KI-MausMapper: Eine neue Plattform für die 3D-Kartierung von Organschäden bei Fettleibigkeit
Deutsche Wissenschaftler (Helmholtz Munich) haben eine KI-Plattform namens MouseMapper für Ganzkörperanalysen entwickelt. Die KI deckte Schäden am Trigeminusnerv bei Mäusen und Menschen aufgrund von Fettleibigkeit auf, was die verminderte Empfindlichkeit bei Patienten erklärt.
Analytische Bewertung: MouseMapper – Als die KI den Körper erstmals als Ganzes sah
Autor: Unabhängiger Analyst für KI in der biomedizinischen Forschung und Systembiologie
Datum: 7. Juni 2026
Ereignis: Veröffentlichung in Nature am 19. Mai 2026 einer Studie der Gruppe von Ali Ertürk (Helmholtz Munich) und Maximilian Schefer (LMU München) über die MouseMapper-Plattform – das erste KI-Tool für eine ganzheitliche 3D-Ganzkörperanalyse mit zellulärer Auflösung.
Während sich die medizinische KI-Industrie auf die Diagnose einzelner Organe konzentriert – Lungenkrebs im CT erkennen, Glaukom in Netzhautbildern aufspüren, Herzinfarkte aus EKGs vorhersagen – schlug die Münchner Gruppe einen anderen Weg ein. Sie entwickelten ein Werkzeug, das alles auf einmal betrachtet. Und sie fanden sofort, was Forscher jahrzehntelang übersehen hatten: Fettleibigkeit schädigt systemisch den Trigeminusnerv – genau den Nerv, der für die Gesichtsempfindlichkeit verantwortlich ist.
Dies ist nicht nur „ein weiteres KI-Modell“. Es ist das erste Mal, dass ein Foundation-Modell für die Biomedizin die Fähigkeit demonstriert hat, Daten von verschiedenen Mikroskopen, unterschiedlichen Markierungsmethoden zu generalisieren und sogar von der Maus auf den Menschen zu übertragen, ohne erneutes Training. Und am wichtigsten: Es eröffnet die Ära der „digitalen Zwillinge“ lebender Organismen, in der Krankheiten in der Simulation statt an Hunderten von Tieren untersucht werden können.
[Das Wesentliche]: Was wirklich passiert
In Wirklichkeit geschah etwas Größeres als „Nervenschäden erkennen“. Es war ein Proof of Concept für die ganzheitliche Biologie – ein Ansatz, der Krankheit als systemisches Phänomen untersucht, nicht als eine Ansammlung lokaler Pathologien in einzelnen Organen.
So funktioniert die Technologie. Zunächst werden Mäuse mit der vDISCO-Methode optisch transparent gemacht – dies ermöglicht Licht, den gesamten Körper einschließlich Knochen und Muskeln ohne Streuung zu durchdringen. Dann werden Nerven und Immunzellen mit fluoreszierenden Proteinen markiert (Uchl1-eGFP für Nerven, Cd68-eGFP für Makrophagen). Als Nächstes scannt ein spezielles Lichtblatt-Fluoreszenzmikroskop (LSFM) den gesamten Körper mit einer Auflösung, die ausreicht, um einzelne Axone zu unterscheiden. Das Datenvolumen einer Maus beträgt bis zu 50 Terabyte.
Und hier kommt MouseMapper ins Spiel. Es ist kein einzelner Algorithmus, sondern ein Ensemble aus drei Modulen, die auf dem VesselFM-Foundation-Modell basieren:
- Nerven-Modul – segmentiert Nervenfasern im gesamten Körper und unterscheidet selbst feinste axonale Verzweigungen. Das Modell wurde an manuell annotierten VR-Daten feinabgestimmt und erreichte einen Dice-Score von 0,75, ein herausragendes Ergebnis für die 3D-Nervensegmentierung.
- Immun-Modul – identifiziert einzelne Immunzellen und deren Cluster. Es erkennt sogar Zellen in zuvor ungesehenen Geweben – Leber, Darm, Muskeln – ohne erneutes Training.
- Gewebe-Modul – segmentiert automatisch 31 Arten von Organen und Geweben und erstellt ein anatomisches „Skelett“, an dem die Daten der ersten beiden Module verankert werden.
