将同类目标转换为以自我为中心的转向信号

　　果蝇在12小时的光线上在25°C下饲养果蝇果蝇：黑暗循环。所有生理和行为实验均在1至4天大的女性苍蝇上进行。对于光遗传实验，将实验和对照横梁保存在带有蓝色凝胶滤波器（Tokyo Blue，Rosco）的盒子中，以最大程度地减少CSCHRIMSON激发光谱中的光线，同时也不将苍蝇保持在完全黑暗中；将这种实验的果蝇放在含有400 µm全反式视网膜的食物上至少一天。 　　为了在Menotaxis实验过程中成像EPG神经元（图1和扩展数据图3），我们使用了+/-；+/+;UAS-GCAMP7F/60D05-GAL4或 +;uas-tdtomato/+;UAS-GCAMP7F/60D05-GAL4。 　　为了在Menotaxis实验过程中成像FC2神经元（图1和扩展数据图3），我们使用了 + +;VT065306-AD/+;VT029306-DBD/UAS-GCAMP7F或 +;VT065306-AD/UAS-TDTOMATO;VT029306-DBD/UAS-SYTGCAMP7F。 　　为了在成像时刺激FC2神经元（图2和扩展数据图4），我们使用了 +；VT065306-AD/UAS-CSCHRIMSON-TDTOMATO;VT029306-DBD/UAS-SYTGCAMP7F。对于控制苍蝇，我们使用了 +;VT065306-AD/UAS-TDTOMATO;VT029306-DBD/UAS-SYTGCAMP7F。 　　为了标记PFL3神经元进行贴片钳实验（图3和扩展数据图6-9），我们使用了 +；VT000355-AD/UAS-2XEGFP;VT037220-DBD/+。 　　为了标记PFL3神经元仅用于钙成像（图5a – d和扩展数据图9i和10a），我们使用了 +；57C10-AD/UAS-TDTOMATO;VT037220-DBD/UAS-GCAMP7F。 　　为了在成像时刺激PFL3神经元（图5E – H和扩展数据图10b – d），我们使用了 +；VT000355-AD/UAS-GCAMP7F;VT037220-DBD/UAS-CSCHRIMSON-TDOMATO。对于控制苍蝇，我们使用了 +;VT000355-AD/UAS-TDTOMATO;VT037220-DBD/UAS-GCAMP7F（图5G，H）。 　　为了在成像时刺激PFL1神经元（图5G，H），我们使用了+/-;VT000454-AD/ UAS-GCAMP7F;VT001980-GAL4/UAS-CSCHRIMSON-TDOMATO。 　　表征VT065306-AD的表达模式；VT029306-DBD（扩展数据图1A，B），57C10-AD;VT037220-DBD（扩展数据图1D，E），VT00355-AD;VT037220-DBD（扩展数据图1F，G）和27E08-AD;VT037220-DBD（扩展数据图1H，i）我们将这些线越过了UAS​​-REDSTERGER；UAS-MCD8-GFP。 　　用于VT065306-AD的多色翻转；VT029306-DBD我们使用了HS-FLPG5.pest（扩展数据图1C）。 　　为了在pfl3神经元中表达shibirets，在风诱导的角度记忆任务中，我们使用了 +。57C10-AD/+;VT037220-DBD/UAS-SHIBIRET（扩展数据图11）。为了表达EPG神经元中的shibirets，我们使用了+/-;60d05-gal4/+;uas-shibirets/+（图6和扩展数据图11）。对于控制蝇，我们使用了+/-;空ad/+;空-DBD/UAS-shibirets，也用于“无风”控制实验（图6和扩展数据图11）。 　　为了在pfl3神经元中表达TNT，在风诱导的角度记忆任务中，我们使用了 +;57C10-AD/UAS-TNT（E）;VT037220-DBD/ +（图6和扩展数据图11）或 +;27E08-AD/UAS-TNT（E）;VT037220-DBD/+（扩展数据图11）。对于控制苍蝇，我们使用了 +;57C10-AD/UAS-TNT（Q）;VT037220-DBD/ +（图6和扩展数据图11）和 +;27E08-AD/UAS-TNT（Q）;VT037220-DBD/+（扩展数据图11）。 　　我们从Bloomington果蝇股票中心（BDSC），Janelia Flylike Split-Gal4驾驶员收集或其他实验室获得了以下股票：VT000454-P65AD；VT001980-GAL4.DBD（SS02239）51，VT000355-P65AD（ATTP40）51，57C10-P65AD（ATTP40）（BDSC 70746），VT037220-GAL4.DBD（ATTP2）（BDSC 72714（BDSC 72714）（aTTP2），vt037220-gal4.dbd（BDSC 72714）（BDSC 72714）39247），空当；空-DBD（BDSC 79603），27E08-P65AD（BDSC 70048），UAS-2XEGFP（Dickinson Laboratory），20XUAS-IVS-JGCAMP7F（VK05）（VK05）（BDSC 79031）（BDSC 79031），20xUAS-IVS-IVS-JGCAMP7F（SU）ATTC（SU）（SU（SU）ATTC（SU（SU）（HW）（HW）（HW）10XUAS-SYTGCAMP7F（ATTP2）（BDSC 94619），UAS-TDTOMATO（ATTP40）（BDSC 32222），UAS-CSCHRIMSON-TDOMATO（VK22）和UAS-CCHRIMSON-TDOMATO（VK22）和UAS-CCHRIMSON-TDTOMOSON-TDTOMATO（VK05）（VK05）（VK05）（vk05）（vk05）（dd. andersors，b.pfiffiffiffiffer）和UAS-mCD8-GFP (attP2) (BDSC 32194), UAS-RedStinger (attP40) (BDSC 8546), hs-FLPG5.PEST (BDSC 64085), pJFRC99-20XUAS-IVS-Syn21-Shibire-ts1-p10 (VK00005) (gift from G. Rubin), UAS-TNT(E)（BDSC 28837）和UAS-TNT（Q）（BDSC 28839）。 　　为了生成靶向FC2和PFL3神经元的分裂GAL4线，我们使用了Fiji插件颜色MIP Tool52和Neuronbridge53来找到合适的Hemi-Driver系列。我们验证了拆分-GAL4线通过免疫组织化学生成目标细胞的目标（扩展数据图1和11i，j）。 　　我们在室温下或在4°C下在1％的PFA中剖析了大脑，并将它们在2％多聚甲醛（PFA）中孵育55分钟。我们在0.5％Triton X-100，磷酸盐缓冲盐水（PBT）中，在封闭溶液中阻塞和去除大脑。 　　对于GFP和Redstinger标记实验（扩展数据图。