Forschungsbericht 2020 - Max-Planck-Institut für Hirnforschung

Spuren des Lernens in den Netzwerken des Gehirns

Autoren
Helmstaedter, Moritz
Abteilungen
Abteilung "Connectomics"
Zusammenfassung
Die Gehirne von Säugetieren, mit ihrer unvergleichbar großen Zahl von Nervenzellen und einer extremen Dichte an Kommunikation, sind die komplexesten bekannten Netzwerke. Seit mehr als hundert Jahren gibt es Methoden zur teilweisen Analyse dieser Netzwerke. Lokal komplette Verschaltungskarten neuronaler Netzwerke im Säugetierhirn zu erlangen, ist jedoch erst seit wenigen Jahren möglich. Unserem Forscherteam ist es nun gelungen, Hirngewebe aus dem Säugetiergehirn zu kartieren und auf Spuren von vorangegangenen Lernvorgängen zu analysieren.

Dass unsere Erinnerungen sich im Gehirn niederschlagen, dass strukturelle Veränderungen im Gehirn sogar zu Auslöschung von Gedächtnis führen können, und die molekularen Details, wie einzelne Synapsen unter gewissem Training sich in ihrer Übertragungsstärke verändern können, das hat die Hirnforschung in den letzten 100 Jahren klären können.In welchem Umfang aber sich Lernprozesse in einem neuronalen Netzwerk dauerhaft einprägen, welcher Anteil der im Gehirn befindlichen neuronalen Schaltkreise also das Resultat von Lernen ist, und welcher Anteil eher durch zugrunde liegende Verknüpfungsregeln strukturiert wird, das ist eine offene Frage.

In der Abteilung "Connectomics" haben wir uns diesem Problem gewidmet, indem wir die neuentwickelten Techniken zur Kartierung neuronaler Schaltkreise – also der Vermessung neuronaler Netze im Gehirn – nutzten und nach Spuren des Lernens suchten. In einer Ende 2019 im Fachjournal Science veröffentlichten Arbeit konnten wir zeigen, dass sich ein Anteil von 20 bis 40 % des Netzwerks als Resultat bestimmter Lernvorgänge erklären lässt. Gleichzeitig konnten wir Regeln aufzeigen, nach denen insbesondere hemmende Nervenzellverbindungen strukturiert sind. All diese Verbindungen sind weit entfernt davon, durch zufällige Synapsenbildung erklärbar zu sein. Damit konnten wir erstmalig die „Gelerntheit“ eines Netzwerks bestimmen und so die Möglichkeit schaffen, dass nun systematisch nach Spuren der Einprägung von Erfahrung in Gehirnen gesucht werden kann.

Abb. 1: Das bisher größte gemessene Säugetierkonnektom, aus der Großhirnrinde der Maus: rekonstruierte Nervenzellen im Vordergrund, die im Gewebsstück vermessene neuronale Verbindungsmatrix im Hintergrund (blaue Farbtöne). Die Vermessung neuronaler Netzwerke als Verknüpfungskarten ist das wesentlichemethodische Ziel der Konnektomik, diese Verbindungsmatritzen werden Konnektome genannt.Aus ihnen lesen die Forscherinnen und Forscher Rechenregeln ab und suchen nach Spuren von Lernen. (Genehmigter Nachdruck aus [2]).

Unser Gehirn enthält extrem dicht gepackte Netzwerke aus membranumhüllten „Kabeln“, mithilfe derer unsere rund 86 Milliarden Nervenzellen untereinander kommunizieren. Jede unserer Nervenzellen interagiert mit rund 1000 anderen, und die Kommunikationsstellen zwischen den Nervenzellen, die Synapsen, sind entlang dieser Kabel plaziert, die sich oft über das gesamte Gehirn erstrecken. Tatsächlich schätzt man, dass rund fünf Millionen Kilometer Nervenzellkabel in unseren Schädeln verpackt sind – das ist 10-mal länger als alle Autobahnen auf der Erde, in jedem unserer Gehirne.

Die Nervenzellkabel sind außerdem extrem dünn, rund 1000-mal dünner als ein menschliches Haar – das sich daraus ergebene Kabelgewirr ist so dicht, dass die Hirnforschung bisher nur jeweils einen Bruchteil des Netzwerks in einem Gehirnteil hat untersuchen können. Erst die Entwicklung schnellerer dreidimensionaler Elektronenmikroskopietechniken und künstliche-Intelligenz (KI)-gestützter Analyseverfahren hat die dichte Kartierung neuronaler Netzwerke möglich gemacht. Das neue Forschungsfeld der „Connectomics“ verfolgt nun die Vermessung immer größerer Schaltkreise in verschiedenen Hirnregionen und Tierarten.

