如参考文献中所述，将微米数据集收集在单个鼠标中。14，包括神经生理数据收集，视觉刺激，刺激组成，EM数据收集，自动EM分割和重建，EM Synapse检测，手动EM校对，体积核心构造和手动soma – Soma匹配功能和EM体积之间。下面的“神经生理实验”，“视觉刺激”和“验证数字双胞胎模型”部分是针对扩展数据图2中描述的其他实验的特定的。2、4和8。

　　所有程序均由贝勒医学院机构动物护理和使用委员会批准。动物被安置在一个20–22°C，30-70％湿度的房间中，湿度为12小时：12小时的黑暗周期室，在主观夜晚进行了实验。Ten mice (Mus musculus, 3 female, 7 males, 78–190 days old at first experimental scan) expressing GCaMP6s in excitatory neurons via Slc17a7-Cre and Ai162 transgenic lines (provided by H. Zeng; JAX stock 023527 and 031562, respectively) were anaesthetized and a 4-mm craniotomy was made over the visual cortex of右半球如前所述47,48。

　　按照所述的15进行钙化成像，将钙成像在圆柱形跑步机上方，如所描述的14，表面功率不超过20 mW，深度为220μm，最大的激光功率为〜86 MW，在大约400μm的表面上使用了〜86 mW。

　　在六个自由度的目标方面，颅骨窗口平衡了。从皮质窗口的感兴趣区域（3,600×4,000μm，0.2像素 /μm，从表面为200μm，2.5 Hz）到漂流杆刺激的示意图以生成符号图30。

　　对于扩展数据图2中的验证数据。2、4和8，我们的目标成像位点是1,200×1,100μm2的区域，横向V1和三个侧面较高的视觉区域的结合下跨度L2 -L5：AL，LM和RL。这导致成像量约为50％V1和50％HVA。选择该目标是为了模仿微米动物的面积成员资格和功能性特性分布。每次扫描以6.3 Hz进行，每帧收集八个620×1,100μm2的字段，以0.4像素为0.4μmXY XY分辨率，以瓷砖为1,190–1,200×1,100μm2在4个深度的视野（2个平面，每个深度为40-50μmmmmperlapfields）之间。将4个成像平面分布在具有至少50μm间距的层上，其中两个平面为L2/3（深度：180μm，230μm），L4（325μm）中的一个平面，一个平面为L5（400μm）。

　　在整个实验过程中，捕获了动物眼睛和脸部的视频。位于动物的左眼和刺激监测器之间的热镜（Thorlabs FM02）用于在不掩盖视觉刺激的情况下将IR图像反射到相机上（Genie Nano c1920m，Teledyne Dalsa）。每个会话的镜子和摄像头的位置是手动校准的，并专注于学生。每个会话都手动裁剪了视野。视场完全包含左眼全眼212-330像素高度×262–424像素宽度为20 Hz。框架时间在行为时钟中被刻在刺激和扫描框架时间的行为时钟。使用LabView的MJPEG编解码器压缩视频，质量为600，并将帧存储在AVI文件中。

　　在扫描过程中通过瞳孔扫描时从激光扩散的光用于捕获瞳孔直径和眼动。对17个手动标记的样品进行了培训，该样品在11只动物中进行了训练，以标记压缩眼视频的每个框架（仅框架内H.264压缩，CRF：17），具有8个眼睑点和8位瞳孔点，在红衣主教和心脏间位置。可能性> 0.9的瞳孔点（每次扫描框架的69.8-99.2％中的所有8个）都与最小的封闭圆相吻合，并且提取了该圆的半径和中心。框架 <3 pupil points with likelihood >0.9（<1.1% frames per scan), or producing a circle fit with outlier >5.5×S.D.从三个参数中的任何一个（中心x，中心y，半径， <0.1% frames per scan) were discarded (total <1.2% frames per scan). Gaps were filled with linear interpolation.

　　The mouse was head-restrained during imaging but could walk on a treadmill. Rostro-caudal treadmill movement was measured using a rotary optical encoder (Accu-Coder 15T-01SF-2000NV1ROC-F03-S1) with a resolution of 8,000 pulses per revolution, and was recorded at ~100 Hz in order to extract locomotion velocity.

　　For the validation data in Extended Data Figs. 2, 4 and 8, monitor size and positioning relative to the mouse were as described14, with the exception of replacing the dot stimulus for monitor positioning with 10 × 10 grid tiling a central square (approximately 90° width and height) with 10 repetitions of 200 ms presentation at each location.