图1A，B，D – I），我们使用了1：100鸡抗GFP（Rockland，600-901-215）的主要抗体溶液，1：500兔子抗Dsred（Takara 632496）和1:10 Mouse Anti-BruchPilot（N.NC82，dy dy d. nc82，二级抗体溶液由1：800山羊抗Chicken：Alexa Fluor 488（Invitrogen A11039），1：400山羊抗兔：Alexa Fluor 594（Invitrogen a11037）和1：400山羊抗Mouse：Alexa anti anti anti anti anti：Alexa fluor 633（Alexa fluor 633 333（Invitrogen）（PB）（PBS）（5％ppt）In21052 in2152 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252 in 252。对于TNT（扩展数据图11i，j），我们使用了1：1,000兔抗TNT（Cedarlane，65873（SS））的主要解决方案和1：800山羊抗兔的次级溶液：Alexafluor 488（Invitrogen A11034）。 　　为了进行热震多色翻转实验54（扩展数据图1C），我们使用了1：300兔子抗HA TAG（细胞信号3724）的主要抗体溶液，1：200大鼠抗Flag TAG（Novus NBP1-06712）和1:10抗抗蛋白抗bluchpilot in 5％ngs/pbt。所使用的二级抗体溶液为1：500驴抗兔：Alexa Fluor 594（Jackson Immuno Research 711-585-152），1：500驴抗鼠：Alexa Fluor 647（Alexsa Immuno Research（Jackson Immuno Research）（712-605-153）和1：400 Goat Anti anti anti anti Anexa liflor：Alexa a a i in an88888（in1）NGS/PBT，其次是1：500 Dylight 550抗V5 TAG（ABD Serotec MCA1360D550GA）的三级抗体溶液中的5％。 　　For visualizing biocytin-labelled neurons after patch-clamp experiments (Extended Data Fig. 6a), the primary antibody solution we used was 1:10 mouse anti-nc82 in 1% NGS/PBT and the secondary antibody solution was 1:800 goat anti-mouse:Alexa Fluor 488 and 1:1,000 streptavidin:Alexa Fluor 568 (InvitrogenS11226）在5％ngs/pbt中。 　　将大脑安装在Vectashield中，并使用具有40×/1.20 Na水下物镜或10倍空气物镜的Zeiss LSM780共聚焦显微镜获取图像。 　　为了估算图6的神经元沉默实验中的分裂式 - 射击线和扩展数据图11a-H的靶向数量，我们染色以表达23个苍蝇的TNT（57C10-AD AD vt037220-dbd：12 brains，27E08-AD，27E08-AD vt vt037220-dbd brains flains frains frains fl。11i – j）具有这些行为实验中使用的确切基因型。因为其他由分裂-GAL4系靶向的细胞类型（如PEG细胞）具有与PFL3细胞的空间混合的SOMAS，因此我们不能简单地计算大脑背侧部分的数量细胞体以确定每只蝇中TNT靶向的PFL3细胞数量。相反，我们在视觉上检查了解剖学Z-stacks，并估计了从风扇形身体到LAL的每一侧投射的可辨认神经突的数量。这种方法平均得出每个大脑中TNT靶向的大约10个PFL3细胞的估计值（57C10-AD∩VT037220-DBD：9.65±1.68，27E08-AD∩VT037220-DBD：9.89±1.51，平均值，±S.D.）。 　　我们将苍蝇粘贴到允许从盐水浴下进行生理测量的自定义持有者，而人体保持干燥并能够执行束缚的运动行为，如前所述3,34。当在原脑桥中成像神经元活性或进行电生理学时，我们将苍蝇的头向下倾斜，使大脑从后侧观察。当在LALS或扇形身体中成像神经元活动时，苍蝇的头部不会倾斜，并且从背侧看大脑。在苍蝇的胸部和翅膀的连接处添加胶水（即在扇形周围），以防止束缚飞行，并将长鼻粘在头上，以最大程度地减少与大oscoscis运动相关的脑运动。通过切割和去除一小块角质层，用30口注射针头暴露大脑，然后用镊子去除气管和脂肪细胞。 　　对于没有同时进行生理学的闭环风实验，我们将蝇固定在钨销上。在头部和胸部之间添加胶水，以防止头部运动。在危险机周围还添加了胶水，以将翅膀粘在胸腔上，以防止束缚飞行。 　　先前的研究11指出，野生型苍蝇通常在剥夺了8-16 h并加热至34°C的食物时执行量化行为。在本研究中，我们注意到对于某些基因型，相同水平的食物剥夺将产生不健康的苍蝇。因此，我们选择了大多数实验的食物剥夺时间较短。我们通常在束缚苍蝇后至少进行3小时进行实验。在此间隔中，我们将果蝇在一个带有湿纸纸的盒子里保持束缚，以防止干燥。对于FC2刺激实验，我们将苍蝇放在束缚之前的普通琼脂糖上，大约14小时。在所有板块螺旋的实验中，我们使用闭环温度控制系统（Warner Instruments，CL-100）在苍蝇的头上灌注26–30°C的盐水，加热了束缚的苍蝇。对于针链实验，我们使用980 nm红外二极管激光（RLDH980-200-3，Roithner）加热果蝇。激光的强度通过闭环的脉冲宽度调制来控制，并从热摄像机图像（C2，Teledyne Flir）中读取温度。对于TNT实验，将温度设定点分配为32°C，而对于Shibirets实验的35°C。 　　对于两光子钙成像和斑块钳实验，我们将苍蝇放在先前描述的虚拟现实设置中34。简而言之，将束缚的苍蝇放置在空气填充的泡沫球2,34（最后一个泡沫FR-4618，一般塑料）上，直径为8毫米。使用Chameleon CM3-U3-13Y3M（Teledyne Flir）相机可视化球的动作，该相机的3D姿势使用Fictrac55以50 Hz跟踪。我们使用了一个圆柱形LED显示屏，该显示器跨越了Fly35周围的270°角空间。在所有实验中，球上的苍蝇偏航旋转控制了11°宽的垂直蓝色BAR34的位置。我们用蓝色凝胶过滤器（Tokyo Blue，Rosco）覆盖了舞台，以防止蓝光流血进入光电倍增管。在贴片钳实验中，我们在竞技场的前面放置了一个钢网，以电气遮盖媒体舞台，以及一个尼龙网格，以最大程度地减少反射。 　　对于闭环风实验，我们使用了类似的虚拟现实设置，但是增加了可以从参考文献中描述的设备，该设备可以从偏航轴周围的36个方向传递风。45。该设备的设计从果蝇56,57,58,59的过去风向输送设备中汲取了灵感。简而言之，风能由两个单独的部分组成：苍蝇周围的圆形歧管和一个旋转的齿轮，可以将风输送到歧管中的管中。