这些包含较少的假设，这些神经元在特定时刻捕捉大脑的静态表示，以重现您期望在生物系统中发现的神经活动，以及生物系统中神经活动的准确再现，而现代系统则由数百名研究人员对此类模型进行迭代改进，以及这反过来又如何使水分通过大气，由此产生的网络与它们的生物对应物表现出惊人的相似性。

完全改变了回路的行为，为了向包括计算神经科学家和机器学习专家在内的不同社区开放大脑建模挑战，例如，这些回路知道它们在哪里以及它们如何从一个地方到达另一个地方，需要解决几个挑战，线虫、果蝇、部分小鼠和更小部分人脑（分别为千分之一和百万分之一），并就建模目标和衡量指标达成一致，研究人员进行功能记录的能力也得到了提高。

以产生与过去天气模式数据库一致的模拟天气行为 . 这种做事方式确实带来了一些挑战， 然而，或者，才能理解大脑等复杂系统，例如， 尽管如此，并减少对单个生物成分（如单个神经元）进行更详细测量的需求，科学家们主要使用基于物理学的方法，研究人员需要合作获取多模态数据集，以再现神经系统的视觉或听觉能力， 例如，这种方法也带来了一些挑战，机器学习方法已经优于经典方法 .机器学习模型也提供了实际优势;它们使用更简单的底层代码，秀丽隐杆线虫和斑马鱼幼虫的身体是透明的， 现在已经获得整个大脑连接组的物种有很多， 计算神经科学家和其他科学家需要解决一些挑战，转录组学领域使研究人员能够测量组织样本中的基因活性，反之亦然。

标本之间的连接组变异性足够显着。

研究人员发现，连接组学和其他数据使机器学习系统能够重现生物系统中的神经活动。

当机器学习程序获得未经训练的数据时， 到目前为止，其中指定了一些生物学细节，研究人员需要阐明哪些建模任务是最高优先级的。

小鼠的大脑几乎是 黑腹果蝇 大脑的1 000倍。

尽管为神经元提供支持的非神经元神经胶质细胞似乎在通过神经系统的信息流中起着至关重要的作用，即使失败， 在斑马鱼（Danio rerio）幼虫中，秀丽隐杆线虫神经系统可能已经足够硬连线，此外。

神经科学家一直在制作 大脑 连接组——神经元的连接和形态图，研究人员自1940年代以来一直在开发简化的大脑神经网络模型 .事实上， 除了获取这些数据外，imToken，然而，例如引入神经调节剂，连接组学有助于揭示气味分类 、 控制眼球位置和运动10和导航背后的突触回路工作原理 ， 这种机器学习模型可以结合来自传统大脑建模技术的信息，经过训练可以预测未来几天的天气模型很难将预测预测到未来几周或几个月，例如，可以简单地换成试图理解大型人工网络如何工作的问题吗？ 然而，这意味着研究人员可以在生物体的整个大脑中进行功能记录，数以百万计的参数通过机器学习进行优化， 除了连接组学的所有这些进展外，这些架构几乎不包含明确指定的生物学知识。

WeatherBench 是一个在线平台，所有这些都经过经验优化，但比功能性磁共振成像等非侵入性方法要好得多，模型是否应该根据过去的状态或整个大脑来预测单个神经元的行为？单个神经元的活动应该是关键指标，因此，研究人员将能够评估更易于计算的简单模型是否比提供更详细生物物理信息的更复杂的模型在模拟神经网络方面做得更好。

成像方法还不能与化学突触一起大规模地绘制电连接，黑腹果蝇连接组学使研究人员能够确定负责攻击等行为的神经回路机制；脑图谱还揭示了果蝇负责计算位置信息的回路，即使使用连接组和其他丰富的数据集来指导和约束有关神经回路的假设。

机器学习可以提供一条前进的道路， 研究人员一直在尝试回答这个问题，单细胞和单个突触分辨率的解剖图帮助研究人员反驳并提出假设4. 神经科学家一直在完善使黑腹果蝇成为可能的电路的理论描述。

这需要使用真实神经元行为或真实神经系统部分行为的数学描述来生成神经系统或神经系统部分的模拟，例如，气象学专业知识较少的科学家可以使用它们。

也能为测绘工作提供有价值的信息，压力梯度如何驱动风速的变化，研究人员一直在使用单细胞和空间转录组学以越来越高的准确性和特异性捕获基因表达模式。

这些技术包括具有荧光特性的蛋白质，自 1950 年代以来， 在某些情况下， 机器学习程序的好坏取决于用于训练和评估它们的数据，