　　A photodiode (TAOS TSL253) was sealed to the top left corner of the monitor, and the voltage was recorded at 10 kHz and time-stamped with a 10 MHz behaviour clock. Simultaneous measurement with a luminance meter (LS-100 Konica Minolta) perpendicular to and targeting the centre of the monitor was used to generate a lookup table for linear interpolation between photodiode voltage and monitor luminance in cd m−2 for 16 equidistant values from 0–255, and 1 baseline value with the monitor unpowered.

　　At the beginning of each experimental session, we collected photodiode voltage for 52 full-screen pixel values from 0 to 255 for 1-s trials. The mean photodiode voltage for each trial was collected with an 800-ms boxcar window with 200-ms offset. The voltage was converted to luminance using previously measured relationship between photodiode voltage and luminance and the resulting luminance versus voltage curve was fit with the function L = B + A × Pγ, where L is the measured luminance for pixel value P, and the γ of the monitor was fit as 1.73. All stimuli were shown without linearizing the monitor (that is, with monitor in normal gamma mode).

　　During the stimulus presentation, display frame sequence information was encoded in a three-level signal, derived from the photodiode, according to the binary encoding of the display frame (flip) number assigned in order. This signal underwent a sine convolution, allowing for local peak detection to recover the binary signal together with its behavioural time stamps. The encoded binary signal was reconstructed for >93% of the flips. Each flip was time-stamped by a stimulus clock (MasterClock PCIe-OSC-HSO-2 card). A linear fit was applied to the flip time stamps in the behavioural and stimulus clocks, and the parameters of that fit were used to align stimulus display frames with scanner and camera frames. The mean photodiode voltage of the sequence encoding signal at pixel values 0 and 255 was used to estimate the luminance range of the monitor during the stimulus, with minimum values of approximately 0.003–0.60 cd m−2 and maximum values of approximately 8.68–10.28 cd m−2.

　　Fluorescence traces from the MICrONS dataset and the additional data for Extended Data Figs. 2, 4 and 8 were detrended, deconvolved and aligned to stimulus and behaviour as described26, and all traces were resampled at 29.967 Hz. Possible redundant traces, where a single neuron produced segmented masks in multiple imaging fields, were all kept for downstream model training. We elected to remove one of the 14 released scans from the analysis (session 7, scan_idx 4) due to compromised optics (water ran out from under the objective for ~20 min), leaving 13 scans.

　　The model architecture and training for the digital twin model used for assessing in silico signal correlation, feature weight similarity, and RF centre distance is the same as the CvT-LSTM model described in ref. 26.

　　In brief, the core network of the CvT-LSTM models was trained on eight scans collected from eight mice with natural video stimuli to capture cortical representations of visual stimuli shared across mice. The parameters of the core network are then frozen, and the rest of the network parameters are trained for each scan with trials where natural videos are shown in the MICrONS dataset. Trials were excluded from model training if more than 25% of their pupil frames were untrackable. This issue most commonly arose when the animal closed its eye, rendering the functional relationship between neural activity and the visible stimulus ambiguous. The number of excluded trials varied across scans, ranging from 2 to 123 per scan, representing 0.6–38.0% of total trials.

　　To assess orientation tuning similarity (Extended Data Figs. 8, 9, 10 and 13), the parameters of the core of the CvT-LSTM model above were frozen, and the rest of the network parameters are fine-tuned with both natural videos and oriented noise stimuli available from the MICrONS dataset to improve alignment between in vivo and in silico orientation tuning.

　　In order to focus our analyses on neurons that are visually responsive and well modelled by the digital twin, we applied a dual functional threshold over two metrics (in vivo reliability and model prediction performance) prior to all analyses related to signal correlation, RF centre distance and feature weight similarity.