旋转的钳子放置在LED舞台外。这两个组件都是从一组自定义的3D打印零件（Polyjet塑料）组装的。圆形歧管具有36个均等的开口，它们通过36个透明的塑料管（内径1/16英寸，Tygon E-3603，Saint-Gobain）连接到旋转的尖头。该柱面从墙壁上接收了加压，过滤的空气，其流速是由质量流控制器（Alicat Scientific）调节的。使用步进电动机旋转钳子，从而更改了流动空气中的哪些试管。由于柱面的喷嘴宽20°，所以它一次跨越了两到三个开口。使用相同的控制器系统，用相同的控制器系统在闭合环中控制钳位的位置，用于更新LED竞技场上的垂直蓝色条的位置。重要的是，由于气流管已固定在适当的位置，因此在苍蝇周围旋转的风不会带来混杂的视觉刺激。在实验过程中，使用流量控制器将空气打开和关闭。在“风周期”中，进入钳位的气流设置为每分钟1升标准升（SLPM），除非没有将气流设置为0 SLPM的风能控制实验。对于这些实验，将数据收集在两个单独的钻机上，这些钻机被构造为尽可能相同。 　　如上所述，我们进行了两光子钙成像，下面指示的某些变化。我们使用了科学的超镜和变色龙Ultra II Ti：蓝宝石飞秒脉冲激光（相干）调整为925 nm。我们使用Galvo-Galvo模式（Cambridge Technologies Micromax）进行了体积成像，以扫描XY平面和压电设备（PI，P-725.4CA），以沿Z轴移动16××/0.8 NA物镜（尼康）。使用565 nm二分色镜分开发射光。我们在绿色信号中使用了500-550 nm的带通滤波器和590-650 nm的带通滤波器作为红色信号。使用GAASP检测器（Hamamatsu，H10770PA-40）检测并放大发射光子。Scanimage60（2018b）软件用于控制显微镜。 　　对于图5a – d，我们使用扫描仪的多个特征来为LAL的每一侧定义两个50×50像素ROI。我们用每个体积的两个Z切片扫描LAL，产生的体积速率为9.16 Hz。对于图1，我们使用128×64像素的ROI扫描了原脑桥或风扇形的身体，并以3 Z切片进行了扫描。在标准成像实验（图1和5a – d）中，我们使用了〜25 mW的激光功率（物镜后测量）。成像录音持续长达26分钟。有时，苍蝇的大脑会在录音过程中慢慢下沉。为了纠正此运动，我们在记录过程中通过显微镜阶段的电动机手动调整了物镜的位置。 　　我们使用Scanimage的MultiperoI特征使用了相同的两光子光路路径来图像和局部刺激神经元。我们定义了两个ROI，我们称为成像ROI和刺激ROI（扩展数据图4A）。成像ROI包括关注的整个结构（LALS或扇形主体）。我们用低激光功率（10 MW）扫描了ROI，在整个录制过程中没有变化。刺激ROI小于成像ROI。我们用较高的激光功率（50或70 mW）扫描了刺激ROI，并且该ROI的位置在整个录制过程中变化。在每个Z切片中，我们首先扫描成像ROI，然后扫描刺激ROI。我们仅使用来自成像ROI的像素值来分析荧光变化。我们使用MATLAB脚本在实验过程中自动更改刺激ROI的位置。为了注册刺激ROI位置的变化时间，我们记录了X和Y Galvo位置。 　　对于图2，我们在刺激风扇形身体中的两个位置之一（称为位置A和B）之间交替。当我们希望不刺激任何风扇形的身体位置（即在试验之间），我们将刺激ROI定位在大脑中的前部位置，而该位置缺乏Cschrimson-Tdtomato表达（扩展数据图4B）。这种方法确保在整个实验过程中每卷的平均激光功率保持恒定，这很重要，因为苍蝇可以显示出对照明强度变化的行为反应。在这些实验中，我们使用了〜50 mW的刺激能力。我们成像了三个Z片，并且在所有三个切片中都存在刺激ROI。采集率为3.32 Hz。占空比〜0.67（刺激ROI中的像素数除以扫描像素的总数）。如果我们每苍蝇获得了多个录音，则根据需要在录音之间根据需要调整刺激和成像ROI的位置。 　　对于图5E – H，我们通过刺激左或右LAL而交替。在试验之间，我们将刺激ROI移至没有任何Cschrimson-TDTOMATO表达的LAL的位置。在这些实验中，我们使用了〜70 MW的刺激能力。我们使用单个Z型滑板以4.97 Hz的采集率扫描LAL，占空比为〜0.33。 　　我们在Imaging ROI中使用了较低的激光功率，以最大程度地减少Cschrimson的两光子激发。但是，我们注意到在试验期间，FC2活性有时似乎是非生理学的。例如，扇形主体的中间柱位于更表面上，有时在审判期间似乎持久活跃，而与苍蝇的行为无关（例如，图2C）。因此，我们怀疑在低激光强度下，我们可能在某种程度上可能会在光遗传学上刺激神经元。因此，我们没有在审判期间分析苍蝇的行为，因为这些行为与系统的未生理激活有关。 　　如前所述，我们进行了贴片钳实验33，下面指出了一些更改。我们用细胞外溶液61用碳原泡（95％O2，5％CO2）灌注大脑。细胞外溶液（以毫米为单位）的组成如下：103 NaCl，3 kCl，5 tes，10二水合物，10个葡萄糖，2蔗糖，26 NaHco3，1 NaH2Po4，1.5 Cacl2和4 MgCl2（280±5 MOSM）。细胞内溶液61的组成如下：140个天冬氨酸钾，1 kCl，10 hepes，1 egta，0.5 na3gtp，4 mgatp（pH 7.3，265 mosm）。对于某些记录，该解决方案还包括13毫米生物细胞夹蛋白（Invitrogen，b1603）和20 mM Alexa Fluor 568（Invitrogen，A10437），可用于填充神经元以随后验证我们记录的细胞的身份。 　　我们通过850 nm的LED（Thorlabs）耦合到苍蝇的大脑，该LED（Thorlabs）与可观的镜头对（Map10100100-A，Thorlabs）相连，该镜头对将LED的光线从LED聚焦到了苍蝇头上的一个小斑点上。我们使用了硼硅酸盐贴片移液（BF150-86-7.5，Sutter Instruments），电阻为6-13MΩ。记录以零注射电流为零的电流夹模式（多灯700B，分子设备）进行。在10 kHz采样之前，将电压信号低通滤波在4 kHz。已校正了13毫伏液态连接电位的图。对于我们在细胞内溶液中包括生物细胞素氢氮化物和Alexa Fluor 568的记录，我们通过在我们的epifluorescence贴片钳显微镜上进行手动z堆栈来观察记录的，充满细胞，同时用565 nm LED（PE-100，pe-100，cololded）照亮。我们还解剖了大脑并进行了免疫组织化学，以染色生物细胞，以验证修饰的细胞的身份和解剖结构。 　　因为我们用于贴片钳实验（VT00355-AD∩VT037220-DBD）的拆分GAL4线标记了PFL3和PEG神经元（扩展数据图1F，G和6A），我们最初验证了所有细胞的细胞类型标识，这些细胞的细胞类型标识被包含在此论文中，该论文通过ImmunoChintoctrifications Paper Via Via caper Via caper abim insim insim insun oble insimono insmunoChintoschemiversion。