In einer jüngst in der Fachzeitschrift Science veröffentlichten Arbeit hat unser Forscherteam ein Stück bioptisch gewonnenen Hirngewebes aus der Großhirnrinde einer 4-Wochen alten Maus analysiert. Das Gewebsstück stammt aus dem somatosensorischen Kortex, einem Teil des Großhirns, der mit der Verrechnung von Berührungsinformationen beschäftigt ist. Mithilfe optimisierter KI-basierter Bildverarbeitung und effizienter Interaktion zwischen Datenanalyse durch Menschen und Maschinen gelang es, alle der rund 400.000 Synapsen und ca. 2,7 Meter neuronaler Kabel in diesem Gewebsstück zu rekonstruieren. Daraus ergab sich ein Konnektom, also ein Schaltplan, zwischen rund 7000 Axonen und rund 3700 postsynaptischen Nervenzellfortsätzen. Dieser Schaltplan ist rund 26-mal größer als das in der Netzhaut der Maus vor 6 Jahren publizierte und bisher größte Säugetierkonnektom. Die Rekonstruktion ergab nicht nur eine substanziell größere Netzwerkkarte, sondern erfolgte auch mit rund 33-fach höherer Effizienz – ein neuer Standard in der dichten konnektomischen Rekonstruktion aus dem Säugetiergehirn.

Dieser methodische Durchbruch erlaubte uns, das Konnektom auf darin enthaltene Verschaltungsmuster hin zu analysieren. Insbesondere untersuchten wir, welcher Anteil des Schaltkreises Anzeichen für vorangegangenes Lernen zeigte. Hierfür nutzten wir den Zusammenhang zwischen Wachstum und Verstärkung der Synapsen, das mit Lernvorgängen einhergeht, um mögliche Spuren von Langzeitpotenzierung (LTP) zu finden. Da einige Modelle synaptischer Plastizität genaue Vorhersagen zur Verstärkung von Synapsen beim Lernen machen – zum Beispiel, wenn die Maus eine Katze oder einen Baum zu erkennen lernt –, konnten wir Abschätzungen der Häufigkeit solcher Lernprozesse sogar aus der Momentaufnahme der kortikalen Schaltkreiskarte ableiten. Da die Maus bis zur Gehirnbiopsie ein 4-wöchiges normales Laborleben hatte, bot diese Methode eine Möglichkeit, den Anteil gelernter Schaltkreiseigenschaften aus einem ansonsten normal aufgewachsenen Gehirnstück auszulesen.

Überraschend war dabei, wie viele Informationen und wie viel Präzision selbst in solch einem immer noch relativ kleinen Gehirnstück aus der Großhirnrinde enthalten ist.Die entwickelten Methoden haben erhebliche Auswirkungen für die mögliche Übertragung von Einsichten aus der Hirnforschung in die Forschung zur so genannten „künstlichen Intelligenz“. Von der Vermessung der  neuronalen Netzwerke in der Großhirnrinde erhofft man sich die Ableitung der Netzwerkeigenschaften, die das Gehirn zu einem solch effizienten Computer machen - viel effizienter ist als alle heutige KI. Dieses Forschungsfeld wird derzeit von großen Forschungsinitiativen weltweit verfolgt. Unsere Erforschung der kompletten Kommunikationskarte eines Stücks Hirnrinde ist dabei ein wichtiger erster Meilenstein. Angewendet auf viele Arten von Hirngewebe aus verschiedenen Hirnregionen, Hirnschichten, Entwicklungsschritten und Tierarten können uns diese Methoden künftig zeigen, wie die Evolution diese Netzwerke gestaltet hat, und welchen Einfluss Lernen und Erfahrung auf die genaue Netzwerkstruktur haben. Darüber hinaus wird uns solches ‚konnektomisches Screening‘ die Beschreibung der Schaltkreise in Modellen psychiatrischer Erkrankungen erlauben. Vielleicht lässt sich so herausfinden, ob und in welchem Maße manche wichtige Gehirnerkrankungen tatsächlich Schaltkreiserkrankungen sind, „Konnektopathien“.

Literaturhinweise

1.
Helmstaedter, M.
The mutual inspirations of machine learning and neuroscience.
Neuron 86, 25-28 (2015)
2.
Motta, A.; Berning, M.; Boergens, K.M.; Staffler, B.; Beining, M.; Loomba, S.; Hennig, P.; Wissler, H.M;  Helmstaedter, M.
Dense connectomic reconstruction in layer 4 of the somatosensory cortex
Science 366, 6469 (2019)
Zur Redakteursansicht