　　In order to estimate the reliability of neuronal responses to visual stimuli, we computed the upper bound of correlation coefficients for each neuron (CCmax; Schoppe et al.50) across 60 s of natural video stimuli repeated 10 times across the stimulus period (10 min total). CCmax was computed as:

　　where y is the in vivo responses, and N is the number of trials. A threshold of CCmax >应用0.4。如果将多个2P功能单元与给定的EM单元匹配，则使用具有较高Oracle得分的功能轨迹进行分析。

　　为了将分析重点放在神经元上，其足够的模型性能表明神经元调整功能足够准确地表示，我们计算了载有Oracle Oracle测试数据集的测试相关系数，这不是训练集的一部分。测试相关系数（CCAB）计算为：

　　其中x是计算机响应，y是体内响应。应用CCAB> 0.2的阈值。

　　在148个突触前神经元中，有144个和4,811个突触后神经元中的3,920通过双功能单位纳入标准。

　　如随附的第14条所述，计算了所有单元的Oracle分数。甲骨文分数后来用于选择突触前神经元进行形态学校对。

　　2P功能单元和EM单元之间的匹配与表CoreGistration_Manual_V414紧密对齐，并应用了一些其他限制。首先，删除了“神经反应和行为数据的预处理”中描述的排除扫描的匹配。然后，将两个阈值直接应用于桌子（残留<20 and score >-10）。

　　尽管EM分割的自动化已经发展到在毫米尺度上进行密集重建的位置，但即使是最先进的方法，相对于人类专家的性能，该图仍留下了缺陷。重建误差的两类是错误的合并（分段对象的不正确分组，例如包括不属于特定体soma的轴突或树突）和错误的拆分（对象的不正确分离，例如排除轴突或木制树枝的分离，或者确实属于特定躯体的轴突或树突）。这些错误导致前和突触后伙伴之间的不正确关联，并最终是不正确的连接图。校对通过“清洁”重建（删除不正确关联的段）来纠正错误合并，并通过“扩展”重建（添加后面缺失的段）来纠正错误拆分。我们在这项研究中使用了两种校对方法：手动和自动。通过专家神经解剖学家的验证，对“手动校对者”进行了清洁和扩展以高度准确性的培训。这项研究中的所有突触前细胞都是手动校对的。手动校对协议可以在主要数据集文章中找到。对于其他细胞（突触后和控制神经元），我们使用Neurd Package28进行自动校对。相对于手动校对器，自动校对以高度准确性清洁重建，但并没有扩展重建。

　　在基线时，重建的树突通常是完整的，需要的延伸很少51。但是，它们通常包含需要清洁的虚假合并51。所有突触前神经元的树突均已手动清洁和延伸。用Neurd28清洁其他神经元的树突。

　　在基线时，重建的轴突需要清洁和扩展51。仅手动清洁并延伸突触前神经元的轴突。为了平衡形态完整性（每个神经元）和覆盖范围（跨投影类型），我们将轴突扩展到不同程度的完成程度。具体而言，我们对神经元的子集（n = 84）进行了完整的手动校对，该校正涉及在整个数据集中彻底清洁和扩展所有轴突分支。对于剩余的神经元（n = 64），我们应用了部分校对，专注于扩展轴突分支，这些轴突分支已预先筛选为从HVA到V1的反馈。校对前神经元的完整列表，其面积和层成员资格，以及它们是完全还是部分校对的补充表1中，并在扩展数据中显示了一部分校对轴突。

　　作为手动校对协议14的一部分，指示校对器在每个神经突的终止时留下注释，无论是自然还是不完整。从这些注释中，我们估算了无法追踪的末端的频率，这是一个不完整的粗略指示。对于树突，中位神经元的不可追踪末端的百分比为1％（n = 148个完全校对的树突状乔木）。对于轴突，中位神经元具有43％（n = 84个完全校对的轴突轴轴）的不可追踪末端（不包括数据集边界的末端）。

　　我们选择手动校对前神经元的方法旨在丰富视觉区域内部和（尤其是）内部和（尤其是）的高阶连接基序。由于连接概率随距离52下降，因此我们选择将校对校对工作集中在两个圆柱形柱中的空间簇状细胞上，跨越皮质层2-5，第一列位于V1中，第二列位于RL中。根据视网膜图选择了柱中心，因为已经表明，美室间的投影与视网膜相匹配为29,43。在校对过程中，我们在V1中添加了一个额外的列，另一个跨越了RL和Al边框，以增加卷的覆盖范围。最后，选择了一些在校对后对校对V1细胞的HVA细胞以富集高阶基序（n = 9）。

　　所有用于校对的神经元的Oracle得分大于0.25，模型测试相关性（来自数字双胞胎的中间版本的模型预测性能）大于0.15。前40个神经元是由经验丰富的神经科学家对功能特性的盲目选择，以强调功能多样性。所有其余神经元均被视而不见的功能特性。