通过这种方法鉴定出三个PEG神经元和八个PFL3神经元。由于经过验证的PFL3和PEG神经元的记录可以通过它们的尖峰幅度和静止的潜在动态（扩展数据图6A – C）明显区分，因此我们根据这些电生理标准（7个PEG神经元和13个PFL3神经元）对其余记录进行了分类。 　　为了帮助将记录的PFL3神经元分类为支配左或右LAL，我们将PFL3细胞靶向远离中线的PFL3细胞，因为这些PFL3细胞专门投影到对侧LAL。在通过免疫组织化学验证的八个PFL3神经元中，所有这些神经元都投影到对侧LAL。对于另外两个PFL3神经元，我们能够验证它们是否通过落叶Z-stack对侧投射。我们根据其SOMA位置对剩余的11个PFL3神经元进行了分类。我们从位于中线附近的SOMA上丢弃了一个录音，因为无法确定其左右PFL3的身份。 　　由于我们的记录可能会近2小时，因此我们有时会观察到随着时间的流逝，膜电位的去极化速度缓慢，伴随着尖峰尺寸的减小，并且与缓慢增加的访问电阻相一致。我们通过视觉检查将这些记录修剪为仅包括膜电位和尖峰尺寸稳定的部分。丢弃了四个细胞，因为没有符合这些标准的时期。修剪后，平均记录持续时间为46分钟（范围为6至120分钟）。 　　在所有生理实验中，我们允许在准备数据收集数据时，允许苍蝇在闭合环中沿封闭环行走约5-30分钟（即，在贴片钳测量中或在Image实验中的投资回报率选择过程中进行脱机和密封尝试）。这个时期提供了所有可能的角杆位置的飞行体验，这有望加强在屏幕上的条形位置与中央复合物中的EPG标题 - 42中的EPG标题 - 42之间的稳定地图形成。 　　对于Menotaxis实验（图1、3和5A – D），我们使用了杆跳跃（即苍蝇的虚拟旋转）来定期评估苍蝇是否正在积极维持其标题方向。Bar Jumps扮演了额外的角色，以确保飞行远离其目标角度的苍蝇采样角度，这使我们能够将调谐曲线产生到标题。具体来说，每2分钟，我们即时将杠铃与当前位置重新定位±90°。然后，栏在这个新位置保持静态2 s，然后又依靠地返回闭环控制。对于无花果。1和5a – d每个记录包括五个 +90°杠铃事件和五个–90°杠铃事件，并以随机顺序呈现。我们通常从给定的飞行中收集了两个录音文件（几只苍蝇有一个或三个录音）。在电生理实验中，有时可能会运行2小时，杆跳跃事件发生在整个实验结束之前。 　　对于图2中的刺激实验，每个记录由五个位置A和五个位置B试验组成，重复交替（即，不是随机）。刺激期持续了30 s，审判期间持续了60 s。我们从给定的飞行中收集了多达两个录制文件。 　　对于图5E – H中的刺激实验，每个苍蝇以随机顺序进行了五项左和五项右LAL刺激试验。刺激周期持续了2 s，持续的审判持续了30 s。我们每次飞行收集了一个录制文件。 　　对于风引起的记忆任务（图6），每个苍蝇在三个试验中，经历了六个不同的中性风向（即风的角度相对于酒吧的角度相对于酒吧的角度相对于酒吧的角度），共18个试验，共18个试验。我们提出的6个风向为–135°，–90°，–45°， +45°， +90°和 +135°。这些角度是根据两个考虑因素选择的。首先，我们希望避免在苍蝇方向上风向上方（即180°同类风向方向）时，在LED舞台背面的90°间隙中，该杆将位于90°的间隙中，因为预计没有视觉提示苍蝇的估计值较差，因此苍蝇的前风偏向上方（即180°同种风向）。其次，我们希望避免在取向前风（即0°同类风向方向）时，杆直接位于苍蝇前的同类风向，因为预计不需要在杆​​（即前固定）方向（即前固定），而不是需要在中央复合物中进行标题与目标比较。风向以两种订单之一的形式表示（–135°，–90°，–45°， +45°， +90°， +135°）或（ +135°， +90°， +90°， +45°， +45°，–45°，–45°，–45°，–90°，–90°，–135°）随机均可使用确切的订单。对于每次试验，气流都保持30 s，然后在关闭气流后的2-s，180°杠铃跳。杠铃跳跃确保了如果苍蝇在气流关闭后只是不断地行走，这不会导致高性能指数或角度记忆的指示。审判期间还包括“测试”期，我们评估了苍蝇的风引起的标题记忆，持续了60 s。在上次风向块的最后一次试验的末期和下一个风向块的风期开始之间，有一个3分钟的时间。我们每次飞行收集了一个录制文件。在初步实验中， 当六个可能的风向以一致的，顺时针或逆时针方式序列呈现（如在报道的实验中所做的那样）比以完全随机的序列出现时，似乎苍蝇形成了同类中心方向更强烈的风引起的记忆。这种观察具有伦理上的意义，因为随着时间的推移，从截然不同的方向出现的同种中心风可能导致苍蝇降低风的相关性，通常是对同种中心航行的有用刺激。 　　使用PCLAMP软件套件（Clampex 11.1.0.23和Axososcope 10.7.03）使用Digidata 1440 A（分子设备）数字化的所有时间序列数据，除了使用iScanimage在经常范围内从〜4-10 Hz所述的scanimage保存为TIFF文件。为了使成像数据与行为数据对齐，我们使用了y galvo飞回来的电压信号，该反射标记了成像框架的末端，作为对齐点。对于每个成像量，卷的第一张Z-Slice的开始与最后一个Z-Slice的末端之间的中点被用作时间戳。 　　将球的偏航，螺距和滚动角以50 Hz采样，并使用球摄像头的触发信号对齐我们的成像数据文件。由于我们在获取框架的触发脉冲之间以及Fictrac完成图像处理时，我们将获得的球位数据向后移动了30毫秒。对于行为，仅使用闭环风实验（不需要对齐行为和神经元数据），没有使用摄像头触发器，并且所有信号被删除为50 Hz。 　　对于无花果。1和5B以及扩展数据图。3、4、8和9G，J，我们使用了500毫秒的盒装滤波器来平滑前进的步行速度或转速信号。对于几项分析，我们排除了苍蝇站立或几乎静止的时间点，我们将其定义为苍蝇过滤前的行走速度≤1mm s -1的任何时刻。使用条形位置计算了苍蝇的虚拟2D轨迹，以估算苍蝇的标题，并旁边和向前的球旋转以估计苍蝇的转化速度。在图1中，为了可视化神经元相和苍蝇的方向之间的关系，我们绘制了条形在竞技场上的位置（而不是苍蝇的标题），因为EPG阶段跟踪了苍蝇的趋势（这等于酒吧位置）4。在图2中，我们翻转了标题x轴，以使与图1进行比较变得易于比较。 　　为了分析苍蝇的量化行为，我们使用Ramer – Douglas – Peucker算法62,63隔离了Fly的2D虚拟轨迹的直段（我们称为Menotaxis Bouts）（扩展数据图2A – E）。该算法通过迭代减少跟踪中的点数来简化一组x，y坐标。参数ε确定简化和原始轨迹之间的最大允许距离。然后，我们为简化轨迹的每个段计算了苍蝇的位移L。对于所有分析，我们使用ε= 25 mm，仅分析了l> 200 mm的段。换句话说，我们分析了Menotaxis Bouts，在这种情况下，苍蝇自身超过200毫米（大约等于70个体长），而不会偏离其路线超过25 mm（大约8个身体长度）。除了弯曲（即虚拟旋转）实验（在其中使用前跳向角度作为苍蝇的目标角度）和扩展数据图10A（参见“ LAL成像分析”）之外，我们还将苍蝇的目标角度定义为每个Menotaxis bout期间的平均值角度。