MouseMapper: 全身を細胞レベルで読む深層学習フレームワーク
Kaltenecker, Ertürk et al. — Nature (2026) | DOI: 10.1038/s41586-026-10535-2
🎯 透明化マウス全身3D画像を、神経・免疫・31臓器に自動分割。肥満で三叉神経の構造障害とヒゲ感覚低下を発見。
① 背景と課題

肥満をはじめ多くの疾患は全身の臓器系を撹乱するが、その変化を「マウス丸ごと一匹」のスケールで細胞レベルに定量する解析ツールが欠けていた。組織透明化＋ライトシート顕微鏡（LSFM）で全身3D画像は撮れるようになったが、神経のような細長い構造や免疫細胞を全身で定量する画像解析が大きなボトルネックだった。

既存手法（DeepMACT・DELiVR・AIMOS 6臓器・SCP-Nano）は限られた臓器・2D投影・事前クロップ前提に制約
細長い軸索や免疫細胞クラスタを全身スケールで定量する手段が皆無

→ 3D基盤モデルの転移学習＋ネットワークグラフ抽出で、全身を一括スクリーニングするMouseMapperを構築

② MouseMapper手法
透明化(vDISCO)＋LSFM全身3Dスキャン
↓
Nerve-Module：VesselFM基盤モデル
＋Learning-without-Forgetting蒸留(w=0.4)
↓
Immune-Module：デコーダ微調整
Tissue-Module：3D nnU-Net (27臓器)
↓
骨格化グラフ抽出＋cc3dクラスタ定量
3モジュール統合
神経・免疫・臓器/組織を横断する初の全身AI解析基盤

MONAI sliding-window＋ZARR/DASKで最大50 TB/マウスをlazy推論。距離正規化(0.1/99.9 percentile)でコントラスト強調。

③ 計算化学パイプラインへの応用
  • lib/md: MDボクセル化(占有/水和密度)・ポケット検出に3D基盤モデル転移学習を応用
  • lib/md: 骨格化グラフ抽出を残基間接触/相互作用ネットワーク定量へ転用
  • lib/docking: nnU-Netでサブポケット分割→ProLIF解析対象を自動定義
  • lib/fep: LwF蒸留でΔΔGサロゲートを逐次更新(破滅的忘却抑制)
実装ギャップ: 3D基盤モデル転移学習・LwF蒸留・骨格化グラフ抽出・MONAI/ZARR lazy推論がlibに未実装
④ 主な結果 (a) セグメンテーション精度
0.749 Nerve 0.788 Immune 0.69-0.71 汎化(外部) 0.0 0.75 voxel Dice スコア

神経 voxel Dice 0.749、免疫 0.788 でSOTA。再学習なしの外部データでも 0.69–0.71 を維持し汎化性を実証。

④ 主な結果 (b) 三叉神経の構造減少(HFD)
-60.7% endings -57.8% edges -57.6% vertices Chow HFD肥満 眼窩下神経グラフ指標 (vs Chow)

肥満で三叉神経・眼窩下枝の端点 -60.7%・エッジ -57.8%・頂点 -57.6%（P≦0.0043）。太さは同等＝末梢軸索の伸長欠損。

④ 主な結果 (c) 機能・分子・ヒト保存

構造変化が感覚機能とプロテオームに連動し、ヒトでも保存。

ヒゲ反応 低下
whisker刺激試験（P=0.0040）
230 タンパク質
三叉神経節で差次制御（67↑/163↓）
ヒトで保存
軸索ガイダンス・補体経路がヒト死後組織で再現

→ SERPINA1/A3低下など神経保護経路の変調が、構造障害の分子基盤を示唆。

⑤ テイクホームメッセージ
  • VesselFM基盤モデル＋LwF蒸留で、血管の知識を神経へ転移し全身セグメント
  • クロップ不要・50 TB/マウス級の真の3Dスライディングウィンドウ推論
  • LSFMで過去最多 31臓器・組織を自動分割（AIMOS 6臓器を凌駕）
  • 骨格化グラフ・cc3dクラスタ定量はMD/ドッキング/FEPへ転用可能
限界: 1.1倍対物では横方向5.9 µm止まりでサブµm軸索は未解像。新規モダリティは追加微調整が必要。
DOI: 10.1038/s41586-026-10535-2 | Nature (online 20 May 2026) | Code: https://github.com/erturklab/mouse-Mapper | Maps: https://discotechnologies.org/MouseMapper/ | PRIDE: PXD054819 / PXD071172 | Category: machine_learning