Die wichtigste technische Errungenschaft ist die Verwendung eines Foundation-Modells. VesselFM wurde ursprünglich für die Segmentierung von Blutgefäßen trainiert, aber da Gefäße und Nerven eine ähnliche Topologie aufweisen (lange, verzweigte Strukturen), konnte das Modell Wissen auf die neue Aufgabe übertragen. Dies ermöglicht MouseMapper, mit Daten von verschiedenen Mikroskopen, unterschiedlichen Vergrößerungen und verschiedenen Markierungsmethoden (Reporter-Mauslinien vs. Antikörper) zu arbeiten, ohne erneutes Training.
Zeitplan und Kontext
Die Technologie, die MouseMapper zugrunde liegt, hat sich in den letzten 5-7 Jahren entwickelt, und das Verständnis dieses Zeitplans ist entscheidend.
2017-2019: Die Gruppe von Ali Ertürk (damals am Max-Planck-Institut für biomedizinische Forschung) entwickelt die vDISCO-Methode – eine Gewebeklärungstechnologie, die eine Maus für die Lichtmikroskopie vollständig transparent macht. Dies war der erste Schritt: Nun konnte die gesamte Maus „gesehen“ werden, aber die Interpretation von 50 TB Rohdaten war unmöglich.
2020-2022: Erste Versuche der automatischen Segmentierung von Organen und Nerven entstehen, sind aber primitiv – jedes Organ benötigt ein separates Modell, und Nerven werden oft mit Gefäßen verwechselt. Arbeiten werden in spezialisierten Mikroskopie-Journalen veröffentlicht, erreichen aber nicht die Größenordnung von Nature.
2023: VesselFM wird veröffentlicht – ein Foundation-Modell für die Blutgefäßsegmentierung, entwickelt von der Ertürk-Gruppe. Dies ist ein Durchbruch: Ein Modell, das auf zig Terabyte Daten trainiert wurde, kann Gefäße in jedem Gewebe, von jedem Mikroskop, ohne erneutes Training segmentieren. Die Autoren erkennen, dass dieselbe Architektur für Nerven angepasst werden kann.
2024: Das Team beginnt mit der Arbeit an MouseMapper. Laut der Arbeit sammelten und annotierten sie in VR etwa 84 Teilvolumina der Größe 300x300x300 Voxel und 8 Teilvolumina der Größe 1000x1000x1000 Voxel – ein kolossaler Aufwand, um Ground Truth zu schaffen, der mindestens ein Jahr dauerte.
Schlüsseldatum – 19. Mai 2026: Online-Veröffentlichung in Nature. Interessanterweise erscheint die Arbeit im Hauptjournal Nature (Impact Factor > 60), nicht in Nature Methods oder Nature Biotechnology. Dies ist bedeutsam, da Nature selten rein technologische Arbeiten veröffentlicht – sie erfordern biologische Erkenntnisse. Und die bekamen sie: Die Entdeckung von Trigeminusnervenschäden war ausreichend für die Veröffentlichung im Flaggschiff-Journal.
Wer gewinnt und wer verliert
Gewinner #1: Helmholtz Munich und LMU München als Technologie-Hubs.
Die Entwicklung von MouseMapper ist ein Anspruch auf globale Führung in der Systembiologie. Helmholtz Munich war traditionell stark bei Stoffwechselkrankheiten (Diabetes, Fettleibigkeit). Jetzt haben sie ein exklusives Werkzeug, das sie zur Untersuchung anderer Krankheiten nutzen können – Krebs, Neurodegeneration, Autoimmunerkrankungen. Dies wird in den nächsten 2-3 Jahren zig Millionen Euro an Fördermitteln anziehen.
Gewinner #2: Forscher der peripheren Neuropathie.
Vor MouseMapper glaubte man, dass Fettleibigkeit nur in den Beinen Neuropathie verursacht (diabetische Polyneuropathie). Die Entdeckung von Schäden am Trigeminusnerv – dem ersten Hirnnerv – ändert diese Sichtweise völlig. Es stellt sich heraus, dass Fettleibigkeit die Gesichtsempfindlichkeit, das Kauen und sogar Reflexe beeinträchtigen kann. Für Neurologen eröffnet sich ein neues Forschungsfeld.
Gewinner #3: Unternehmen im Bereich Hochdurchsatz-Mikroskopie (Zeiss, Leica).