对于此计算，我们排除了苍蝇静止不动的时间点。 　　参数选择的值ε和L是保守的，因为它们倾向于打破苍蝇轨迹的一部分，在那里人们可能认为苍蝇的目标是保持不变成较小的回合。我们更喜欢这种偏见，而不是可能将两次回合混合在一起的风险，在这种风险中，苍蝇的真实目标角度可能有所不同。 　　为了获得苍蝇标题角稳定性的连续估计（扩展数据图3O，p），我们计算了与先前所述的苍蝇的平均标题矢量长度（R）。简而言之，每个标题样品点被视为单位矢量。然后，通过在该时间点以30、60或120 s的窗口内获取标题向量的平均值，将每个时间点分配为R的值。对于此计算，首先省略了苍蝇的时间点（因为这将出于微不足道的原因增加R的值）；在省略的常规事件中加入了轨迹，因此分析窗口不一定会在时间上分析连续的跟踪。 　　为了纠正运动伪像，我们使用Caiman64 Python软件包注册了两光子成像帧。我们使用用Python编写的自定义图形用户界面为LAL的左右侧定义了ROI，桥的肾小球和风扇形主体的圆柱。使用平均信号或每个Z片的局部相关图像手动绘制ROI。对于风扇形的身体，我们使用了一种半自动化方法来定义列，如前所述4。简而言之，我们首先定义了ROI，包括整个粉丝形的身体。然后使用两条线将扇形体的侧向边缘细分为16列的ROI。对于每个ROI，我们将ΔF/f0定义为等于（f -f0）/f0，其中f是单个时间范围内ROI的平均像素值，而F0是F值最低5％的平均值。 　　我们使用种群矢量平均2,4计算了扇形体中的FC2相。如前所述，我们计算了原脑桥中的EPG相4,34。对于每个时间点，我们将桥梁中的肾小球ΔF/f0视为长度为16的向量，并采用了该载体的傅立叶变换。8.5肾小球时期傅立叶光谱的相被用作EPG相。 　　为了将FC2或EPG阶段覆盖与条形位置（图1和扩展数据图3），我们从相位的平均偏移量中减去了与条位置的平均偏移。对于每个记录，通过取相角和条角之间的平均圆形差来计算此偏移，当栏杆背面的90°间隙或苍蝇站立时，排除时间点。在图1M，N和扩展数据图3C，D中，我们在基线周期中通过每个样本点之前的1 s减去其平均位置，从而在基线周期中取消了FC2或EPG相。在图3E和扩展数据中，我们计算了在杆跳转后的开环时期的最后1秒钟内此调整阶段的平均值。为了结合 +90°和–90°杆跳跃以进行分析，在开环时期的最后1 s中的平均相位为-90°跳跃。 　　在图1M – O中，我们对分析中施加了严格的栏跳跃试验要求。首先，在Menotaxis回合期间需要进行钢筋跳跃（请参阅“ Menotaxis行为数据的处理”）。其次，我们要求苍蝇在杆跳跃后恢复到其先前的头角 - 即，在杆跳转开始后的平均条形位置从平均值到30°以内的平均条位置在杆跳转前5 s以内。第三，酒吧需要跳到竞技场上的可见位置（而不是后部90°，我们没有LED面板）。最后，我们仅在FC2或EPG种群矢量平均幅度（PVA）（参见扩展数据图3K）大于0.3时进行试验（参见扩展数据图3K）。这些标准是明智的，因为他们选择进行试验，我们可以相信苍蝇的目标没有漂移，并且我们的神经信号估计值高质量。但是，他们足够严格，使我们只分析了所有试验的7％。在扩展数据中，我们消除了这些要求的前两个，使我们分析了所有试验的59％，结果通常相同。 　　我们使用了Pycircstat Python软件包（https://github.com/circstat/pycircstat）的Corrcc函数来计算EPG或FC2相之间的相关性与条形位置。对于此计算，我们排除了苍蝇静止不动的时间点或杆位于90°缝隙中时。 　　在扩展数据图3F，G中，通过使用scipy65函数信号在滤波相速度（500-ms boxcar滤波器）中找到峰（500-ms boxcar滤波器）来检测FC2相位位置的快速变化。此外，我们要求从峰值相速度1 s内的FC2 PVA在所有时间点上高于0.15，并且此期间的平均PVA高于0.25。这些标准有助于确保检测到FC2凹凸位置的真正变化，而不是由于估计阶段较差，而不是FC2阶段的虚假变化。为了覆盖FC2相位位置的所有检测到的变化，以及在这些时刻期间的苍蝇标题（扩展数据图3G），我们将痕迹与相位速度的峰值开始。为了结合FC2相速度的峰值为正或负的痕迹，我们将FC2相拨动了峰值相位速度为正的痕迹。 　　在扩展数据中，我们使用三个不同的指标在每个时间点上使用三个不同的指标来量化EPG或FC2活性/颠簸：种群矢量平均幅度（PVA），在所有列或glomerulus rois和最大 - 最大 - 最小ΔF/F0列的平均ΔF/F0（PVA）中（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）（PVA）。最小ΔF/f0）。在扩展数据中，对于每种苍蝇，我们根据Fly的前进速度或转速汇总数据点，并计算每个垃圾箱的平均FC2活动/凸起度量。同样，在扩展数据图3P中，我们根据Fly的瞬时平均标题向量长度（请参阅“ Menotaxis行为数据的处理”），并计算每个箱的平均FC2活动bump度量。在执行此分析之前，从时间序列中删除了苍蝇静止不动的时间点（即，平均前进速度低于1 mm s -1），因为苍蝇的平均标题矢量长度在站立事件期间不确定。 　　为了比较跨蝇的FC2神经元刺激的效果，我们使用以下步骤将标题角度取消。对于每次苍蝇，我们在刺激试验中计算了其平均值，不包括苍蝇站立时的时间点。然后，我们在所有刺激中取得了平均标题，并在所有试验中从苍蝇的标题角度减去了该值。图2C – F中的直方图使用了10°箱，并且在苍蝇静止时也排除了时间点。在某些试验中，苍蝇在整个试验中仍处于静止状态（占所有试验的1.7％），这导致该试验被丢弃以进行相关分析。 　　对于扩展的数据图4C，如果刺激ROI在刺激ROI扫描路径的边界内至少有一个像素，则在刺激ROI中考虑了ROI，否则被认为是刺激ROI之外的。在扩展的数据图4D中，我们仅分析了刺激ROI之外的ROI。通过将30 s刺激期间的平均ΔF/f0除以刺激前5 s的平均ΔF/f0，计算了列ROIΔF/F0的变化。为了计算ROI与刺激位点的距离（在ROI的数量中），我们首先将刺激位点定义为刺激ROI内部像素最高分数的色谱柱ROI。然后，对于每个ROI，我们都计算了其ROI数量的包装距离。例如，鉴于我们的分析中有16列，ROI 2和ROI 15列的（包装）距离为3。由于我们的刺激ROI可以与多列ROI重叠，因此在扩展数据中，没有一个柱ROI，距离为1。 　　在扩展数据图4E中，为了计算刺激位置角度，我们将刺激ROI内部ROI的像素的比例分数（请参见图2C，D中的红色映射）作为阵列。使用此数组，我们使用用于计算FC2相的相同种群矢量的方法计算了刺激位置角度。然后，我们为每只苍蝇进行了两个刺激阶段（A和B）之间的平均差异。为了计算刺激期间的平均FC2相位位置（扩展数据图4F – H），我们排除了苍蝇静止时的时间点。 　　在扩展数据中，对于每个苍蝇和刺激位置，我们通过在相反刺激位置的试验中，在球形体中的两个刺激位置（如上所述）之间添加苍蝇的平均标准方向，预测了苍蝇的目标标题（如上所述）。 　　