　　为了控制轴突尺度的解剖结构，我们招募了所有视觉响应，良好的预测，功能匹配的兴奋性神经元（CCMAX> 0.4，CCABS> 0.2），这些神经元与突触后靶点相同，但并未观察到与Anapse a appe the Synapte靶向同一区域，但并未与Presynaptic Neuron（同一神经元对照）（相同区域区域）形成突触）。Microns Release14使用了每个神经元的区域成员标签。此外，符合相同区域控制和ADP控制标准的控制候选者（如下所述）仅包括在ADP控制中。

　　In order to control for anatomy at the synaptic scale, we recruited all visually responsive, well predicted, functionally matched excitatory neurons (CCmax >0.4, CCabs >0.2) with a dendritic skeleton passing within 5 μm of the presynaptic neuron axonal synapse in the presynaptic axonal arbor (3D euclidean distance), but which are not observed to form a突触前神经元（ADP对照）突触。使用艾伦脑科学研究所合作者开发的PCG_SKEL软件包计算出突触前轴突骨骼53,54。对于突触后树突骨架，我们使用了如上所述的28。

　　为了计算一对神经元之间的轴突 - 树形距离距离（LD），我们首先将一个神经元的轴突骨架和另一个神经元的树突骨架离散化，以使得无边的长度超过1μm的长度。接下来，我们通过使用scipy.scipy. -Spatial模块在Scipy55中使用kdtree query_tree方法进行空间查询，从两个骨架中识别出所有骨骼之间的所有顶点。从这些近端顶点（近端）中，我们确定了相关的树突边缘。将这些树突边缘的长度求和以获得LD。

　　从表突触获得突触，如果它们在接近度中的任何顶点的3μm内，则将其分配给ADP。

　　在关节区域和层分析的情况下（图4），相同区域和ADP对照中的候选者必须额外匹配与突触后目标相同的层分类，才能包括在内。如上所述进行层分配。

　　为了表征两个建模神经元之间的成对调整相似性，我们计算了它们与2500 s自然视频的响应的相关性。自然视频以10 s的试验馈送到模型中。在29.967 Hz下产生模型响应，并在将响应纳入500毫秒的非重叠垃圾箱并在试验中串联后计算出皮尔逊相关性。

　　数字双模型体系结构包括一个共享核心，该核心经过训练以表示刺激输入中的时空特征，以及最终层，其中特定读数位置处的时空特征是线性加权的，以产生当前时间点上特定神经元的预测活性。读取位置和线性特征重量是为每个神经元独立学习的。为了测量两个单元之间的特征重量相似性，我们从最后一步中提取线性特征权重为长度为512的向量，并在两个向量之间取余余量相似性。为了测量两个单元之间的RF中心距离，我们将读数位置提取为2D坐标在监视器上，并在其眼睛相对于鼠标眼睛之间的角度，假设监视器位于最接近点的鼠标远处，距离鼠标远处15厘米，远离鼠标的表面。

　　该模型显示了240个参数定向视觉刺激（MONET）的块，每个15 s块由16个同样分布的试验组成，并随机排列的运动方向在0和360°之间。建模的神经元的方向调整曲线被计算为其对跨块平均16个方向的平均响应。我们从建模的神经元的调整曲线中计算了GOSI和方向选择性指数（OSI），如下所示：

　　其中θ是刺激的方向，rθ是方向θ的刺激的平均模型响应，而rpo和rortho分别是首选和正交取向的平均建模响应。GOSI度量基于参考文献中的1 - CircVar度量。57，这是一种基于向量的方法，旨在降低量化响应的定向选择性的不确定性，尤其是在高吞吐量，公正的记录方法返回许多具有低方向选择性的细胞的情况下，就像钙成像一样。本文的分析中仅包括具有GOSI> 0.25的神经元。对于使用我们的GOSI阈值> 0.25选择的神经元，计算的OSI范围为0.43至0.99，平均值为0.56。对于两个阈值，被认为调用定向的细胞的比例（共同注册的V1神经元的57.4％具有GOSI> 0.25，62.7％的共同注册的V1神经元具有OSI> 0.4）与在其他研究中报告的相似（V1层2/3（参考文献1）（参考文献1），V1层和58层和58层/3/3/3/3/3/3/3/3/3/小时（72％）（72％）。58））。然后，单位方向调谐曲线通过两个von mises函数的混合物和偏移的参数化，如26所述。简而言之，该模型具有以下形式：