MouseMapper verwendet Lichtmikroskope mit kundenspezifischer Optik. Standard-kommerzielle Systeme können ein solches Datenvolumen und eine solche Auflösung nicht bewältigen. Zeiss und Leica befinden sich wahrscheinlich bereits in Gesprächen mit Helmholtz Munich, um eine „gepackte“ Lösung – Mikroskop + KI-Analytik – für Pharmaunternehmen zu schaffen. Der Markt für solche Systeme könnte 200-300 Millionen Dollar pro Jahr erreichen.
Verlierer #1: Traditionelle Histologielabore.
Organbiopsie gefolgt von Histologie und manueller Zellzählung ist ein Milliardengeschäft. MouseMapper bietet eine Alternative: „Biopsie“ des gesamten Organismus ohne Schneiden. Es kann die Histologie nicht vollständig ersetzen (Details auf Organellenebene erfordern weiterhin Mikroskopie), aber für das Screening systemischer Arzneimittelwirkungen wird der KI-Ansatz effizienter und billiger sein.
Verlierer #2: Forscher ohne KI- und Computerbiologie-Kenntnisse.
MouseMapper erfordert einen Computing-Cluster (Modelltraining auf 50 TB Daten auf 8-16 GPUs A100/H100) und Fachwissen über Foundation-Modelle. Kleine Labore ohne solche Ressourcen werden die Methode nicht reproduzieren oder anpassen können. Dies vertieft die Kluft zwischen „Hubs“ und „Peripherie“ in der biomedizinischen Wissenschaft.
Was die Medien nicht sagen
Nicht offensichtliche Erkenntnis #1: MouseMapper fand Trigeminusnervenschäden zufällig – es war eine unbeabsichtigte Entdeckung, kein hypothesengetriebenes Experiment.
Hier liegt der wichtigste Punkt, den Pressemitteilungen auslassen. Das Team hatte nicht vor, „Gesichtsnervenschäden bei Fettleibigkeit zu finden“. Sie ließen einfach MouseMapper auf Daten von Mäusen mit fettreicher Diät laufen und schauten, was der Algorithmus anzeigen würde. Und die KI „spuckte“ den Trigeminusnerv als Bereich mit maximalen strukturellen Veränderungen aus.
Dies verändert das Paradigma der wissenschaftlichen Entdeckung. In der traditionellen Biologie formulieren wir eine Hypothese, entwerfen ein Experiment, sammeln Daten. Im KI-Zeitalter können wir das Gegenteil tun: alle Daten sammeln, durch einen Algorithmus laufen lassen und sehen, worauf wir nie zu achten gedachten. Dies ist „unvoreingenommene Biologie“, und sie hat bereits ihre erste Frucht getragen.
Nicht offensichtliche Erkenntnis #2: Die Wirkung auf den Nerv war enorm – 60 % weniger Endigungen.
Quantitativ sind die Veränderungen auffällig: Bei fettleibigen Mäusen hatte der Trigeminusnerv 60 % weniger Verzweigungen, Verzweigungspunkte und Knoten. Verhaltenstests bestätigten, dass die Tiere weniger auf Berührung der Schnurrhaare (Vibrissen) reagierten. Es handelt sich also nicht um einen „leichten Funktionsabfall“, sondern um ein schweres sensorisches Defizit. Die Proteomanalyse des Trigeminusganglions ergab Veränderungen bei über 200 Proteinen, insbesondere solchen, die an axonalem Remodeling und Komplementwegen beteiligt sind.
Am schockierendsten: Bei der Analyse von Trigeminusganglien-Proben fettleibiger Menschen wurden dieselben molekularen Veränderungen gefunden. Dies bedeutet, dass das Mausmodell nicht lügt – bei fettleibigen Menschen ist der Gesichtsnerv tatsächlich geschädigt. Wie viele fettleibige Patienten haben eine verminderte Gesichtsempfindlichkeit und ahnen nicht, dass dies mit ihrem Gewicht zusammenhängt?
Nicht offensichtliche Erkenntnis #3: Die Daten sind vollständig offen – dies ist ein strategischer Schachzug, kein Altruismus.
Die Autoren kündigten an, dass alle 3D-Mausatlanten online verfügbar sind. Dies ist nicht nur „Ergebnisse teilen“. Es ist ein Weg, zum Standard zu werden. Wenn Tausende von Laboren MouseMapper verwenden und ihre Atlanten im selben Format hochladen, wird Helmholtz Munich zum Zentrum des Universums für Systembiologie. Konkurrenten werden gezwungen sein, sich ihrem Ökosystem anzuschließen oder ein eigenes zu schaffen – was Jahre dauern würde.