在扩展数据图4i中，我们根据果定的标题相对于刺激发作前2 s的预测目标标题对试验进行了分组。在扩展数据图4J中，我们取而代之的是基于苍蝇是否在刺激发作之前站立的试验（定义为在刺激开始之前5 s的所有时间点上苍蝇过滤后的行走速度低于1 mm s -1的试验）。 　　为了检测LAL不对称的瞬态增加（图5b，c），我们首先使用高斯滤波器（σ= 200 ms）平滑右lalΔf/f0信号。然后，我们使用scipy函数信号在过滤信号中检测到峰值。find_peaks。将峰定义为时间点，其中滤波信号至少1 s高于0.1ΔF/f0，从其他峰距离至少3 s，并且具有突出性。为了检测LAL不对称的瞬时降低，我们翻转了右 - 左LALΔF/F0信号，然后应用了相同的算法。在图5C中，我们将苍蝇的转速速度和右 - 左LALΔF/F0信号对齐到峰值神经信号的时间点，并将苍蝇的转速速度和右LALΔF/F0提高到常见的100 Hz时间底座。在扩展数据图10a中，我们绘制了与图5C中完全相同的数据，但相反，在参考神经峰方面，相对于目标（而不是该信号的变化速率或转向速度的变化速率），则显示了苍蝇的标题。仅对于此分析，我们将苍蝇的目标角度定义为60 s窗口滑动窗口中的平均标题角。当仅查看Menotaxis回合期间发生的峰时，我们获得了类似的结果，我们可以在其中定义目标。 　　为了将LAL活性绘制为苍蝇的标题相对于其目标角度的函数（图5D），我们仅分析了Minotaxis Bouts期间的数据（请参阅“ Menotaxis行为数据的处理”）。由于苍蝇标题的变化与EPG阶段34的变化之间存在约200 ms的延迟，因此我们期望相对于行为，LALΔF/F0信号同样延迟。因此，仅在图5D中，我们将LALΔF/F0信号转移到时间上〜218 ms（2个成像量），然后将信号与苍蝇的行为相关联。我们认为，这是最适合分析的信号，但是如果我们不应用这种转变，我们的结论是相同的。对于每种苍蝇，我们通过使用10°bin的目标根据苍蝇的标题固定数据来计算平均LALΔF/F0。在分析之前，从时间序列中删除了苍蝇的时间点。 　　为了检测峰值，我们首先用Butterworth带通滤波器过滤了膜电压（VM）迹线。然后，我们使用scipy函数信号。find_peaks检测到指定阈值上方的过滤的VM跟踪中的峰。尽管该标准意味着我们无法检测到高于200 Hz的尖峰速率，但我们所有细胞的活性水平都保持在此上限以下。为每个单元选择了不同的截止频率和阈值，以产生与数据目视检查相匹配的峰值时间。为了从VM迹线中删除尖峰 - 用于分析图3C，D和扩展数据图中的膜电压。6D，7C，D和9B，C-通过将这些样品转换为空条目（即Not-A-number（NAN）数据类型），我们在尖峰的10 ms之内丢弃了VM样品。 　　与Fly的标题或目标角度分析电生理数据（图3C – F和扩展数据图6-9）时，我们通过在两个摄像头间间隔在两个相机间隔的时间间隔中平均尖峰速率或Spike-Remempect率的VM来将电池的VM或SPIKE速率降低到球摄像头框架速率（50 Hz）。在图3B中，我们使用1-S盒子滤波器绘制了尖峰速率。 　　为了在图3C，D中生成调谐曲线，我们使用15°箱根据苍蝇的标题汇总了电生理时间序列数据。然后，我们计算了每个垃圾箱的平均尖峰速率和尖峰被转换的VM。为了估算单元格的首选角度，我们以余弦函数拟合了尖峰旋转的VM调音曲线，并将余弦的偏移，振幅和相位（相位是结果的首选角度）作为拟合参数。在执行这种合适状态时，我们排除了时间点，当酒吧位于竞技场后部的90°缝隙中时，因为EPG系统有望在这些时刻2,34,39中追踪苍蝇的忠实范围。我们使用VM而不是尖峰速率来估计细胞的首选趋势角，因为VM的苍蝇目标角度比尖峰速率要小得多（扩展数据图7），因此，在我们的首选标题估计中，它导致与目标调节相关的偏置的可能性较小。 　　对于图3E，F和扩展数据图。7，8，我们仅从有助于Menotaxis回合的时间点分析了数据（请参阅“ Menotaxis行为数据的处理”）。对于每次回合，我们通过从苍蝇的目标角度减去细胞的首选标题角来计算一个相对目标角。同样，对于每个时间点，我们通过从苍蝇的当前向前进角度减去细胞的首选标题角来计算一个相对标题。然后，我们使用45°bin（图3F中的列）和Fly的相对头角（也使用45°箱（图3F中的X轴））计算了通过Fly的相对目标角（图中的列）（在图3F中）和Fly的相对头角来计算的平均射击率（或尖峰被刺激的VM）。为了生成调谐曲线（图8的扩展数据除外），在分析之前，我们删除了苍蝇静止不动的时间点。相比之下，对于扩展数据，图8C – E仅在苍蝇的前进步行速度在-0.5 mm s -1和0.5 mm s -1之间包括时间点，而苍蝇的转速在–5°s -1和5°s -1之间（即，苍蝇仍站立不变，并且不转动）。 　　根据所研究的细胞的电生理学优先型头角的标题和目标角度，对图3F中的调谐曲线的数据进行了归纳，始终将其归为零。我们将这些相对标题和目标角称为H'和g'，我们在单细胞模型中表达了PFL3活性。通过检查扩展数据中的移位尖峰速率与VM曲线的建议，该形式被称为软函数，这是建议的（见下文）。然后，我们通过最小化F和数据之间的平方差来拟合参数GPREF - HPREF，d，a，b和c。每个单元格使用了GPREF – HPREF的相同值。最佳参数为GPREF - HPREF = -48°，d = 0.63，A = 29.23 Hz，B = 2.17，C = -0.7。下一部分中讨论的连接组分析表明，首选标题和目标角度GPREF -HPREF之间的差异平均为-67.5°。几个技术和生物学原因可以解释预期值和拟合值之间的差异。例如，误容细胞的首选标题方向（请参阅“调谐曲线”）可能导致测得的GPREF - HPREF小于其平均解剖值。在“完整PFL3模型”中描述的完整模型中，我们使用了Connectome Analysis中的角度。 　　将我们的模型拟合到图3F中的平均转弯曲线，占这些数据中差异的95％。此外，我们使用具有上述参数值的模型来预测Menotaxis在20毫秒间隔内的Menotaxis期间单个PFL3神经元的发射速率的时间序列。该模型占这些非平衡数据中差异的30％。所解释的相对较低的方差不太可能是调整向前或角速度的结果，因为平均数据仅取决于标题解释的93％和92％的标题/正向速度和标题/头速度/角速度数据的方差的92％，而eletded extedded数据中显示的数据图8A，b。对尖峰计数变异性的分析显示，大约是泊松峰值可变性，这很可能是未平衡数据额外差异的来源。 　　对于扩展数据中显示的拟合图6D，通过最小化该表达式和数据点之间的平方差，将数据与A，HPREF和V0作为拟合参数拟合。 　　扩展数据图9b显示了从我们的全细胞记录中获得的尖峰速率和VM之间的关系。为了生成此图，我们使用了图3中显示的数据和扩展数据图7（即，当苍蝇执行Menotaxis而不站立时，我们包括了时间点）。我们根据苍蝇的目标角度相对于单元格的首选角度（使用与图3相同的45°箱和扩展数据图7）以及每个单元的VM（4 mV箱）进行了分组。我们使用了-46 mV的截止值，因为在更加去极化的膜电位下，尖峰的估计不佳，可能已经被遗漏了。