　　其中α和β是两个von mises函数的振幅，μ是首选方向，κ是分散体，γ是偏移。通过最小二乘优化来估计参数，并最小化。神经元的首选方向被视为μ至180°的模量。

　　为了验证我们的数字双胞胎模型产生的中硅信号相关性，我们首先建立了用于体内信号相关性的基准。我们首先确定用于测量体内信号相关性的刺激重复的最佳数量。向两只小鼠展示了6个独特的10秒自然视频夹，每个剪辑在60分钟内重复60次。根据图2a的扩展数据中显示的结果，我们确定每个夹子的十项重复提供了对体内信号相关性的可靠估计，同时保持了合理的实验时间，以在随后的实验中显示大量夹子。

　　建立了这种最佳的重复计数，我们使用一组扩展的视觉刺激对三只小鼠进行了实验。这些刺激包含如上所述的微米数据集中呈现的刺激，包括自然视频，全局定向参数刺激（MONET）和局部定向参数刺激（Trippy）。此外，我们提出了36个独特的10 s自然视频剪辑，每个剪辑重复10次，总计60分钟的刺激。为了促进与Microns数据集进行比较并建立一个强大的地面真相，我们将这36个剪辑分为两组：一组30片剪辑的基准集重复10次，作为我们的“基础真相”，用于信号相关性，并将6个剪辑的6个剪辑集重复使用10次，模仿了重复的自然剪辑数据数据量。

　　对于每只鼠标，我们使用与Microns Digital Twin相同的架构和培训数据培训了数字双胞胎模型。这使我们能够生成三个信号相关矩阵以进行比较：一个从微米等效的集合计算的体内矩阵，使用250个新颖的自然视频剪辑生成的硅矩阵和一个基于30张折叠套件计算的基准矩阵。为了比较这些矩阵，我们随机采样了1,000个神经元之间的信号相关性的一部分。然后，我们使用Ward的方法在基准矩阵上进行了层次聚类，并将结果的树状图用于对神经元进行排序。如图2B所示，将此排序应用于微米等效矩阵中以进行视觉比较。在此初步比较之后，我们计算了三个矩阵下三角形的相应条目之间的皮尔逊相关系数。为了评估统计显着性，我们采用了一种重采样方法，进行了1,000个基准和微米等效集的随机分裂，我们从中估算了Pearson相关性的基于标准偏差和基于重新采样的P值。这种综合方法使我们能够评估与体内测量相比，数字双胞胎模型在计算机信号相关性中的符合地面真相的程度与有限数据相比，从而验证了该模型在复制神经响应相关性方面的性能。

　　为了验证数字双胞胎模型的RF估计值，我们进行了其他实验，并分析了比较体内和硅RF测量中的RF估计。我们使用一组扩展的视觉刺激收集了另外三项功能扫描。这些刺激包含Microns DataSet14中呈现的刺激，包括自然视频，全局定向参数刺激（MONET）和局部定向参数刺激（Trippy）。此外，我们提出了57.6分钟的稀疏噪声刺激。稀疏的噪声刺激由明亮（像素值255）和深色（像素值0）的平方点组成，每个平方点的视觉角度约为6°，以随机顺序显示在灰色背景（像素值127）上。这些点以12个位置呈现，沿屏幕的水平和垂直轴覆盖70°的视角。每个演示文稿持续200毫秒，每个条件重复60次。

　　我们通过将视觉刺激与反vloved钙痕迹交叉相关，计算了体内sta rf。独立估算明亮点（on-stas）和深色点（STAS）和深色点（STA）的Stas，然后通过摄入沿STA的像素的最大值来结合使用。然后，我们向数字双胞胎模型展示了相同的稀疏噪声刺激，并使用模型响应在计算机sta rf中进行了计算。为了评估STA质量，我们通过将每个神经元的STA乘以刺激框架来产生响应预测，并将这些预测与使用Pearson相关系数的体内试验平均响应或模型响应进行了比较。相关性大于0.2的神经元被认为是良好的。然后，我们通过将2D高斯拟合到Stas提取了STA RF中心，其拟合得出的R平方值超过0.5被认为拟合良好。我们的分析表明，所有成像神经元中有44％的体内体内良好，适合良好的体内。