Was zu den Kosten übersehen wird: Die Verarbeitung einer Maus umfasst 50 TB Daten. GPU-Cluster-Berechnungen erfordern mindestens 48-72 Stunden. Selbst zu Cloud-Preisen (2-4 Dollar pro Stunde für eine A100) kostet eine Maus 500-1000 Dollar allein für die Berechnung, plus die Kosten für Mikroskopie, Gewebeklärung und Reagenzien. MouseMapper ist eine Technologie für wohlhabende Labore, nicht für das Routinescreening.
Prognose: Nächste 30 Tage und 90 Tage
Nächste 30 Tage (bis 7. Juli 2026):
Es ist zu erwarten, dass mindestens drei Pharmaunternehmen – Novo Nordisk (führend bei Adipositas-Behandlungen), Eli Lilly (mit ihrem Tirzepatid) und Pfizer (die eigene Analoga entwickeln) – die Ertürk-Gruppe kontaktieren, um MouseMapper an ihren Tiermodellen zu validieren. Wenn ihre Medikamente nicht nur das Gewicht reduzieren, sondern auch den Trigeminusnerv wiederherstellen, wird dies ein starkes Marketingargument: „Unser Medikament ist nicht nur gegen Fettleibigkeit, sondern auch für die Gesichtsempfindlichkeit.“
Gleichzeitig werden auf bioRxiv Preprints erscheinen, die versuchen, MouseMapper für andere Krankheiten anzupassen – höchstwahrscheinlich für Alzheimer-Modelle (bei denen ebenfalls periphere Nervenschäden auftreten) und für metastasierenden Krebs (bei dem Makrophagen in verschiedene Organe eindringen). Da das Immunmodul bereits Cluster von Cd68+-Zellen in Leber und Fettgewebe zeigt, könnte dies zur Untersuchung der metastatischen Mikroumgebung genutzt werden.
Nächste 90 Tage (bis September 2026):
Der wichtigste Wandel wird in der Kommerzialisierung stattfinden. Ertürk und Schefer diskutieren wahrscheinlich bereits die Gründung eines Spin-offs mit dem Arbeitstitel „OmniMapper“ oder „SysBioAI“. Angesichts der Nature-Publikation könnte eine Seed-Runde 15-25 Millionen Dollar von Risikokapitalfonds erreichen, die auf KI in der Biotechnologie spezialisiert sind – zum Beispiel Andreessen Horowitz Bio oder Khosla Ventures.
Ebenfalls innerhalb von 90 Tagen werden Verhandlungen mit der Chan Zuckerberg Initiative (CZI) beginnen. CZI investiert Milliarden in die Erstellung menschlicher Zellatlanten. MouseMapper ist ein ideales Werkzeug, um diese Atlanten auf die gesamte Organismusebene zu skalieren. Ein Zuschuss von 5-10 Millionen Dollar zur Anpassung von MouseMapper an menschliche Gewebe ist wahrscheinlich.
Schließlich erwarte ich, dass die Helmholtz-Munich-Gruppe ein Patent nicht auf den Algorithmus selbst (der bereits Open Source ist) anmeldet, sondern auf ein „Verfahren zur Diagnose einer mit Fettleibigkeit assoziierten Trigeminusneuropathie mittels 3D-Bildgebung“. Dies ist ein Verwendungszweck-Patent, das an Medizingerätehersteller (z. B. Siemens Healthineers) lizenziert werden könnte, um nicht-invasive Diagnosesysteme zu schaffen.
Kurze Zusammenfassung: MouseMapper ist kein Werkzeug zur Untersuchung von Fettleibigkeit. Es ist der Beweis, dass KI die Anatomie eines gesamten Organismus generalisieren kann, so wie GPT Sprache generalisiert. Das nächste Ziel ist die Schaffung eines „digitalen Zwillings“ einer Maus, bei dem jede Krankheit modelliert werden kann, bevor ein reales Experiment durchgeführt wird. Und wenn dieser Tag kommt, werden 70 % der präklinischen Studien zu Simulationen, und Mäusekolonien werden um eine Größenordnung schrumpfen. Die Frage ist nicht, ob dies geschieht. Die Frage ist, wie viele Jahre es dauern wird, MouseMapper von 50 TB pro Maus auf 500 TB pro Mensch zu skalieren.
— Editorial Team
