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

Varför en liten apahjärna spelar roll

Den vanliga marmoseten är en liten apa, men dess hjärna liknar vår förvånansvärt mycket i hur den är organiserad och kopplad. Forskare använder i allt större utsträckning marmoseter för att studera tillstånd som Alzheimers sjukdom och åldersrelaterad hjärnedegeneration, eftersom experiment som är omöjliga hos människor kan genomföras säkert på djur. Denna artikel presenterar en ny, högprecisions 3D-digital karta över marmosethjärnan, kallad Brain/MINDS Marmoset Brain Atlas 2.0 (BMA2.0). Den tillhandahåller ett gemensamt referenssystem så att data från många laboratorier, skannrar och experiment kan jämföras och kombineras — ett nödvändigt steg för att förstå hur primathjärnor fungerar och hur de sviktar vid sjukdom.

Från en hjärna till en populationsbild

Tidigare marmosethjärneatlaser byggdes oftast från ett enda djur. Det är som att försöka förstå det ”typiska” mänskliga ansiktet från ett enda fotografi: man förbiser naturliga skillnader i storlek, form och finare detaljer. BMA2.0 medelvärdesbildar istället information från många individer — 91 ex vivo (post‑mortem) MR-skanningar, 446 MR-skanningar av levande marmoseter och detaljerade vävnadsfärgningar från 10 hjärnor. Genom att noggrant justera alla dessa hjärnor i ett gemensamt koordinatsystem fångar atlasen det vanligaste mönstret av veck och regioner samtidigt som egensinnigheter jämnas ut. Resultatet är en symmetrisk, populationsbaserad mall som bättre speglar hur en typisk marmosethjärna ser ut.

Lager av hjärnans struktur

För att dela in hjärnan i meningsfulla delar kombinerade teamet flera typer av bilder. Högupplöst myelinfärgning framhäver hjärnans ledningsbanor, medan Nissl‑färgning visar fördelningen av cellkroppar. Ex vivo‑ och in vivo‑MRI ger helhjärnsöversikt liknande den som används på mänskliga sjukhus. Genom att använda dessa kontraster tillsammans ritade experter manuellt upp 117 regioner i det yttre ”gråa” skiktet per hemisfär och förfinade 156 djupa strukturer samt 45 cerebellära regioner. Avancerad registreringsprogramvara och artificiella intelligensmodeller sydde sedan ihop tusentals 2D‑vävnadsskivor till konsekventa 3D‑volymer, matchade dem med MRI och medelvärdesbildade dem över djur. Den slutliga atlasen delar varje hemisfär i 323 regioner och levereras med platta kartor och ytomodeller som låter forskare visualisera cortex som om det var utbrett på ett ark.

Smarta algoritmer bakom kulisserna

Att bygga en så detaljerad atlas är tekniskt krävande. Vävnadsskivor kan deformeras, färgningar skiljer sig mellan metoder och bilder från olika skannrar stämmer inte överens av sig själva. För att övervinna detta använde författarna moderna bildregistreringsalgoritmer tillsammans med djupinlärningsverktyg. Ett nätverk lär sig att omvandla Nissl‑bilder till myelinliknande bilder så att två mycket olika färgningar blir mer jämförbara. Ett annat lär sig markera gränserna mellan cortex, djupare strukturer och bakgrund, vilket ger extra ”landmärken” som hjälper registreringen att låsa fast strukturer. För att säkerställa att regionerna följer cortex naturliga kolumnliknande riktning använder man en matematisk metod baserad på Laplaces ekvation som spårar strömlinjer från hjärnans yta ner till vit substans och tilldelar varje litet volymelement den mest sannolika regionen längs dessa banor.

Koppla anatomi till funktion

BMA2.0 är mer än en statisk bild; den är utformad för att länka struktur och aktivitet. Författarna visar att när de använder atlasens regioner för att sammanfatta vilande‑state fMRI‑signaler från vakna marmoseter är aktivitetsmönstren över tid mer konsekventa mellan sessioner och individer än när hjärnan delas upp i godtyckliga, avståndsbaserade bitar. De bygger också en populationsgenomsnittlig karta över vitsubstansförbindelser med diffusion‑MRI från 126 djur och jämför den med en separat dataset av spårinjektioner som följer verkliga axoner. De två oberoende kartorna stämmer väl överens, vilket stöder idén att atlasen fångar biologiskt meningsfulla ledningsbanor. Eftersom BMA2.0 kan översättas till koordinatsystemen hos flera andra marmosetatlaser fungerar den också som en nav för att slå samman tidigare och framtida dataset.

Vad detta betyder för hjärnforskningen

För icke‑experter är huvudbudskapet att BMA2.0 ger forskare en mycket mer pålitlig ”geografisk karta” över marmosethjärnan, baserad inte på ett enskilt djur utan på en population och på flera bildmetoder. Det gör det lättare att jämföra resultat mellan studier, att relatera finmaskig anatomi till hjärnsignaler och beteende, och att undersöka hur sjukdomar och behandlingar omformar hjärnans nätverk. Eftersom marmoseter är nära släktingar till människor och redan används i stor utsträckning i forskning om åldrande och demens bör denna atlas hjälpa till att översätta fynd från små apor till större frågor om den mänskliga hjärnan.

Citering: 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

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