　　为了可视化使用体内STA或Silico STA测量的视网膜图，我们将STA RF中心转换为方位角和高程角，假设小鼠正在看显示器的中心。为了排除部分测量的STA，我们仅包括具有特征良好且拟合良好的Sta中心的神经元，位于整个12×12刺激网格的中央8×8平方（所有成像神经元的27％）中，以进行扩展数据图4a – d，f，f，h。对于扩展数据的分析图4E，G，I，我们包括了响应相关性最低的25％的神经元，该神经元位于中央8×8正方形中的sta中心。

　　最后，我们将视网膜图图的相干性量化为Spearman在皮质距离和视网膜距离之间的相关性，在皮质区域中随机采样了10,000个随机采样神经元对，该神经元对不包含视网膜逆转（显示为视网膜图中的圆形圆形区域中显示为视网膜图中的圆形区域中的圆形图中，图。

　　为了通过体内定向调整来验证计算机取向调整，我们通过扩展的刺激集收集了另外三项功能扫描。这些刺激包含Microns DataSet14中呈现的刺激，包括自然视频，全局定向参数刺激（MONET）和局部定向参数刺激（Trippy）。此外，每个刺激都包含另外40分钟的试验，随机混合，如下：

　　我们表征了30分钟的全球定向参数刺激（MONET；扩展数据图8A）以及上述数字双核模型的上述数字核模型和读取了同一扫描神经元的训练的数字双胞胎模型，响应于相同的signuli onfortion nater nater pretation scans scans scans scans scans scans scans scans scans（micr scans pretation consebose，否则，我们都表征了体内取向调节。当我们应用GOSI> 0.25的阈值时，我们发现95％的细胞在计算机和体内优选方向之间具有绝对的差异，小于19.7°。

　　本文中用于功能连接分析的所有功能和解剖数据均从单个鼠标收集。未进行样本量计算，该鼠标先验，并通过使用每个实验组的所有可用数据，匹配或超过以前的类似设计研究来确定样本量（测试的连接数）。在此单一小鼠的背景下，我们将成对的神经元作为独立样本进行统计分析。用于在扩展数据2中验证计算机属性。2、4和8，我们重现了三只小鼠的验证结果，该数量的验证小鼠在经验中选择了没有正式的样本量计算。

　　我们采用了配对的t检验来比较突触前神经元和三组潜在靶神经元之间的信号相关性：连接的突触后神经元，ADP神经元和相同区域控制神经元。我们的分析集中在每种投影类型的超过十个突触后靶标的突触前神经元上，以确保可靠的比较。对于每个突触前神经元，我们计算了平均信号相关性与其突触连接的突触后靶点，ADP神经元（具有树突的神经元与突触前轴突接近，但未突触连接的神经元），但没有突触连接），以及相同的聚会神经元（同一大脑区域中的神经元）（在同一同一型神经元中，但没有proceximal Axonal Axon-Axon-Axon-Axon-toss-dendrite-dendrite – dendendrite – dendendrite-dendrite）。然后，我们进行了配对t检验以比较这些平均相关性。例如，为了比较连接的和ADP神经元对，我们在每个突触前神经元的平均信号相关性与其突触后靶标与其与ADP神经元的平均信号相关性之间进行了配对的t检验。这种方法使我们能够控制跨突触前神经元的变异性，同时直接比较它们与不同目标组的相关性。所有统计分析均使用Python中的Scipy软件包进行。对于所有测试，我们将显着性水平（α）设置为0.05。为了考虑多个比较，我们使用statsModels软件包中实现的Benjamini -Hochberg程序调整了P值。

　　为了量化LD的变化是功能相似性的函数，我们将分析限制为神经元对，而它们之间没有突触连接。然后，我们遵循以下步骤：

　　可视化中只有十多个连接的神经元对和十多个突触前神经元的垃圾箱。

　　为了量化突触密度的变化，NSYN/LD是功能相似性的函数，我们将分析限制为神经元对，它们之间观察到了正LD。然后，我们遵循以下步骤：

　　可视化中只有十多个连接的神经元对和十多个突触前神经元的垃圾箱。

　　LD测量从另一个神经元轴突5μM以内的一个神经元行进的距离树突。大多数神经元的轴突和树突永远不会彼此近距离接近，它们的LD为零。因此，LD分布是一个非负连续分布，在零LD时具有实质性的非零概率度量。因此，我们将LD建模为遵循Tweedie指数分散家族的随机变量（带有Tweedie索引参数ξ（1，2））。具有此类索引参数的Tweedie分布是伽马分布的泊松混合物，通常用于用精确的零为连续数据建模。我们假设两个神经元的轴突和树突在N接近点的5μm内传播，其中N〜POI（λ*），λ*是泊松分布的轴突树突状近端接触的平均数量。当n> 0时，我们假设每个近端Zi（i = 1，…，n）在5μm内的距离树突在5μm内行驶，则遵循伽马分布GAM（μ，ϕ）。在这些假设下，总电位突触距离

