PART 6
同一個問題有三種問法。這一部分把三種都做一次,然後比對答案——不一樣的地方才是重點
PART 3 用滑鼠做出了一份清單:medulla 裡有一部分在裡面的神經元,471 種。那份清單還有兩種拿法:寫三行 Python,或者直接用中文問 AI——而 VFB 自己就架了一台伺服器,專門讓 AI 去問它。
471 這個數字出自 PART 3 第 2 節(out/query_overlaps.json,scripts/vfb_probe.py,2026-09-14);第 5 節會把三層各自問到的數字並排。
前五個部分做的每一件事,都是滑鼠這一層:PART 1 比對兩套標準腦的分區、PART 3 做出那份 471 種的清單並把它帶走(三種下載都在那一節)、PART 5 跑一次 NBLAST 再把骨架下載下來。這一層能做的事比多數人以為的多。
但它有三件做不到的事,而且每一件都會在真的研究裡撞上:
| 做不到 | 什麼時候會撞上 |
|---|---|
| 批次 | 你要的不是一個腦區,是五十個 |
| 算不重複的個數 | 畫面給的是列數,而列數不是個數——要去重就得自己拿全部的編號回來 |
| 把結果接到下一步 | 清單拿到了,但下一步要拿它去問別的問題、或餵進自己的分析 |
這三件事就是接下來兩層存在的理由。底下兩節先各自介紹,第 5 節再把三層擺在一起比。
471 這個數字出自 PART 3 第 2 節(out/query_overlaps.json,scripts/vfb_probe.py,2026-09-14)。第 5 節會把三層各自問到的數字並排。
vfb-connectVFB 官方的 Python 套件。裝一行:
pip install vfb-connect
本課實測的是 2.4.5 版。用起來是三行:
from vfb_connect import VfbConnect
vc = VfbConnect()
vc.get_terms_by_region('medulla')
import 本身就會連線。光是把套件匯入並建立 VfbConnect(),就要五秒,而且會印出六百多個字元的彩色橫幅。寫進腳本裡會很吵,要自己把輸出關掉。len()、.columns、['id'] 這一套,不是 for x in ... 逐筆挑鍵。
版本、耗時、橫幅長度與回傳型別,由 scripts/three_layers.py 在 2026-09-14 實際跑一次量得,記在 out/three_layers.json 的 code 底下。
MCP(Model Context Protocol)是一套讓 AI 助理去呼叫外部工具的協定——這個詞本課第一次用,意思就是:有人把一組工具包好、放在一個網址上,AI 助理連上去就能用。VFB 自己架了一台:
https://vfb3-mcp.virtualflybrain.org
不需要認證、不需要 API key。本課實測到的伺服器版本是 vfb3-mcp-server 1.11.2。以 Claude Code 為例,接上去是一行:
claude mcp add --transport http virtual-fly-brain \
https://vfb3-mcp.virtualflybrain.org
接上之後,你就可以用中文問「medulla 裡有哪些神經元」,AI 會自己挑工具、自己填參數。
VFB 的說明文件介紹了七類。實際連上去問它,回來的是 11 個——七類都在,另外四個文件沒提,而且那四個全都跟 PART 4 的主題有關:
| 工具名 | 做什麼 | 文件有提嗎 |
|---|---|---|
get_term_info | 查一個詞的全部資訊 | 有 |
search_terms | 搜尋詞條 | 有 |
run_query | 跑現成查詢(含 NBLAST) | 有 |
get_hierarchy | 階層瀏覽 | 有 |
list_search_facets | 列出可以用來篩的類別 | 有 |
resolve_entity | 把名字解析成編號 | 有 |
resolve_combination | 解析 split-GAL4 組合名 | 有 |
list_connectome_datasets | 列出連線資料集 | 沒有 |
query_connectivity | 跨所有連線資料集查連線 | 沒有 |
get_predicted_neurotransmitters | 查預測的神經傳導物質 | 沒有 |
get_known_neurotransmitters | 查已知(人工整理)的神經傳導物質 | 沒有 |
伺服器版本、11 個工具的名稱與參數,由 scripts/three_layers.py 走 MCP 的握手流程後取得(2026-09-14),記在 out/three_layers.json 的 ai 底下。
現在把三層擺在一起。問題就是 PART 3 那個:medulla 裡有一部分在裡面的神經元,有幾種?
滑鼠與 AI 一致,程式那一層多了 39。差在哪裡?把兩邊的編號取回來逐一比對,答案很單純:
| 差別 | 多出來的是什麼 | 為什麼 |
|---|---|---|
| 510 → 481 | 排掉的都不是細胞:outer medulla、medulla layer M1–M10、inner medulla⋯ | 函式叫 get_terms_by_region,它回的是「跟這個腦區有關的所有詞」,不是只有神經元。加上 cells_only=True 就排掉了 |
| 481 → 471 | 9 個膠細胞 + 2 個神經元(Dm8a、Dm8b) | cell 不等於 neuron——膠細胞也是細胞。那兩個神經元見下一段 |
| 反過來,471 裡有 1 個是程式那層沒有的 | FBbt_00110069,標籤是 obsolete distal medullary amacrine neuron Dm8b | 一個已棄用的詞。vfb-connect 預設 include_deprecated=False 會把它排掉,而站上那支查詢沒有這個預設 |
三步接起來就是那個 39。510 →(加 cells_only=True,排掉不是細胞的那些)→ 481 →(9 個膠細胞與 2 個神經元出去、1 個已棄用的詞進來)→ 471。頭尾差 39,而中間每一步都是一個預設值。
最後那一列值得多看一眼:站上那 471 種裡,有一種是已經棄用的詞,而它的新版(FBbt_00053638 與 FBbt_00053639,Dm8a 與 Dm8b)反而只出現在程式那一層。同一個名字、兩個編號,一個作廢一個現行——這正是 PART 4 第 4 節講的棄用,出現在詞的層次上。
三層的數字、逐項差集與每一個差異項的標籤,由 scripts/three_layers.py 在 2026-09-14 各跑一次取得,原始輸出在 out/three_layers.json(滑鼠那一層的數字讀自 out/ui/query_results.json,也就是真的瀏覽器拍下來的標題列)。
| 這一層 | 什麼時候用 | 要付的代價 |
|---|---|---|
| 滑鼠 | 看一顆、確認一件事、把東西打包帶走。預設就用這一層 | 做不了批次;筆數是介面的性質(PART 2 第 5 節) |
| 程式 | 要批次、要算不重複的個數、要把結果接到下一步 | 要裝、要五秒的啟動、而且要自己弄清楚每個參數的預設值 |
| AI | 你還不知道該用哪一支查詢的時候;或者問題不好翻成介面操作 | 它會替你挑工具、填參數——而那些正是你該自己決定的事 |
三步,都要裝東西——前五個部分的作業單都不用,只有這一份要。不想裝也可以只讀不做:第 5 節的結論不需要你自己跑過就看得懂。
pip install vfb-connect
from vfb_connect import VfbConnect
vc = VfbConnect()
vc.get_terms_by_region('medulla')
看到什麼算對:回來的是一個 DataFrame。先不要看內容,先看 len()——是 510。vc.get_terms_by_region('medulla', cells_only=True)
看到什麼算對:481。三步的每一個數字,由 scripts/three_layers.py 在 2026-09-14 各跑一次取得,原始輸出在 out/three_layers.json。