KI und die schwierigen Probleme der Welt · Lebenswissenschaften · Nature (computational biology) · 2026-10-21
Durch räumliche Metabolomik geleitetes Deep-Learning-Framework zur Aufschlüsselung von Immunevasionsmechanismen in Mikroumgebungen von Pilzinfektionen
Originaltitel: Spatial metabolomics-guided deep learning framework for dissecting immune evasion mechanisms in fungal infection microenvironments
Die Arbeit richtet sich auf die räumlich organisierten metabolischen Schaltkreise, die es Pilzpathogenen ermöglichen, bei invasiven Infektionen der Wirtsimmunität zu entgehen, die bei immungeschwächten Patienten eine hohe Sterblichkeit verursachen. Durch die Kopplung hochauflösender räumlicher Metabolomik von Gewebe bei muriner invasiver pulmonaler Aspergillose mit einem aufmerksamkeitsgestützten Multi-Scale-Convolutional-Network segmentiert das Framework Infektionskern, Immuninfiltrationszone und Übergangsrandzone mit einem mittleren Dice-Koeffizienten von 0.887 gegenüber Annotationen von Pathologie-Experten. Ein variationeller Graph-Autoencoder mit neuralen gewöhnlichen Differentialgleichungen leitet anschließend ab, wie sich Metabolit–Immun-Interaktionsnetzwerke über 24–72 Stunden entwickeln, stuft Kynurenin als Hub-Metabolit mit der höchsten Zentralität ein und verortet einen mutmaßlichen metabolischen Kipppunkt zwischen 36 und 48 Stunden.