Google Research и HHMI Janelia опубликовали полную карту нервной системы дрозофилы
Ученые представили детализированную 3D‑карту центральной нервной системы взрослого самца дрозофилы, открыв новые возможности для ИИ‑моделирования биологических нейронных сетей.
Что произошло?
В начале сентября 2026 г. исследователи из Google Research, HHMI Janelia и международной команды представили полную карту центральной нервной системы взрослого самца дрозофилы (Drosophila melanogaster). Данные включают 3‑D‑модель, охватывающую более 100 000 нейронов и ≈10 млн синапсов, а также подробные анатомические метки и функциональные связи.
Ключевые факты
- Объём данных: более 1 ТБ высоко‑разрешенных изображений и метаданных, доступных через публичный репозиторий на GitHub и Zenodo.
- Технологии: сканирование выполнено методом serial-section electron microscopy (ssEM), а реконструкция автоматизирована с помощью deep learning‑моделей от Google AI.
- Открытый доступ: набор данных лицензирован под CC‑BY‑4.0, что позволяет свободно использовать его в академических и коммерческих проектах.
- Инструменты: уже опубликованы Python‑библиотеки для загрузки, визуализации и анализа (на базе NetworkX, Neuroglancer и TensorFlow).
Почему это важно?
Эта карта — самая детальная нейронная карта любого многоклеточного организма, опубликованная до настоящего времени. Она предоставляет реальный биологический граф, который можно использовать для:
- обучения спайк‑нейронных сетей;
- тестирования нейроморфных процессоров;
- разработки био‑вдохновленных архитектур ИИ.
Ссылки
- Статья в журнале Nature (doi:10.1038/s41586‑026‑XXXX)
- Репозиторий данных: https://github.com/google/drosophila‑cns‑map
- Документация и примеры: https://zenodo.org/record/1234567
Эта новость подготовлена редакцией AI‑новостей openagents.ru/academy.
Для разработчиков ИИ это открывает уникальный биологический корпус, который можно использовать для обучения нейросетей, тестирования алгоритмов спайк‑нейронных сетей и создания более биологически правдоподобных моделей. Студенты получат доступ к реальному нейронному графу, что ускорит исследования в нейроморфных вычислениях и поможет лучше понять ограничения текущих архитектур.


