2026年5月20日，来自德国慕尼黑工业大学等机构的研究人员在Nature上发表文章《A deep-learning framework reveals whole-body perturbations at cell level》，开发了基于基础模型的深度学习框架MouseMapper，实现了小鼠全身神经、免疫细胞和31个器官组织的单细胞分辨率定量分析，揭示了肥胖导致的三叉神经眶下支结构损伤及功能障碍，并在人类样本中验证了保守的分子机制，为系统性疾病的全身尺度研究提供了强大工具。
许多疾病包括肥胖在内都具有全身系统性影响，会扰动多个器官系统的生理功能，这凸显了机体生理的互联性以及采用整体方法理解病理变化的必要性。然而，长期以来缺乏能够在全身尺度上对细胞和分子扰动进行高分辨率综合分析的工具，限制了我们对疾病广泛影响的认知。
近年来，先进的组织透明技术结合荧光显微镜已经能够实现包括完整小鼠身体和大体积人类组织标本在内的大样本单细胞分辨率可视化，但缺乏合适的图像分析工具来在全身尺度上量化神经、组织和器官等细长结构，成为识别疾病诱导结构改变的主要瓶颈。现有光片荧光显微镜（LSFM）数据集的图像分析方法通常局限于选定的器官，无法提供细长结构的整合全身定量分析，且开发能够在不同成像分辨率和标记策略间稳健泛化的算法仍是重大挑战。肥胖作为典型的系统性疾病，伴随慢性低度炎症和多种代谢功能障碍，会增加2型糖尿病、周围神经病变等并发症的风险，但目前对肥胖诱导的全身神经和免疫细胞变化仍缺乏全面的系统性表征。该研究通过构建基于基础模型的模块化深度学习框架，结合vDISCO组织透明技术和光片荧光显微镜，成功解决了全身尺度细胞级结构定量分析的核心难题。
面对全身成像数据分析的技术瓶颈，作者提出了一种基于基础模型迁移学习的全新研究思路，突破了传统方法针对特定器官或结构开发专用模型的局限。传统思路往往需要针对不同的生物结构和成像条件重新训练模型，泛化性差且耗时费力，无法处理TB级别的全身复杂数据。作者的核心突破在于，利用血管和神经在拓扑和形态上的高度相似性，将预训练的通用3D血管分割基础模型VesselFM迁移到神经和免疫细胞分割任务，通过微调使模型能够高效识别神经纤维和免疫细胞，大幅提升了分割精度和跨数据集泛化能力。在此基础上，作者构建了模块化的MouseMapper深度学习框架，包含神经模块、免疫模块和组织模块三个核心组件，分别实现外周神经网络、免疫细胞和31个器官组织的全自动3D分割与定量分析。更重要的是，作者将全身结构分割与空间蛋白质组学技术深度结合，实现了从宏观结构表型到微观分子机制的跨尺度关联，并通过人类死后组织样本验证了小鼠研究结果的保守性，建立了从动物模型到人类疾病的直接转化桥梁。这种思路不仅解决了全身成像数据分析的技术瓶颈，还为系统性疾病的研究提供了一种可扩展的整体分析范式。
为了验证MouseMapper框架的有效性并揭示肥胖的全身系统性影响，作者首先构建了饮食诱导的肥胖小鼠模型，通过vDISCO组织透明技术和光片荧光显微镜获取小鼠全身3D成像数据，然后利用MouseMapper对全身神经、免疫细胞和器官组织进行自动化分割和定量分析，结合空间蛋白质组学和功能实验深入解析了肥胖诱导的神经损伤机制，并在人类三叉神经节样本中验证了保守的分子变化。