　　其中ld = 0当n = 0时，遵循1 <ξ<2的Tweedie分布。然后，我们对LD，功能相似性SIM（例如，信号相关性，特征权重相似性和两个神经元之间的RF位置距离）进行建模，并使用Tweedie-Distibed Glmm与对数链接功能进行proj的投影类型。为了在大脑区域层面进行分析，ProJ是一个名义变量，其中有四个类别：V1区域内，HVA区域内预测，前馈预测和反馈预测。类似地，用于在大脑区域和层级别的分析中，ProJ是一个名义变量，包含所有区域和层投影类型的类别。我们将GLMM应用于建模，因为已推荐它们用于DataSets59中的多层次数据依赖性，例如投射类型和我们的研究中突触前神经元校对进度。我们指定模型如下：

　　在哪里：

　　系数β1，β2和β3代表功能相似性和投影类型如何影响轴突尺度的连通性。我们使用GLMMTMB R软件包独立地为每个功能相似性拟合模型。据报道，估计模型的拟合优度是Nakagawa的R平方，该r平方与性能R软件包计算出来。我们将每个功能相似性和投影类型的轴突尺度（例如类似的系数）定义为在投影类型上的每个功能相似性之间的估计线性关联。使用Emmeans R软件包中的Emtrend函数计算拟合GLMM的系数估计值和相应的显着性测试。

　　Nsyn测量两个神经元之间的突触数量。我们将其建模为泊松分布的随机变量及其与功能相似性的关系，作为具有以下规格的GLMM模型：

　　在哪里：

　　系数β1，β2和β3估计功能相似性和投影类型如何影响连通性，而与空间尺度（轴突或突触）无关。我们使用GLMMTMB R软件包独立地为每个功能相似性拟合模型。据报道，估计模型的拟合优度是Nakagawa的R平方，该r平方与性能R软件包计算出来。我们将每个功能相似性和投影类型的轴突尺度（例如类似的系数）定义为在投影类型上的每个功能相似性之间的估计线性关联。使用Emmeans R软件包中的Emtrend函数计算拟合GLMM的系数估计值和相应的显着性测试。

　　NSYN/LD测量每个神经元对的每毫米轴突 - 树木共乘距离的突触数量。为了量化其与功能相似性的关系，我们采用了以下GLMM模型：

　　在哪里：

　　以上方程可以重新安排为：

　　因此，β1，β2和β3模型功能相似性如何在突触尺度上影响突触转化率（NSYN/LD）。我们使用GLMMTMB R软件包独立地为每个功能相似性拟合模型。据报道，估计模型的拟合优度是Nakagawa的R平方，该r平方与性能R软件包计算出来。我们将每种投影类型的每个功能相似性的类似类似的系数定义为在投影类型上的每个功能相似性之间的估计线性关联。使用Emmeans R软件包中的Emtrend函数计算拟合GLMM的系数估计值和相应的显着性测试。为了避免将模型拟合到几乎没有数据的投影类型或以几乎突触前神经元的主导，对于上述所有模型，我们仅包括和报告类似于对的系数，对投影类型，观察到30多个突触的投影类型，超过5个突触前神经元，超过5个超过5个突触的神经元，而没有一半的突触前神经元对所有Stynapses的一半造成了一半。

　　我们研究了神经元功能相似性与其突触连接的解剖特征之间的关系。我们的分析解释了Axon-Dendrite Co-Travel距离（LD）的混杂作用，该距离与功能相似性和突触测量相关。为了隔离突触解剖学对功能相似性的影响，我们采用了两步回归方法：

　　首先，我们根据功能相似性度量的LD效应来调节分析。此过程涉及：

　　这些残差成为我们针对LD的影响调整的功能相似性的新量度。接下来，我们使用这些残差作为因变量构建了线性回归模型。该模型中的自变量包括突触连接的解剖测量，神经元对之间的突触总数和平均突触裂缝体积。

