肥胖的影响远不止于代谢紊乱与脂肪堆积。在机体内部，它会剧烈改变多个器官系统的免疫活性、神经结构以及组织架构，进而显著增加2型糖尿病、心血管疾病、脑卒中、周围神经病变及 cancer（癌症）的患病风险。然而，由于过去缺乏能在保持机体完整性的前提下、以高分辨率研究全身系统性病变的工具，科学家往往只能采用单器官孤立研究模式，难以全面洞察复杂疾病在跨器官网络中的动态演变。
近日，德国慕尼黑亥姆霍兹中心（Helmholtz Munich）生物智能研究所（iBIO）所长阿里·埃尔蒂尔克（Ali Ertürk）教授团队，联合该中心糖尿病与癌症研究所（IDC）多丽丝·卡尔特内克（Doris Kaltenecker）博士、陈莹（Ying Chen）等科研人员，在国际顶级学术期刊《自然》（Nature）上发表了最新研究论文。该团队成功开发出一套名为 MouseMapper 的深度学习算法群，并结合组织透明化与三维光片显微成像技术，首次在完整小鼠上实现了31种器官组织的自监督语义分割，以及全身神经、免疫细胞的定量图谱绘制。利用该平台，研究团队首次揭示了肥胖引发的面部三叉神经病理性损毁，并在人类肥胖患者组织样本中成功验证了这一跨物种守恒的分子表型。
技术突破：让整个小鼠变透明，用AI基座模型实现全自动分割
为了在不破坏机体完整性的情况下捕获全身细胞级结构，研究人员首先利用特异性荧光标记物对小鼠全身体内的神经纤维和免疫细胞群落进行染色。随后，团队采用先进的组织透明化技术（Tissue-clearing techniques），在完美保留荧光信号的前提下，让小鼠机体变得完全透明，从而实现了组织深层的高分辨荧光成像。
借助高通量光片显微镜（Light-sheet microscopy），研究团队对全透明小鼠进行了精密的三维层析成像，生成了包含跨器官、跨组织数千万个细胞级空间结构的三维巨量数据集。
面对如此庞大的全景数据，传统的人工标注和常规机器视觉算法根本无法满足处理需求。为此，团队开发了基于基座模型（Foundation model）的 MouseMapper 算法架构。由于该基座模型具备极其强大的跨场景泛化（Generalize）能力，无需人类研究者提前预设感兴趣区域，算法便能全自动识别并分割出全身31种不同的器官与组织类型，并对全身体表的神经网络与免疫细胞进行三维空间定量制图（Quantitative mapping）。这使得科学家能够以无死角的全景视角，精准锁定疾病在机体内部引发的炎症与结构损伤“热点（Hotspots）”。
机制发现：肥胖引发面部三叉神经重塑，小鼠与人类高度守恒
应用该多系统全景分析平台，研究团队系统性评估了高脂饮食诱导的肥胖代谢紊乱小鼠。成像数据显示，肥胖在小鼠全身引燃了广泛的免疫细胞架构重组与神经网络重塑。
其中，一项此前从未被报道过的外周神经损伤引起了团队的注意：肥胖导致小鼠的三叉神经（Trigeminal nerve，主要负责面部感觉与运动的核心脑神经）其面部分支的神经末梢与外周分支数量发生大幅度病理性削减。后续的行为学实验进一步确证，相较于消瘦的对照组小鼠，肥胖小鼠对面部物理刺激的感知敏感度显著下降，从行为学层面证实了该神经结构损伤引发的功能障碍。
为了在分子水平上彻底解构这一病变，研究团队进一步锁定了富集面部感觉神经元胞体的三叉神经节（Trigeminal ganglion），并引入高分辨率空间蛋白质组学（Spatial proteomics）技术进行微观解析。空间丰度分析成功鉴别出了与该神经重塑、局部炎症密切相关的特定分子特征（Molecular signatures）。
科研人员随后对人类肥胖患者的三叉神经组织进行了平行检测。结果表明，小鼠体内发现的这套肥胖相关神经病变分子特征，在人类肥胖患者组织中高度保守。这一发现强有力地证明了该面部神经病变同样在人类肥胖群体中广泛存在，同时也彰显了全景全器官视角无可替代的科学价值——如果像过去那样每次只孤立研究一个器官，这种跨系统的神经解剖学病变将永远深埋在传统检测的盲区之中。
转化前瞻：从全景图谱迈向硅基“数字孪生小鼠”
“我们的长期愿景是在计算机中构建真正写实的、涵盖健康与疾病状态的‘数字孪生小鼠（Digital twins）’。”论文通讯作者埃尔蒂尔克教授强调。
随着 MouseMapper 平台的开源以及肥胖全身高分辨数据集的全球共享，该技术不仅将改变肥胖与代谢疾病的研究范式，还将广泛应用于癌症微转移、糖尿病系统并发症、神经退行性疾病以及自身免疫病等涉及多器官多系统协同病变的复杂疾病领域。
未来，科学家有望在完全虚拟的硅基（In silico）计算环境下，直接对细胞级数字孪生图谱进行疾病查询、虚拟基因敲除与高通量药物扰动筛选。这不仅能够协助临床医学在疾病发生的最早期阶段实施靶向拦截、设计干预方案，更将在大幅消减传统实体动物实验规模的同时，呈几何级数加速全球创新药物的转化研发效率。
参考文献：Doris Kaltenecker et al, A deep-learning framework reveals whole-body perturbations at cell level, Nature (2026). DOI: 10.1038/s41586-026-10535-2
编辑：王洪
排版：李丽
评论 (0)