Banefuldens fulde ledningsdiagram er her: Første komplette connectome af en voksen bananflues nervesystem offentliggjort

I årtier har hjerneforskere drømt om at kunne se et komplet ledningsdiagram for en hjerne – hver eneste neuron og forbindelse tegnet i detaljer. Den drøm er nu blevet til virkelighed. Et internationalt hold anført af laboratorier ved Harvard Medical School og Princeton University offentliggjorde den 8. juni 2026 det første komplette connectome af en voksen bananflues (Drosophila melanogaster) centrale nervesystem i tidsskriftet Nature . Kortet dækker ikke kun hjernen, men også bugmarven – insektets ækvivalent til rygmarven – og afslører, hvordan omkring 140.000 neuroner kommunikerer via mere end 54,5 millioner synapser .

Dette er det første synaptiske connectome i opløsning af et helt centralnervesystem fra et voksent dyr, en skala, der overskygger tidligere forsøg . Datasættet er frit tilgængeligt på flywire.ai, og det omformer allerede nu, hvordan forskere studerer forholdet mellem hjernekredsløb og adfærd .

Hvad connectomet afslører

Den kerneopdagelse, vi står med, er en komplet stykliste og et kredsløbsdiagram for en hjerne, der kan gå, flyve, spise, parre sig og lære. Forskerne klassificerede fluens neuroner i mere end 8.400 forskellige celletyper, hvilket kaster lys over en forbløffende mangfoldighed i den neurale arkitektur . Ledningskortet viser, hvordan sanseinformation strømmer ind i hjernen, bliver behandlet og udløser motoriske kommandoer i bugmarven – det giver forskere en direkte linje fra sansning til handling .

Nøglefakta om projektet:

• Det er det første connectome af et voksent dyrs hele centralnervesystem, der forbinder hjernen og bugmarven med enkelt-synapse-opløsning .
• Arbejdet blev udført af FlyWire Consortium, et globalt samarbejde, der kombinerede AI-baseret billedsegmentering med manuel korrekturlæsning af hundredvis af borgerforskere .
• Hver eneste neuron og synapse er nu offentligt tilgængelig online, så forskere verden over kan udforske, annotere og bygge videre på connectomet som en levende ressource .

Derfor betyder det noget for hjerneforskningen

Med et komplet ledningsdiagram i hånden kan neuroforskere endelig spore, hvordan specifikke kredsløb producerer specifik adfærd. Man kan starte med en sanseneuron – for eksempel én, der reagerer på en lugt – og følge synaptiske forbindelser gennem behandlingscentre hele vejen til de motorneuroner, der driver bevægelse . Denne ende-til-ende-synlighed var umulig, før connectomet fandtes.

Bananfluen er allerede en central modelorganisme til at studere menneskelige sygdomme. Connectomet gør det nu muligt for forskere at undersøge, hvordan genetiske mutationer forbundet med menneskelige hjernesygdomme ændrer de neurale forbindelser, hvilket giver et håndterbart system til at afdække sygdomsmekanismer . Det etablerer også en plan for at skalere connectomics til større arter, med en klar vej mod kortlægning af musehjernen og en dag den menneskelige hjerne .

En ny drejebog for kunstig intelligens

Kunstige neurale netværk har i årevis været inspireret af biologien, men bananfluens connectome tilbyder noget fundamentalt anderledes: en fuldt kortlagt biologisk arkitektur, der er udviklet til at løse problemer i den virkelige verden med ekstrem energieffektivitet . Ingeniører kan studere fluens kredsløbsmotiver direkte og bruge dem til at designe nye neuromorfe computerchips og algoritmer, der fungerer mere som en hjerne og mindre som nutidens lagdelte deep learning-systemer.

Mindst lige så vigtige er de AI-værktøjer, der blev udviklet til at bygge selve connectomet. Projektet brugte machine learning til automatisk at segmentere neuroner fra elektronmikroskopibilleder og derefter forfine disse segmenter. De AI-teknikker kan overføres direkte til fremtidige connectomics-projekter i større dyr og vil accelerere fremskridtet på tværs af feltet .

Implikationer for robotteknologi og autonome systemer

Bananafluens nervesystem integrerer syns-, lugte-, føle- og proprioceptive sanser for at styre adræt gang og flyvning – alt sammen med kun omkring 140.000 neuroner . At forstå, hvordan dette kompakte kredsløb opnår robust, realtidsnavigation og forhindringsundvigelse, kan føre til radikalt enklere kontrolsystemer med lavere strømforbrug til droner og mikrorobotter . I stedet for store processorer, der kører gigantiske AI-modeller, kunne fremtidens autonome robotter bruge letvægts, flue-inspirerede kredsløb, der reagerer på verden med samme hastighed og præcision.