Analiza objęła 1 mm³ kory wzrokowej myszy (V1), co odpowiada ok. 0,002% całkowitej objętości mózgu tego zwierzęcia. Pomimo tej znikomej objętości, uzyskany zbiór danych zawierał ok. 82 tys. neuronów, ponad 200 tys. komórek (w tym glejowych), 500 mln synaps oraz ok. 4 km skompresowanych długości aksonów i dendrytów. Rozdzielczość obrazowania strukturalnego osiągnięto na poziomie 4 nanometrów dzięki zastosowaniu mikroskopii elektronowej typu serial section transmission EM (ssTEM).

Ważnym aspektem projektu było nie tylko odwzorowanie samej struktury anatomicznej, ale również zintegrowanie jej z danymi funkcjonalnymi. W tym celu myszy poddano wcześniejszemu obrazowaniu przy użyciu mikroskopii dwufotonowej (2P) umożliwiającej rejestrację aktywności neuronalnej w czasie rzeczywistym z wykorzystaniem czujników wapniowych (np. GCaMP). Myszy oglądały w tym czasie dynamiczne bodźce wizualne, takie jak sceny z filmów science fiction. Uzyskane informacje łączą więc dane fizjologiczne z precyzyjnie zrekonstruowaną architekturą połączeń, umożliwiając analizę zależności pomiędzy strukturą a funkcją, będącą fundamentalnym problemem współczesnej neurobiologii.

Rekonstrukcja struktury wymagała stworzenia ponad 5 tys. przekrojów histologicznych o grubości 40 nanometrów, które zostały zeskanowane w rozdzielczości 4 nm/piksel. Złożoność analizy zmusiła zespół do zastosowania wysoce zoptymalizowanych algorytmów uczenia maszynowego i przetwarzania rozproszonego (cloud computing). Współczesne narzędzia segmentacyjne, takie jak Flood-Filling Networks (FFNs), opracowane przez Google Research, zostały zaadaptowane do rozpoznawania konturów komórek i synaps w wieloparametrycznych obrazach. Cały zbiór danych osiągnął rozmiar 1,6 petabajta, co czyni go jednym z największych otwartych zbiorów danych neuroanatomicznych w historii nauki.

Jednym z najciekawszych wyników projektu była identyfikacja zjawisk niespodziewanych z punktu widzenia klasycznej neuroanatomii. Należą do nich m.in. niezwykle gęste mikrosieci wzajemnych połączeń między niektórymi neuronami oraz obecność synaps z „potencjałem dynamicznego wzmacniania” – tzn. takich, które w krótkich oknach czasowych mogą znacząco wzmacniać sygnały transmisji synaptycznej. Tego rodzaju odkrycia pozwalają lepiej zrozumieć, jak konkretne układy neuronowe wspierają procesy percepcji, integracji bodźców czy podejmowania decyzji.

Historia projektu MICrONS sięga 2016 r., kiedy amerykańska agencja IARPA (Intelligence Advanced Research Projects Activity), wspólnie z NIH i DARPA, ogłosiły inicjatywę mającą na celu stworzenie struktur danych, które umożliwią budowę modeli sztucznej inteligencji inspirowanych biologią mózgu. W odróżnieniu od wcześniejszych projektów, takich jak Human Connectome Project (skoncentrowanym na mózgu ludzkim przy użyciu MRI), MICrONS miał charakter eksperymentalny, wykorzystujący inwazyjne techniki obrazowania i działający na materiale zwierzęcym. Uczestnikami konsorcjum byli m.in. naukowcy z Allen Institute for Brain Science, Princeton University, Harvard University i Baylor College of Medicine.

Uzyskane wyniki mają znaczenie nie tylko dla neurobiologii, ale także dla rozwoju bioinspirowanych architektur obliczeniowych. Szczególnie interesująca jest koncepcja modelowania układów neuronowych nie tylko jako statycznych sieci, ale dynamicznych grafów, w których właściwości transmisji informacji zmieniają się zależnie od kontekstu aktywności. Może to prowadzić do stworzenia nowych klas algorytmów, tzw. neuromorficznych, zdolnych do szybszego i bardziej elastycznego uczenia się niż obecne modele typu deep learning.