为了在此分析中包括右PFL3神经元，我们将目标标题相对于细胞的首选右PFL3细胞的首选标题进行了翻转，然后才能在所有细胞中平均。 　　要生成扩展数据图9c，其中扩展数据的曲线对齐了，我们通过确定的曲线沿水平（VM）轴的不同目标方向移动了曲线，确定的量确定以最大程度地减少每个bin的峰值速率之间的平方差，跨不同目标方向的跨度方向和偏移的束缚均值（图9）。换句话说，我们计算了使不同目标方向的尖峰速率曲线最大对齐的变化。在扩展数据中绘制了最终的电压偏移图9d。该拟合的参数α和β与图3F中的拟合的参数不同，而后者拟合的参数用于构建完整模型。 　　对于完整的人口模型，每个PFL3细胞的响应表示为 　　在左12和12个右PFL3细胞的情况下，所有函数f和参数d，a，b和c在拟合PFL3调谐曲线的部分中所述。然而，首选角度的值在整个细胞之间有所不同，它们的值是从Connectome12,13获得的（图4B和扩展数据图5G）。对于首选的目标角，我们使用了GPREF = - （15°，45°，75°，105°，135°，135°，165°，-165°，-165°，-135°，-105°，-75°，-75°，-75°，-45°，-45°，-15°，-15°），左和右Pfl 3s。对于首选的头部角度，我们首先将角度分配给跨额外桥的两侧的18个肾小球，从左到右：-22.5°，22.5°，67.5°，112.5°，112.5°，157.5°，157.5°，-157.5°，-112.5°，-112.5°，-112.5°，2222.5.5.5.5.5.5.5.5.5.5.5.5°，°，°°，°°，°，°C°，°°，°°，|67.5°，112.5°，157.5°，-157.5°，-112.5°，-67.5°，-22.5°，22.5°（扩展数据图5E）。这些角度使用图4b中所示的接线图将这些角度投射到风扇形的身体上。有18个桥接角，但其中只有14个用于这些投影，因为左两个最外部的肾小球和右两个最外部的肾小球（上面列表中的第一个和最后两个条目）并未被PFL3单元格所支配。单个PFL3细胞用其树突支配14桥肾小球中的一个或两个。对于支配两个桥肾小球的PFL3细胞，我们使用了与支配对的最内向的角度相对应的角度（参见扩展数据图5F，G）。The resulting preferred heading angles for the PFL3 population are therefore as follows: for the right PFL3 cells (that is, the PFL3 cells projecting to the right LAL), Hpref = −(67.5°, 112.5°, 157.5°, 157.5°, −157.5°, −112.5°, −112.5°, −67.5°,−22.5°, −22.5°, 22.5°, 67.5°) and, for the left PFL3 cells (that is, the PFL3 cells projecting to the left LAL), Hpref = −(−67.5°, −22.5°, 22.5°, 22.5°, 67.5°, 112.5°, 112.5°,157.5°，-157.5°，-157.5°，-112.5°，-67.5°）。这两个角度列表中的总体减号 （在上面的表达式中，首选目标方向角）反映了以下事实：从连接组中提取的角度（在括号内给出），引用了椭球体，而此处列出的首选角度参考了头部角度，而epg bump和epg bump and epg bump and epg bump and thehead Angles则与负符号不同。这些优选的角度确定图4B中风扇形体隔室中显示的向量的方向，逆时针呈正角，零角直接向下指向零角度。 　　在上一段中描述的分析中，我们使用了由原脑桥的Δ7神经支配隐含的肾小球角（扩展数据图5E – G）。或者，我们可以基于EPG神经元的神经支配使用肾小球角（扩展数据图5C）。我们选择使用Δ7方案，因为δ7神经元在原脑桥梁中提供了大多数PFL3神经元突触输入12,13（扩展数据图5A）。 　　我们还假设，由于解剖学考虑，PFL3细胞在扇形体中形成了十二个功能柱（扩展数据图5K）。或者可以将PFL3神经元视为形成九列12。还测试了该模型，假设九列（在这种情况下，所使用的首选目标角为 - （0°，45°，90°，135°，180°，-135°，-90°，-90°，-45°，0°）），并获得了相似的结果。请注意，在这个9列角度分配中，第一列和最后一列代表相同的角度，这意味着扇形主体的整个左/右侧范围将编码超过360º，这是我们不偏爱的功能，并且使用12柱模型有助于我们。 　　为了模拟PFL3神经元的沉默子集的影响（扩展数据图11H），我们使用了上述模型，但将随机选择的PFL3细胞的响应设置为所有标题和目标角度的响应。对于每个数量的PFL3单元（从0到24），我们在5,000个模拟中从其PFL3转动曲线中捕获了苍蝇的预期目标G和零向前的圆形平均误差。我们在模型的目标方向输入中添加了噪声，并选择了一个振幅以使模型没有沉默的神经元与Pfl3> tntinactive Control蝇的性能相匹配。 　　为了预测扩展数据中的PFL3输出信号图9G，H，J，我们使用了完整的PFL3模型，如上所述。作为该模型的目标输入，我们在Menotaxis期间使用了FC2成像数据。作为模型的标题输入，我们使用了计算机生成的（即合成）EPG和∆7标题信号（请参见下文）；我们无法使用测量的标题输入，因为在相关实验中我们没有共同图像EPG或∆7神经元。在将FC2成像数据输入到模型中之前，在每个时间点，我们首先将16个成像ROI的ΔF/F0阵列插值到12-ROI阵列中，以匹配模型中使用的12列。然后，我们独立地将每个ROI的插值ΔF/F0归一化，以使每个ROI的信号范围从负数（在ROI中观察到的最小值）到正值（在ROI中观察到的最大值）。每个PFL3神经元的方程式中使用了每个列ROI中所得的活性。为了生成合成的EPG/∆7标题信号，我们在桥梁中具有合成活动的相位，总是跟踪竞技场上的杆角度。我们将合成EPG/∆7信号的阶段定为〜200 ms，与杆在LED显示屏上的瞬时位置有关。选择该延迟，以便通过过去的测量值对实际EPG/∆7相滞后在BAR位置中如何变化34（扩展数据图3B）尽可能紧密地相关的合成数据。回想一下，EPG阶段具有变量，飞行，偏移到LED屏幕上的条位置，这意味着大脑的FC2阶段与预期的杆位置之间将存在任意偏移，而给定的蝇则在LED显示屏上稳定下来。为了解释这一任意偏移，我们在条位置上增加了固定的偏移，以使其角位置和FC2相平均对齐 - 如果人们平均假设飞行，那是有道理的 保持标题与目标角度保持一致。我们在表达式中将这种新的，偏移，条位置的倒数用作EPG/∆7标题信号（即苍蝇的标题）或H的相位，这决定了模型中每个PFL3神经元中的标题输入。然后，我们可以使用相同的函数f和参数d，a，b和c在每个时间点上预测左和右种群级PFL3活动之间的差异，与我们的单细胞模型和完整的PFL3模型中的差异。