为了在全身尺度观察肥胖诱导的神经和免疫细胞变化，作者使用了两种转基因报告小鼠：在泛外周神经标记物Uchl1（也称为PGP9.5）启动子下表达eGFP的Uchl1-eGFP小鼠，以及在单核/巨噬细胞标记物Cd68启动子下表达eGFP的Cd68-eGFP小鼠。将8周龄雄性小鼠分为正常饮食组和高脂饮食组，喂养16-18周后，高脂饮食组小鼠体重显著增加，主要是脂肪组织增多，同时出现胰岛素抵抗，成功诱导了代谢功能障碍。随后作者采用vDISCO组织透明技术结合光片荧光显微镜对完整小鼠身体进行成像，使用1.1×物镜（数值孔径0.1）实现了全身范围的快速成像，能够清晰追踪数厘米长的神经束以及全身Cd68-eGFP+免疫细胞的分布。为了获得更精细的结构细节，作者还使用4×物镜（数值孔径0.35）进行高分辨率成像，能够分辨更细的轴突结构和单个免疫细胞。由于抗体染色在体积较大的高脂饮食小鼠体内穿透性不均匀，无法获得一致的全身神经图谱，因此作者主要使用转基因报告小鼠进行后续的全身分析。
图1 直接在全身尺度可视化肥胖小鼠的神经和巨噬细胞
MouseMapper是一个集成的深度学习模型集合，由三个核心模块组成：神经模块用于分割全身神经并定量分析神经特征，免疫模块用于分割免疫细胞并量化其分布，组织模块用于映射器官和组织，使不同条件和动物间的定量数据具有可比性并便于生物学解释。为了生成训练模型的金标准数据，作者开发了3D虚拟现实（VR）标注流程，在VR环境中对神经、免疫细胞和器官进行高精度标注。神经模块基于预训练的VesselFM基础模型进行微调，采用“学习不遗忘”（LwF）策略，在学习神经特异性特征的同时保留模型学到的通用管状结构知识，最终获得了0.7494的体素Dice分数，显著优于从头训练的其他深度学习模型。该模型在不同标记方法（抗体标记、其他转基因报告系）和物种（人类胚胎）的数据集上均保持了高分割保真度，体素Dice分数在0.6916至0.7143之间，展现出优异的泛化能力。免疫模块同样基于VesselFM基础模型微调，通过冻结编码器并微调解码器的方式，实现了Cd68-eGFP+免疫细胞的高精度分割，体素Dice分数达到0.7878，大幅优于Cellpose、Star-convex等现有主流分割方法。组织模块则采用3D UNet架构，能够自动分割31个器官和组织，不仅在分割精度上优于现有方法，还将可分割的器官数量从之前的最多6个扩展到31个，为全身结构分析提供了统一的解剖学参考框架。
图2 开发用于自动分割神经、免疫细胞、器官和组织的深度学习集成方法
利用MouseMapper对正常饮食和高脂饮食小鼠的全身神经进行定量分析，作者发现虽然两组小鼠的总神经体素相似，但考虑到身体大小差异的全身神经密度在高脂饮食组显著降低。在脂肪组织中，虽然总神经体素随脂肪质量增加而增加，但神经密度同样显著降低，表明神经支配没有随组织生长成比例增加，在肥胖中相对减少。进一步分析发现，头部区域的神经密度降低最为显著，其中三叉神经的眶下支出现了明显的结构改变。眶下神经是三叉神经上颌支的重要分支，负责面部感觉感知和胡须介导的触觉探索。通过对神经分割结果进行图提取分析，作者定量表征了眶下神经的网络结构，发现高脂饮食小鼠的神经末梢数量减少60.7%，边缘数量减少57.8%，顶点数量减少57.6%，但神经主干的最大厚度没有显著变化，这提示肥胖导致的是轴突向神经节外延伸的缺陷，而非神经主干的整体变性。为了验证这些结构变化是否具有功能意义，作者进行了胡须刺激实验，结果显示肥胖小鼠对胡须刺激的反应显著减弱，证明存在明确的感觉功能障碍。
