MEYVE SİNEĞİ · SES YÖNELİMİ SİMÜLASYONU

Bu simülasyonda ne yaptım?

Amaç, yöntem ve sonuçlar

Bir meyve sineğinin gerçek sinir bağlantı haritasını kullanarak sesin yönünü tahmin eden bir model geliştirebilir miyiz? Bu sorudan yola çıkarak, Berg ve arkadaşlarının (2026) açık olarak paylaştığı erkek meyve sineği MaleCNS bağlantı verisinden, işitsel girdileri taşıyan seçilmiş JO-A/JO-B nöronlarını ve bunlarla bağlantılı hücreleri içeren 1530 nöronluk bir alt ağ kullandım. Bu bağlantı düzenini temel alan hesaplamalı modelde, gürültü içindeki sesin hangi hoparlörden geldiğini tahmin etme görevini çalıştım.

Simülasyonda dört dinleme koşulunu karşılaştırdım: gövde ve anten açıları sabit; yalnız antenler hareketli; yalnız gövde hareketli; gövde ve antenler birlikte hareketli. Anten hareketli koşullarda anten açıları, ağ etkinliğini harekete çeviren sabit bir hesapla belirlendi; ağ bağlantılarının etki güçleri eğitildiği için modelin anten hareketleri de değişti. Bu hareket hesabı, sinekten haritalanmış bir motor devreyi temsil etmiyor. Gövde hareketi ise önceden belirlenmiş küçük konum değişikliklerinden oluştu. Her koşul, ön 180° alandaki 7 hoparlör ve tam 360° çevredeki 12 hoparlör için ayrı eğitildi. Eğitim ve test sesleri 120–180 Hz aralığındaydı; uygulamadaki etkileşimli örnekte 140 Hz sinyal kullanılıyor. Referans sinyal/gürültü oranları 0, +10 ve +20 dB olarak seçildi.

Eğitilmiş modellerin doğru hoparlör seçme oranları ve ortalama açısal hataları, eğitimde kullanılmayan test örnekleriyle değerlendirildi. Dört dinleme koşulunun güncel sonuçları aşağıdaki açılır bölümde gösteriliyor. Hoparlörler 30° aralıklarla yerleştirildiğinden, düşük ortalama hata modelin derece altı yön ayrımı yapabildiği anlamına gelmiyor.

Burada bağlantı haritası gerçek sinek verisine dayanıyor; sesin antenlerde girdiye dönüşmesi, hücre etkinliği denklemleri, öğrenme yöntemi ve hareket çıktıları ise modelleme tercihleridir. Her taraftaki seçilmiş giriş nöronlarına ortak bir duyusal değer uygulanıyor; hücrelerin bireysel işitsel özellikleri ayrıntılı olarak modellenmiyor. İlk modellerin eğitiminde mevcut bağlantıların etki güçleri optimize edildi. Eğitim sonrası gösteriminde bütün koşullarda ek bir eğitilmiş karar katmanı kullanılıyor. Bu ikinci eğitim aşamasında ağ ağırlıkları ve anten hareketini belirleyen hesap sabit tutuldu; ağ etkinliğinden hoparlör yanıtını hesaplayan dış doğrusal katman eğitildi. Bu katman gerçek sineğin tanımlanmış bir karar devresi değildir. Dört koşul aynı yöntemle fakat ayrı ağırlıklarla eğitilmiştir. Ekranda görülen renk değişimleri de hesaplanan hücre etkinliğini gösteriyor; canlı sinekten kaydedilmiş elektriksel ateşlemeler değil.

“Eğitim öncesi” seçeneği başlangıç ağını ve başlangıç yanıt hesabını, “Eğitim sonrası” seçeneği eğitilmiş ağı ve ayrıca eğitilmiş karar katmanını çalıştırır. Aynı ses örneği korunur; görülen yanıt farkı, ağ eğitimi ile karar katmanı değişiminin toplam etkisini yansıtır. Bu gösterimden yalnız sinir ağı bağlantılarının öğrenmeye katkısı ayrı olarak hesaplanamaz.

