Um das menschliche Gehirn besser zu verstehen, müssen Informationen aus unterschiedlichsten Ebenen zusammengeführt werden: von Molekülen und Zellen über deren Organisation bis hin zu ganzen Netzwerken. Eine zentrale Herausforderung besteht darin, dass diese Daten oft über verschiedene Quellen verstreut und unterschiedlich organisiert sind. Sie stammen aus verschiedenen Verfahren wie Mikroskopie, MRT oder Konnektivitätsanalysen, liegen in unterschiedlichen Formaten wie Bildern und Tabellen vor, und nutzen verschiedene räumliche Bezugssysteme und begriffliche Taxonomien.
Genau hier setzt siibra an („Software Interfaces for Interacting with Brain Atlases“). Die Software-Suite umfasst einen interaktiven 3D-Webviewer, eine Python-Bibliothek und eine Web-API. Sie erleichtert den Zugriff auf bestehende Ressourcen, führt verteilte Hirndaten in einem gemeinsamen Referenzsystem – einem Atlas – zusammen und stellt sie in interoperablen Formaten bereit. siibra wird bereits in EBRAINS eingesetzt, der europäischen digitalen Forschungsplattform für Neurowissenschaften. Dort bildet sie die technische Grundlage des Human Brain Atlas, der makroskopische Referenzräume wie MNI mit mikroskopischen Modellen wie dem BigBrain verbindet und die zytoarchitektonischen Karten von Julich-Brain – einem dreidimensionalen Atlas des menschlichen Gehirns mit Karten des Cortex und der subcortikalen Bereiche – als anatomische Referenz nutzt.
Methodische Stärke
siibra ermöglicht den Zugriff auf unterschiedliche Datentypen, etwa zu Zellen, Molekülen, Fasern, Funktionen und Verbindungen im Gehirn. Dazu gehören insbesondere auch große Bilddaten im Giga- oder Terabyte-Bereich, die sich nicht ohne Weiteres herunterladen und lokal speichern lassen. Über siibra können Daten für bestimmte Regionen gezielt abgefragt und effizient zugegriffen werden. So entstehen durchgängige Arbeitsabläufe; von der Orientierung im Atlas bis hin zu vollständig reproduzierbaren, datenbasierten Analysen.
Ein weiterer Vorteil von siibra ist die probabilistische Zuordnung von Koordinaten, Regionen und Bildausschnitten zu Hirnarealen. Das ist wichtig, weil sich Gehirne anatomisch unterscheiden und diese interindividuelle Variabilität berücksichtigt werden muss. So können auch Messungen mit räumlicher Unsicherheit zuverlässig eingeordnet werden, ohne auf starre Grenzen angewiesen zu sein. Das ist besonders relevant für Studien, in denen Bildgebungs-, histologische oder elektrophysiologische Daten mit Atlasinformationen abgeglichen werden.
Praxisbeispiel
Wie sich dieser Ansatz konkret auswirkt, zeigt eine Fallstudie zur Neubewertung von Zielregionen tiefer Hirnstimulation im Thalamus wie dem VIM, einer wichtigen Umschaltstation im Gehirn. Die erneute Bewertung bereits veröffentlichter Daten mithilfe von siibra legt nahe, dass dieses Kerngebiet bei der Lokalisierung von Stimulationen mitunter mit Nachbargebieten verwechselt werden könnte. siibra hat somit das Potential dazu beizutragen, dass solche Stimulationen präziser werden, in dem es detaillierte Karten der Mikrostruktur mit Bildgebungsdaten von Patienten verknüpft.
Herausforderungen und Ausblick
Vormals getrennte Datensätze, zusammengeführt in einem gemeinsamen räumlichen Referenzsystem: das eröffnet neue Perspektiven, etwa für digitale Hirnmodelle, KI-gestützte Analysen und klinische Anwendungen, wie das Beispiel der Tiefenhirnstimulation verdeutlicht.
Dass diese Perspektiven umgesetzt werden können, hängt von der Verfügbarkeit und Qualität hochpräziser Hirndaten ab, mit denen siibra agieren kann. Dabei wird auch eine Rolle spielen, inwiefern solche Daten global mit schnellen Zugriffsraten verfügbar sind. siibra wird den Bedarfen der Wissenschaftsgemeinschaft ständig angepasst - geplant sind u.a. neue KI-gestützte Analysewerkzeuge sowie die Anbindung an weitere internationale Datenplattformen.
Forschungszentrum Jülich
Originalpublikation:
Dickscheid, T., Gui, X., Simsek, A.N. et al. Siibra: a software tool suite for realizing a Multilevel Human Brain Atlas from complex data resources. Nat Methods (2026). doi.org/10.1038/s41592-026-03159-x