在图9J的累积数据中，我们划分了落入Menotaxis回合之内的数据点 - 固定在苍蝇静止时的时间点 - 通过苍蝇相对于目标角的趋势，并计算了平均预测的R – L信号，并且苍蝇的过滤速度为每个箱的速度。对于此分析，我们首先将预测的R – L信号转移到时间上〜200 ms，因为我们的LAL成像数据表明，这是R – L活动与苍蝇相对于目标角度角度之间的关系的延迟（扩展数据10a，图10A，另请参见“ LAL Imaging Analysis”）。我们还将苍蝇的转向速度提前约200毫秒，以说明内部，导航相关的处理之间的预期延迟，以计算苍蝇的标题相对于目标误差和电动机命令的执行11。 　　在图6中，对于每个试验，在每个时间点，在气流打开的时期内，在每个时间点，在每个时间点上取出差异的平均值来计算同类风向。该值不一定与我们代码设定的名义上中心风向相同，因为与需要物理旋转以从新方向传递空气的惯性/机械延迟相关。设定点和试验的同类风向可能会有所不同，最多可以不同13°。 　　为了生成图6E和扩展数据中的直方图图11a，我们通过在每次计时点上，在30 s时，当风在30-s时，在30 s时或在30秒内开始，在30 s时，从30 s开始，从30 s开始，从30 s开始，从30 s开始，请参考测试期间，请参考测试期。在测试期间，在最近的有风期间经历的同类风向被用作直方图的比对点。我们没有在风中关闭5秒钟，因为这段时间包括2-S开环180°杠铃跳，并且苍蝇不能立即纠正此虚拟旋转。 　　在图6F和扩展数据图11b，c中，与风向相对于风向的绝对距离是蝇的绝对值，如上所述计算。 　　为了在图6H中生成图，对于每个苍蝇和风向块，我们在块的第二和第三次试验的测试期间计算了苍蝇的平均标题方向，并将该值绘制为同一块平均中性风向的函数。在图6J中，这两个值之间的绝对差异在测试期间产生了苍蝇的风向误差。为了计算图6i中的苍蝇的风向误差，我们应用了与上述相同的分析，但是在这种情况下，我们在风期间使用了苍蝇的平均朝向方向。 　　在图6K中，对于每个风向块，如果测试期间的风向误差小于30°，则认为苍蝇已沿正确的方向定向。换句话说，其在测试期间的平均标题方向需要距离同类风向±30°。 　　苍蝇的性能指数（PI）被定义为蝇花在以前经历的同种风向上的苍蝇朝向于180°的半菲尔德的时间的一部分，而苍蝇花在对面的半菲尔德方向上的时间很少（扩展的数据图11d）。 　　对于上述分析（除了计算同类风向时，我们首先从苍蝇站立时的时间序列时间点中删除。在我们的数据集中的331蝇中，有5架在至少一个风向块的第二和第三次试验的整个测试期间静止不动。因为这将导致一个风向块之一的不确定目标角，所以我们将这些苍蝇排除在所有分析之外。在其余的326只苍蝇中，在整个第二次或整个第三次试验中，有5只苍蝇静止不动，这导致这些苍蝇仅对该风向块进行了一项试验。 　　对于图1O，为了评估在杆跳跃期间的FC2相位是否在其前提位置上发生变化，我们进行了V-Test66（瑞利测试均匀性测试，其中替代假设是已知的平均角度μ），μ= 0°（p = 6.65×10-4）。为了评估EPG相位是否在杆跳跃过程中跟踪条形图，我们执行了μ= 90°的V检测（P = 7.99×10-3）。用于扩展数据的扩展数据适用于图3E = 0°（P = 7.69×10-8）对于EPG相位，μ= 90°（P = 2.49×10-5）。 　　对于图2G，为了评估果蝇刺激A和B的平均趋势方向的差异是否在扇形体中的刺激位置的预期差内，我们进行了一个V-TEST，其V-Test等于两个刺激位置角度之间的角度差（扩展数据图4E）。对于在FC2神经元中表达Cschrimson的苍蝇，这是μ= -173.4°（p = 1.49×10-3）。对于未表达cschrimson的对照蝇，这是μ= -164.9°（p = 0.93）。两组的预期差异并不完全相同，因为刺激ROI是手动定义的，而无需了解柱ROI（仅在成像分析期间定义）。 　　对于图5H，为了评估PFL3神经元中表达Cschrimson的苍蝇是否显示出相对于仅表达JGCAMP7F的对照蝇的同侧转向速度的变化，我们进行了两侧的welch t检验（p = 1.93×10-5）。为了比较在PFL1神经元中表达Cschrimson的苍蝇与对照苍蝇，我们使用了双面韦尔奇的t检验（p = 0.76）。 　　对于图6J，我们进行了两侧Mann-Whitney U检验，以评估PFL3系1（57C10-AD vt037220-DBD）在神经元中表达TNT的果蝇的误差是否较低，而在测试期间的误差较低。对于我们的第一个实验重复（Rep。1）和P = 1.20×10-6，对于我们的第二个实验重复（Rep。2），这产生了P = 0.05。为了结合这两个P值，我们使用了Fisher的方法，该方法产生了P = 1.08×10-6。同样，在图11e的扩展数据中，我们应用了相同的测试来评估在测试期间标记在由PFL3线标记的神经元中表达shibirets的果蝇的误差较低，而shibirets在shibirets驱动的苍蝇中是否由空的分裂驱动器线驱动（P = 0.29）（p = 0.29），以及在pfl3 Line 3（27e208）中表达TNT的TNT（27E 2208EN-ef）。在测试期间，误差较低，而不是表达TntinActive的苍蝇（p = 0.05）。我们还进行了两侧Mann-Whitney U检验，以评估PFL3线1> TNT FLIE（REP。2）在风期间是否比TNTinActive Control蝇更大（P = 3.15×10-3）。在扩展数据中，图11g - 在我们选择的苍蝇中，其在风能期间的风向误差在12°至45°之间 - 我们进行了相同的测试，以评估PFL3行1> TNT FLIES（代表2）在测试期间是否比TNTInActive对照苍蝇较低（P = 6.47×10-4）。For Fig. 6k and Extended Data Fig. 11f, we performed two-sided Mann–Whitney U-tests to assess whether flies with PFL3 cells targeted for silencing oriented along fewer correct goal directions during the test period than control flies: PFL3 line 1>TNT versus PFL3 line 1>TNTinactive (rep. 1: P = 0.04, rep. 2: P = 5.25 × 10−7 and Fisher’s method:P = 3.90×10-7），PFL3线3> TNT与Pfl3线3> TNTinActive（P = 0.07）和Pfl3 Line 1> Shibirets 1> Shibirets与空拆分> Shibirets Flies（P = 0.15）。 　　所有p值均在没有校正的情况下进行多次比较。 　　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。