Brain/MINDS Marmoset Brain Atlas 2.0: Population Cortical Parcellation With Multi-Modal Templates

Warum ein winziges Affengehirn wichtig ist

Der Gewöhnliche Krallenaffe (Marmoset) ist ein kleiner Affe, doch sein Gehirn ähnelt unserem überraschend stark in Aufbau und Verschaltung. Forschende nutzen Marmosets zunehmend, um Erkrankungen wie Alzheimer und altersbedingten Gehirnabbau zu untersuchen, weil Experimente, die beim Menschen unmöglich wären, bei Tieren sicher durchgeführt werden können. Dieses Paper stellt eine neue, hochpräzise 3D‑digitale Karte des Marmoset‑Gehirns vor: den Brain/MINDS Marmoset Brain Atlas 2.0 (BMA2.0). Er bietet ein gemeinsames Referenzsystem, sodass Daten aus vielen Laboren, verschiedenen Magnetresonanztomographen und Experimenten verglichen und kombiniert werden können — ein entscheidender Schritt, um zu verstehen, wie Primatengehirne funktionieren und wie sie bei Krankheiten versagen.

Vom Einzelhirn zur Population

Frühere Marmoset‑Gehirnatlanten basierten meist auf einem einzelnen Tier. Das ist, als wollte man das „typische“ menschliche Gesicht aus einem Foto bestimmen: individuelle Unterschiede in Größe, Form und Details werden ignoriert. BMA2.0 hingegen mittelt Informationen vieler Individuen — 91 ex vivo (postmortale) MRT‑Scans, 446 lebende Marmoset‑MRTs und detaillierte Gewebefärbungen aus 10 Gehirnen. Durch sorgfältiges Ausrichten all dieser Gehirne in ein Koordinatensystem erfasst der Atlas die am häufigsten vorkommenden Muster von Furchen und Regionen und glättet individuelle Besonderheiten. Das Ergebnis ist eine symmetrische, populationsbasierte Vorlage, die besser widerspiegelt, wie ein typisches Marmoset‑Gehirn aussieht.

Geschichtete Ansichten der Gehirnstruktur

Um das Gehirn in sinnvolle Teile zu gliedern, kombinierte das Team mehrere Bildkontraste. Hochauflösende Myelinfärbungen heben die Verschaltungen hervor, während Nissl‑Färbungen die Verteilung von Zellkörpern zeigen. Ex vivo‑ und in vivo‑MRT liefern eine gesamthirnweite Abdeckung, wie sie auch in Kliniken beim Menschen verwendet wird. Durch die gemeinsame Nutzung dieser Kontraste zeichneten Expertinnen und Experten manuell 117 Regionen in der äußeren „Grauen Substanz“ pro Hemisphäre nach und verfeinerten 156 tiefere Strukturen sowie 45 Kleinhirnregionen. Fortgeschrittene Registrierungssoftware und KI‑Modelle setzten dann Tausende von 2D‑Gewebeschnitten zu konsistenten 3D‑Volumen zusammen, passten sie an die MRT an und mittelten sie über die Tiere. Der fertige Atlas unterteilt jede Hemisphäre in 323 Regionen und enthält flache Karten und Oberflächenmodelle, die es Forschenden erlauben, den Kortex darzustellen, als wäre er auf eine Ebene aufgefaltet.

Intelligente Algorithmen hinter den Kulissen

Der Aufbau eines so detaillierten Atlas ist technisch anspruchsvoll. Gewebeschnitte können sich verziehen, Färbeintensitäten unterscheiden sich zwischen Verfahren und Bilder verschiedener Scanner stimmen nicht automatisch überein. Um dies zu überwinden, nutzten die Autorinnen und Autoren moderne Bildregistrierungsalgorithmen zusammen mit Deep‑Learning‑Tools. Ein Netzwerk lernt, Nissl‑Bilder in myelinähnliche Bilder zu transformieren, sodass zwei sehr unterschiedliche Färbungen vergleichbarer werden. Ein anderes Netzwerk lernt, die Grenzen zwischen Kortex, tieferen Strukturen und Hintergrund zu markieren und liefert zusätzliche „Marken“, die der Registrierung helfen, Strukturen zu verankern. Damit Regionen der natürlichen, säulenartigen Orientierung des Kortex folgen, verfolgt ein mathematischer Ansatz auf Basis der Laplace‑Gleichung Stromlinien von der Hirnoberfläche bis zur weißen Substanz und weist jedem kleinen Volumenelement entlang dieser Pfade die wahrscheinlichste Region zu.

Verbindung von Anatomie und Funktion

BMA2.0 ist mehr als ein statisches Bild; es ist darauf ausgelegt, Struktur und Aktivität zu verknüpfen. Die Autorinnen und Autoren zeigen, dass, wenn sie die Atlas‑Regionen zur Zusammenfassung von Ruhe‑fMRI‑Signalen wacher Marmosets verwenden, die Aktivitätsmuster über Zeit in Sitzungen und zwischen Tieren konsistenter sind als bei willkürlichen, entfernungsbasierten Unterteilungen. Sie erstellen außerdem eine populationsdurchschnittliche Karte weiße‑Substanz‑Verbindungen anhand von Diffusions‑MRT aus 126 Tieren und vergleichen diese mit einem separaten Datensatz von Tracer‑Injektionen, die reale Axone nachverfolgen. Die beiden unabhängigen Karten stimmen gut überein, was die Idee stützt, dass der Atlas biologisch sinnvolle Verschaltungen abbildet. Da BMA2.0 in die Koordinatensysteme mehrerer anderer Marmoset‑Atlanten übertragbar ist, dient er auch als Knotenpunkt zum Zusammenführen früherer und künftiger Datensätze.

Was das für die Hirnforschung bedeutet

Für Nicht‑Expertinnen und Nicht‑Experten ist die Kernbotschaft: BMA2.0 liefert Wissenschaftlerinnen und Wissenschaftlern eine deutlich zuverlässigere „Landkarte“ des Marmoset‑Gehirns, die nicht auf einem einzelnen Tier beruht, sondern auf einer Population und auf mehreren Bildgebungsverfahren. Das erleichtert den Vergleich von Ergebnissen zwischen Studien, die Zuordnung fein strukturierter Anatomie zu Hirnsignalen und Verhalten sowie das Untersuchen, wie Krankheiten und Behandlungen Hirnnetzwerke umgestalten. Weil Marmosets nahe Verwandte des Menschen sind und bereits häufig in der Alters‑ und Demenzforschung eingesetzt werden, sollte dieser Atlas dabei helfen, Erkenntnisse von kleinen Affen auf große Fragen zum menschlichen Gehirn zu übertragen.

Zitation: Gong, R., Ichinohe, N., Abe, H. et al. Brain/MINDS Marmoset Brain Atlas 2.0: Population Cortical Parcellation With Multi-Modal Templates. Sci Data 13, 274 (2026). https://doi.org/10.1038/s41597-026-06601-z

Schlüsselwörter: marmoset brain atlas, population neuroimaging, multimodal MRI, cortical parcellation, primate connectome