Brain/MINDS Makak Maymunu Beyin Atlası 2.0: Çok Modlu Şablonlarla Popülasyon Kortikal Parçalama

Neden küçük bir maymun beyni önemli?

Yaygın marmoset küçük bir maymundur, ancak beyninin organizasyonu ve bağlantı düzeni şaşırtıcı derecede bizimkine benzer. Araştırmacılar, insanlarda yapılamayan deneylerin hayvanlarda güvenle gerçekleştirilebilmesi nedeniyle Alzheimer hastalığı ve yaşa bağlı beyin gerilemesi gibi koşulları incelemek için giderek daha fazla marmoset kullanıyor. Bu makale, Brain/MINDS Marmoset Brain Atlas 2.0 (BMA2.0) adı verilen yeni, yüksek hassasiyetli 3B dijital marmoset beyin haritasını tanıtıyor. Bu atlas, birçok laboratuvarın, tarayıcının ve deneyin verilerini karşılaştırıp birleştirebilmeyi sağlayan ortak bir referans sistemi sunar—primat beyinlerinin nasıl çalıştığını ve hastalıkta nasıl çöktüğünü anlamaya yönelik kritik bir adım.

Tek bir beynin ötesinde, popülasyon görüşü

Daha önceki marmoset beyin atlasları genellikle tek bir hayvandan oluşturuluyordu. Bu, tipik bir insan yüzünü tek bir fotoğraftan anlamaya çalışmak gibidir: boyut, şekil ve ince ayrıntılardaki doğal farklılıkları göz ardı eder. BMA2.0 ise bunun yerine birçok bireyden alınan bilgileri ortalıyor—91 ex vivo (post‑mortem) MRI taraması, 446 canlı marmoset MRI taraması ve 10 beyinden elde edilmiş ayrıntılı doku lekeleri. Tüm bu beyinleri dikkatle tek bir koordinat sistemine hizalayarak atlas, kıvrımların ve bölgelerin en yaygın örüntüsünü yakalarken bireysel tuhaftılıkları yumuşatır. Sonuç, tipik bir marmoset beyninin nasıl göründüğünü daha iyi yansıtan simetrik, popülasyon tabanlı bir şablondur.

Beynın yapısının katmanlı görünümleri

Beynin anlamlı parçalara ayrılması için ekip birkaç tür görüntüyü birleştirdi. Yüksek çözünürlüklü miyelin boyama beyin bağlantılarını vurgularken, Nissl boyama hücre gövdelerinin dağılımını gösterir. Ex vivo ve in vivo MRI, insan hastanelerinde kullanılanlara benzer tüm beyin kapsaması ekler. Bu karşıtlıklar birlikte kullanıldığında uzmanlar her yarımkürede dış “gri madde”de 117 bölgeyi elle çizdi ve 156 derin yapı ile 45 serebellar bölgeyi düzeltti. Gelişmiş kayıt yazılımları ve yapay zeka modelleri ardından binlerce 2B doku dilimini tutarlı 3B hacimlere dikti, bunları MRI ile eşleştirdi ve hayvanlar arasında ortaladı. Nihai atlas her yarımküreyi 323 bölgeye ayırır ve korteksi açılmış bir sayfaya benzer şekilde görselleştirmeyi sağlayan düz haritalar ve yüzey modelleri ile birlikte gelir.

Sahnenin arkasındaki akıllı algoritmalar

Böylesine ayrıntılı bir atlas oluşturmak teknik açıdan zordur. Doku dilimleri deforme olabilir, boyama renkleri yöntemler arasında farklılık gösterir ve farklı tarayıcılardan gelen görüntüler kendi başlarına hizalanmaz. Bunu aşmak için yazarlar modern görüntü‑kayıt algoritmalarını derin öğrenme araçlarıyla birlikte kullandı. Bir ağ, Nissl görüntülerini miyelin benzeri görüntülere dönüştürmeyi öğrenerek iki çok farklı lekenin daha karşılaştırılabilir görünmesini sağlıyor. Başka bir ağ korteks, derin yapılar ve arka plan arasındaki sınırları işaretlemeyi öğrenerek kayıt için ek “kilit noktaları” sunuyor. Bölgelerin korteksin doğal sütunumsu yönünü izlemesini sağlamak için Laplace denklemi tabanlı matematiksel bir yaklaşım, beynin dış yüzeyinden beyaz maddeye kadar akım çizgileri izleyip her küçük hacim elemanını bu yollar üzerindeki en olası bölgeye atıyor.

Morfoloji ile işlevi bağlamak

BMA2.0 statik bir resimden daha fazlasıdır; yapı ile etkinliği birbirine bağlamak üzere tasarlanmıştır. Yazarlar, atlas bölgelerini uyandırılmış marmosetlerden alınan dinlenme durumu fMRI sinyallerini özetlemek için kullandıklarında, zaman içindeki etkinlik örüntülerinin beyin rastgele, mesafe bazlı parçalara bölündüğündeki kadar tutarsız olmayıp seanslar ve hayvanlar arasında daha istikrarlı olduğunu gösteriyorlar. Ayrıca 126 hayvandan elde edilen difüzyon MRI kullanarak beyaz madde bağlantılarının popülasyon‑ortalama haritasını oluşturuyor ve bunu gerçek aksonları izleyen izleyici enjeksiyonlarından oluşan ayrı bir veri kümesiyle karşılaştırıyorlar. İki bağımsız harita iyi bir uyum gösteriyor ve atlasın biyolojik olarak anlamlı bağlantıları yakaladığını destekliyor. BMA2.0 birkaç diğer marmoset atlasının koordinat sistemlerine çevrilebildiği için geçmiş ve gelecek veri setlerini birleştiren bir merkez görevi de görür.

Bunun beyin araştırmaları için anlamı nedir?

Uzman olmayanlar için ana mesaj şudur: BMA2.0, bilim insanlarına tek bir hayvana değil, bir popülasyona ve çoklu görüntüleme yöntemlerine dayanan çok daha güvenilir bir marmoset beyin “coğrafi haritası” sunar. Bu, çalışmalar arasında sonuçları karşılaştırmayı, ince ayrıntılı anatomiyi beyin sinyalleri ve davranışla ilişkilendirmeyi ve hastalıklar ile tedavilerin beyin ağlarını nasıl yeniden şekillendirdiğini araştırmayı kolaylaştırır. Marmosetler insanlar ile yakın akraba olup yaşlanma ve bunama araştırmalarında yaygın olarak kullanıldığından, bu atlas küçük maymunlardan elde edilen bulguları insan beynine dair daha geniş sorulara dönüştürmeye yardımcı olmalıdır.

Atıf: 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

Anahtar kelimeler: marmoset beyin atlası, popülasyon nörogörüntüleme, çok modlu MRI, kortikal parçalama, primat konektomu