクション6 モデル実験室 10分 → 確認問題 5分。
セクション1·3 20分 → セクション7 ディープラーニングで読み直す（固定モデル + 補正）20分 → 学習ツールで記憶入力の遮断実験 20分 → コード2 実行·解釈 30分。
入門者は登場人物とセクション1·3·6だけ。中級者にはセクション2の7つのステップを、それぞれディープラーニングの分析手法（重みを読む、アブレーション、活性値の観察）と対応づけさせます。
| セクション | 立ち止まって問いかける質問 | 操作のコツ |
|---|---|---|
| 登場人物 | 「PD2a1/b1という名前は何を意味するのだろう？」 | 名前の読み方カードを先に開く |
| 1 問い | 「本能と学習は本当に別々に処理されているのだろうか？」 | 教科書の図と論文の図を並べて見る |
| 2 調べ方 | 「ニューロンがつながっていることは、どうやって確かめるのだろう？」 | 7つのステップを順に押す |
| 3 オフにすると？ | 「温度を上げただけで記憶が悪くなったらどうする？」 | 温度の低/高と、ほかの候補ニューロンを比べる |
| 5 2つの役割 | 「1つのニューロンをオフにすると、なぜ2つの行動がいっしょに消えるのだろう？」 | 記憶テストと食べ物への誘引を交互に見る |
| 6 モデル実験室 | 「0.6を0に変えると何が起こるだろう？」 | 「合流ニューロン オフ」を押す |
| 実習：学習ツール | 「記憶入力を遮断すると、なぜ本能の値だけが残るのだろう？」 | 学習のあとで「記憶入力を遮断」を押す |
| 誤解 | 正しい説明 | 見せる場面 |
|---|---|---|
| 記憶はキノコ体の中だけにある | 記憶が行動になるには、側角の合流ニューロンへ渡らなければならない [R1] | セクション3 |
| 本能の回路と学習の回路は完全に別々にある | 1つの合流ニューロンが、記憶の想起と生まれつきの食べ物への誘引の両方を担っている | セクション5 |
| ニューロンをオフにして起きた変化は、すべてそのニューロンのせいだ | 温度の効果と、遺伝子を入れただけの効果を、対照群で別々に確かめる必要がある | セクション3の対照実験 |
| モデル実験室の数値は論文の測定値だ | 結果の向きだけを写した模式図である | セクション6の黄色いスタンプ |
| ドーパミンは正解を教えてくれる | 報酬·罰の信号である。正解ラベルによる学習は説明のための単純化 | 学習ツールの「参考」の文 |
キノコ体から取り出された記憶の信号が、側角の合流ニューロン（PD2a1/b1）に伝わってはじめて、記憶が行動になる。
温度そのものが行動を変えうるので、記憶スコアが下がった原因がニューロンの遮断なのか温度なのかを見分ける必要があるから。
0.2 + 0.6 × (−1.0) = −0.4（避ける側）。遮断すると 0.2（本能だけが残り、近づく側）。
そのニューロンが2つの経路（キノコ体からの記憶信号と、食べ物のにおいを運ぶ投射ニューロンからの本能信号）をまとめて受け取って出力する共有層だから。
本能の値がすべて0なので全クラスのスコアが同じになり、モデルはいつも最初のクラスを選ぶ。0.09はテストデータに占める最初のクラスの割合である。
コード1で innate の値を [0.0, 0.5] に変えたとき（本能が避ける側）、訓練前·訓練後·遮断時の結果がどう変わるかを表にまとめ、本能と記憶が同じ向きのときと逆向きのときを比較してください。
コード2の MemoryInnate で innate に値を入れて（例：クロスのクラスに 2.0）学習したあと、記憶入力を遮断します。遮断前後の混同行列を比べ、本能が判断をどう引き寄せるかを書いてください。
| 入門者 | セクション2の7つのステップとセクション4のカルシウムイメージングは、ざっと眺めるだけでかまいません。セクション3·6をしっかり押さえましょう |
|---|---|
| 発展 | ショウジョウバエの記憶回路に関する別の研究（記憶出力ニューロンの役割分担）を調べ、この論文と比較して発表させます。調べた論文は原文で確認しましょう |
| さらに学ぶ | Sangsun Ahn『ビジネスのためのデータサイエンス』講義資料（データサイエンス全般、韓国語）· STEP [K-Digital] 人工知能 自然言語処理（韓国語）· STEP [K-Digital] フィンテック データ分析の基礎（韓国語） |
| 講師用資料 | 確認問題の採点基準と課題の解答例は、教育者用の解答ページ（特別編 2）で見られます |
「特別編 2 記憶想起の論文」を最後まで読みました。研究室のメンバーがひとことずつまとめます。