为了探究眶下神经结构变化的分子机制，作者对三叉神经节（眶下神经神经元胞体所在位置）进行了基于质谱的空间蛋白质组学分析。在每个样本中鉴定到超过6000种蛋白质，其中230种在正常饮食和高脂饮食小鼠间存在差异表达，包括67种上调蛋白和163种下调蛋白。通路分析显示，差异表达蛋白主要富集在肌动蛋白细胞骨架调节、RHO GTPase效应子、轴突导向、补体和凝血级联、ERB信号传导等通路。其中，SERPIN-A家族蛋白的显著下调引起了作者的关注，SERPINA1和SERPINA3具有抗炎作用，能够抑制中性粒细胞相关的蛋白酶，其下调可能导致机体无法有效控制炎症诱导的组织损伤和神经结构蛋白降解。作者通过蛋白质免疫印迹验证了SERPINA1表达降低、ERK激活增加以及SEPTIN7表达升高的结果。为了评估这些分子变化在人类中的保守性，作者分析了瘦个体（BMI<25）和肥胖个体（BMI>30）的死后三叉神经节样本，发现肥胖人类的三叉神经节同样存在轴突导向、神经变性和肌动蛋白细胞骨架调节等通路的差异表达，与小鼠中的发现高度一致，证明了该分子机制的跨物种保守性。
图4 眶下神经的结构变化与三叉神经节蛋白质组改变相关
慢性炎症是肥胖的核心特征，作者利用MouseMapper的免疫模块和组织模块，绘制了肥胖小鼠的全身炎症图谱。结果显示，高脂饮食小鼠全身Cd68-eGFP+免疫细胞浸润显著增加，其中肝脏和内脏脂肪组织的积累最为明显。作者根据免疫细胞簇的体积将其分为小簇（≤6个细胞）、中簇（6-60个细胞）和大簇（>60个细胞）三类，定量分析发现，肝脏和内脏脂肪组织中小簇的比例显著降低，中簇比例显著升高，呈现出从小簇向中簇转变的趋势；而皮下脂肪、肌肉、胃和腹壁等部位则出现大簇比例的显著增加，表明这些部位的炎症活动更为剧烈。为了进一步解析免疫细胞簇的细胞组成，作者对内脏脂肪组织切片进行了多重免疫荧光染色，标记了巨噬细胞、T细胞、NK细胞、浆细胞、内皮细胞等多种细胞类型。像素级分析显示，巨噬细胞是免疫聚集物的核心组成部分，T细胞、NK细胞和内皮细胞与巨噬细胞存在密切的空间共定位，形成了血管周围免疫枢纽，而浆细胞则主要分布在这些聚集物之外，呈现出明显的空间分隔。
图5 肥胖中的全身炎症
该研究开发的MouseMapper深度学习框架，首次实现了小鼠全身神经、免疫细胞和31个器官组织的自动化、细胞级定量分析，为系统性疾病的研究提供了一种强大且可扩展的整体分析范式。其核心优势在于基于基础模型的迁移学习策略，大幅提升了模型的分割精度和跨数据集泛化能力；模块化的设计使其能够灵活适配不同的生物系统和研究需求；将结构表型与空间蛋白质组学的深度结合，实现了从宏观结构到微观分子机制的跨尺度解析；而人类样本的验证则为研究结果的临床转化奠定了坚实基础。
同时，该研究也存在一些局限性：光片显微镜的分辨率限制使其无法分辨最细的实质神经纤维和亚细胞结构；抗体染色在肥胖小鼠全身的穿透性较差，限制了其在非转基因模型中的应用；目前模型在不同成像模态间的泛化性仍有待提升。未来，随着光学技术、自适应采样策略和数据处理技术的进步，有望实现宏观体积下的亚微米分辨率成像；MouseMapper框架可以进一步扩展到淋巴系统、血管系统等其他全身系统的分析；该方法还可以应用于糖尿病、癌症、神经退行性疾病等其他系统性疾病的研究，帮助发现新的疾病机制和治疗靶点。此外，针对该研究发现的神经炎症和细胞骨架调节异常通路，开发相应的干预策略，有望为肥胖相关神经病变的治疗提供新的方向。
参考资料：
Kaltenecker, D., Horvath, I., Al-Maskari, R. et al. A deep-learning framework reveals whole-body perturbations at cell level. Nature (2026).
https://doi.org/10.1038/s41586-026-10535-2
感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位或姓名-学校-职务/研究方向。