　　这种方法使我们能够测试突触测量是否可以显着预测神经元之间的功能相似性，而不是通过其物理接近性来解释的（如LD测量）。

　　为了量化类似类似的连通性随V1内神经元之间的物理距离的变化，与所有其他无连接的功能共同注册的神经元对相比，我们测量了连接的神经元对之间的3D EM体细胞距离，该神经元具有相同的突触前神经元人群。然后，我们评估了几种功能相似性的度量如何随躯体距离而变化。这些度量包括体内信号相关性，硅信号相关性，特征重量相似性和RF中心距离。将体距离分为100μm，进行此分析。

　　用于在图6中产生结果的RNN模型由带有1,000个隐藏单元的香草RNN层组成，并在20个时间步长的情况下模拟了一个模拟的双曲线切线激活函数。通过通过线性层传递MNIST图像来获得静态输入。通过在最后一个时间穿过另一个线性层的隐藏激活来获得输出。所有三层均经过10个时期的训练，批次大小为512，分类横熵损失函数和Pytorch中的Adam Optimizer。如果相关的重量位于所有权重的前35个百分点，则将突触前和突触后神经元对分类为连接，特别是如果重量大于0.01。在图6D中，如果重量高于0.01，并且神经元的信号相关性高于0.2，则选择权重作为消融候选。约有10.5％的权重符合这些标准，并从该集合中随机选择了消融的权重。改变权重和信号相关性的阈值并没有改变我们的结论。对于几个不同的超参数（隐藏单元的数量，时间步数和批处理大小），我们通过在四倍的值范围内改变超参数来测试灵敏度。我们的总体发现没有改变。我们还验证了当模型在时尚界的训练代替MNIST上时，结果是相似的。

　　对于连接图G，我们定义

　　我是突触前神经元和j，k是体积中的任何两个神经元。ρ测量突触前神经元I的所有突触后神经元的平均相似性。

　　使用观察到的连接图G，我们估计了NSYN与功能相似性（在计算机信号相关性，特征重量相似性和RF中心距离）之间的关系，GLMM类似于对上述突触数进行建模的规格。我们没有独立建模每个功能相似性，而是在单个模型中包括了所有功能相似性及其与投影类型的相互作用，以说明尽可能多的成对连接规则。然后，我们估计所有共同输入I的突触后神经元之间的预期功能相似性为：

　　鉴于GLMM的功能相似性，神经元I和J之间的突触数量在哪里。

　　为了复制RNN模型中的共同输入分析，我们应用了上述相同的方法。我们首先在RNN模型中以与上面的RNN部分相同的阈值进行了二进制连接。然后将连接性与信号相关性之间的关系建模为逻辑回归模型。突触后神经元的平均相似性和预期相似性估计为：

　　其中Wi，J是人造神经元I和J之间的二进制重量。

　　其中PI，J是逻辑回归模型预测的人工神经元I和J之间的连接概率。

　　实验和分析是使用自定义构建数据管道进行的。我们的自定义数据管道（https://github.com/cajal/pipeline）在Matlab（2016a，2018b），Python（3.6，3.8）和R（4.3.3）中开发，具有以下工具：PsychToolbox 3，Scanimage（Scanimage（2017b），2017b），Deeplabcut（2.0.5），CAIMAN（2.0.5），CAIMAN（1.0）和LABS，并为2016年，和2016年）和2016年。数据连接（0.12.9），MySQL（5.7.37）和Cave（4.12,4.14,4.16）用于存储和管理数据；Meshparty（1.16），Neurd（1.0.0）和PCG_SKEL（0.3,0.2）用于形态分析；Numpy（1.23.5），Pandas（1.5.3），Scipy（1.10.1），StatsModels（0.13.5），Scikit-Learn（1.2.1），Pytorch（1.12.1）（1.12.1），Tidyverse（2.0.0），2.0.0），GLMMTMB（1.1.10），绩效（1.1.10），（1.1.1.2.2）和属性（0.12.2）和EMMEAN和EMMEANS（1.10.3）（1.10.3）Matplotlib（3.7.0），Seaborn（0.12.2），Holoviews（1.15.4），IpyVolume（0.5.2）和Neuroglancer（https://github.com/seung-lab/neuroglancer）用于图形可视化；以及Jupyter（Ipykernel：6.21.2），Docker（23.0.1）和Kubernetes（1.22.11）用于代码开发和部署。

　　有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得。