Bu çalışma, canlı bir sineğin aynı beceriyi öğrendiğini veya bu yüzdelerde başarı gösterdiğini kanıtlamıyor. Gerçek bağlantı düzeninin başka ağlara göre özel bir üstünlük sağladığını söylemek için de ek kontrol modelleri gerekiyor. Şimdilik odyoloji açısından ilgilendiğim nokta, gürültü altında ses yönünü belirlemede farklı konumlardan ve anten açılarından bilgi toplamanın katkısını hesaplamalı olarak incelemek. Paylaştığım uygulama, bu süreci ses, hareket ve ağ etkinliğiyle birlikte izlemeyi sağlayan bir simülasyon ve geliştirilmeye açık bir ön çalışma.

Güncel değerlendirmede tüm yönler 0, +10 ve +20 dB’de yeni örneklerle sınandı. Eğitilmiş modellerin sonuçları aşağıda gösterilir. Doğru yanıt artışı, modelin biyolojik olarak doğrulandığı veya her örnekte doğru cevap vereceği anlamına gelmez.

Kaynakçayı incele ↓

Bir model seç, hoparlöre tıkla ve sineğin yanıtını izle.

← odyolog.tr
Model yükleniyor…

SESİN YÖNÜ

Antenler hareketli

Kaynak30°
Deneme bekleniyor

Anten açısı: sol 0° · sağ 0°

● Kaynak┄ TahminYönü seçmek için hoparlöre tıkla.

HESAPLANAN HÜCRE ETKİNLİĞİ

Ağda o anda ne oluyor?

Henüz veri yok

Düşük etkinlik Yüksek etkinlik Hücreleri tıklayarak incele.

Denemeyi başlat: ses, sinek ve ağ birlikte oynar.

Gövde sabit kalır; model anten açılarını değiştirerek dinler.

Seçilen hücre ve etkinlik ayrıntıları

Seçilen hücre

Bir hücreye tıkla.

En yüksek etkinlik

Eğitilmiş modelin sonuçları

EĞİTİMDEN AYRI YENİ TEST ÖRNEKLERİ

Dört koşulda aynı yöntem kullanılır; ağlar ve karar katmanları her koşul için ayrı eğitilmiştir. Sonuçlar eğitilmiş ağ ve karar katmanıyla hesaplanır.

Sonuçlar yükleniyor…

Kaynaklar

Batchelor, A. V., & Wilson, R. I. (2019). Sound localization behavior in Drosophila melanogaster depends on inter-antenna vibration amplitude comparisons. Journal of Experimental Biology, 222(3), Article jeb191213. Kaynağa git ↗

Berg, S., Beckett, I. R., Costa, M., Schlegel, P., Januszewski, M., Marin, E. C., Nern, A., Preibisch, S., Qiu, W., Takemura, S.-y., Fragniere, A. M. C., Champion, A. S., Adjavon, D.-Y., Cook, M., Gkantia, M., Hayworth, K. J., Huang, G. B., Katz, W. T., Kämpf, F., . . . Jefferis, G. S. X. E. (2026). Sexual dimorphism in the complete Drosophila male central nervous system connectome. Cell, 189(18), 5504–5526.e15. Kaynağa git ↗

HHMI Janelia Research Campus, University of Cambridge, MRC Laboratory of Molecular Biology, & Google Research. (2026). MaleCNS connectome (Version 1.0) [Data set]. Kaynağa git ↗

Kim, H., Horigome, M., Ishikawa, Y., Li, F., Lauritzen, J. S., Card, G., Bock, D. D., & Kamikouchi, A. (2020). Wiring patterns from auditory sensory neurons to the escape and song-relay pathways in fruit flies. Journal of Comparative Neurology, 528(12), 2068–2098. Kaynağa git ↗

Suver, M. P., Medina, A. M., & Nagel, K. I. (2023). Active antennal movements in Drosophila can tune wind encoding. Current Biology, 33(4), 780–789.e4. Kaynağa git ↗