LONDON (IT BOLTWISE) – Ein neues KI-gestütztes Analyseframework verknüpft Genexpressionsmuster mit dem Connectome und rekonstruiert damit, welche Zielregionen Axone im Gehirn ansteuern. Die Forschenden zeigen, dass chemische Gradienten aus dem Aktivitätsprofil von Genen über weite Hirnareale hinweg Verbindungsmuster zuverlässig vorhersagen. Im Vergleich schneidet ein rein distanzbasiertes Modell deutlich schlechter ab, was auf molekulare „Wiring-Regeln“ jenseits der Geografie hindeutet. Damit rückt ein berechenbarer Zugang zur Entwicklung des Gehirns und potenziellen Ursachen neuroentwicklungsbedingter Störungen in den Fokus.
Die Entwicklung eines funktionierenden Gehirns wirkt in Bildern oft wie ein reines „Aufbauproblem“: Neuronen wachsen mit langen Fortsätzen, suchen Zielzellen und verbinden sich zu Netzwerken. Doch die entscheidende Frage bleibt meist unsichtbar, weil sie sich nicht direkt im sichtbaren Wachstumspfad abzeichnet: Woran orientieren sich Axone, wenn sie durch ein komplexes Gewebe navigieren müssen? Eine aktuelle Studie liefert dafür einen datengestützten Hinweis. Forschende nutzen ein KI-System, um Genaktivitätsmuster im Mausgehirn als eine Art molekularen Landkartenverschnitt zu interpretieren, der die späteren Verbindungswege im gesamten Connectome prägt.
Technisch verankert ist die Arbeit in einer klassischen Hypothese der Neurobiologie. Schon in den 1960er-Jahren formulierte Roger Sperry die „chemoaffinity theory“: Neuronen finden passende Partner, indem sie Konzentrationsgradienten verfolgen, die entlang des Entwicklungsraums variieren. In einfachen Sinnesprozessen ließ sich dieses Prinzip bereits gut belegen, etwa in visuellen Bahnen vom Auge zu Hirnarealen. Der Sprung zur gesamten Gehirnvernetzung war aber schwer prüfbar, weil man dafür sowohl die Konnektivität über viele Regionen als auch die molekulare Landschaft, die diese Wege mitsteuert, konsistent erfassen müsste.
Genau hier setzt das neue Rechenmodell an, das von Jigen Koike (Hiroshima University) und Naoki Honda (Nagoya University) sowie einem Team entwickelt wurde. Sie kombinieren dafür zwei Datensätze aus der frei zugänglichen Allen Mouse Brain Atlas-Welt: Karten der Hirnverbindungen und Karten der Genexpression über Regionen hinweg. Der Analysefokus liegt auf langreichweitigen Verbindungen zwischen 213 Hirnregionen. Kurze, lokale Links werden ausgefiltert, sodass am Ende 2.213 größere Pfade als Zielobjekt dienen. Der genetische Part betrachtet die Aktivität von 763 Genen, deren jeweilige Ein-/Aus-Profile je Region eine chemisch interpretierbare „Identität“ bilden könnten.
Im Kern entsteht damit ein KI-Problem, das nach räumlich kodierten Regeln sucht. Das System trägt den Namen SPERRFY („Spatial Positional Encoding for Reconstructing Rules of axonal Fiber connectivity“) und verwendet maschinelles Lernen, um Muster der Genaktivität am Startpunkt eines Axons mit dessen Zielregion zu verknüpfen. Vereinfacht gesagt: Das Modell versucht für jedes Axon eine Art „Gradientensignatur“ zu finden, die statistisch die Wahrscheinlichkeit erhöht, welche Zielregion getroffen wird. Anschließend rekonstruieren die Forschenden auf Basis dieser extrahierten Muster eine simulierte Verdrahtungskarte für die Maus, gestützt auf der Annahme, dass Regionen mit ähnlichen Gradienten besonders häufig Verbindungen eingehen.
Das Ergebnis ist bemerkenswert klar, zugleich aber methodisch wichtig abgesichert. Beim Abgleich zwischen Simulation und realem biologischen Connectome erreicht das genbasierte Modell eine Güte von 0,88 auf einer standardisierten Skala, in der 0 komplette Fehlvorhersage und 1 eine perfekte Übereinstimmung bedeutet. Zum Gegencheck testen die Forschenden explizit, ob das Modell lediglich die räumliche Nähe der Regionen ausnutzt: Ein zweites Modell nutzt nur die physischen Distanzen zwischen Hirnarealen und erzielt deutlich schlechtere Werte um 0,70. Diese Differenz legt nahe, dass die genetischen Gradienten zusätzliche, biologisch motivierte Information tragen, die nicht in der bloßen Geometrie aufgeht.
Auch die Gefahr „zufälliger Muster“ wird adressiert. Dazu randomisieren die Forschenden sowohl die zugrunde liegenden Daten als auch die Zuordnungen zu fiktiven, zerstreuten Connectome-Karten. Läuft SPERRFY dann auf diesen gemischten Strukturen, erkennt das Modell keine starken, überzufälligen Zusammenhänge. Aus Sicht der Datenanalyse ist das ein entscheidender Plausibilitätsfilter: Es spricht dafür, dass das System nicht einfach überfitten kann, sondern dass die beobachtete Kopplung zwischen Genexpression und Konnektivität tatsächlich eine brauchbare Struktur in den Daten abbildet.
Spannend ist darüber hinaus, wie die extrahierten Gradienten organisiert scheinen. Die Forschenden deuten auf ein zweistufiges Funktionsprinzip hin: grobe, großskalige Genaktivitätsmuster steuern eher die Ordnung zwischen großen Hirnarealen, während lokalere, feinere Muster die spezifischeren Verbindungen innerhalb dieser Bereiche genauer definieren. Zusätzlich identifiziert das Verfahren Kandidatengene, deren Expressionsprofile besonders stark mit den vorhergesagten Gradienten korrespondieren. Zu den im Modell prominent auftauchenden Genen zählen u. a. Ephb6 und Efnb2, die bereits aus dem sensorischen System als Wegweiser bekannt sind. Dass sie in einer hirnweiten Analyse wieder auftauchen, passt zu der Idee, dass das Modell reale Mechanismen aufgreift, statt nur statistische Artefakte zu liefern.
Ein weiteres Beispiel ist Robo2, das als Guidance-Rezeptor an der Pfadfindung wachsender Axone beteiligt ist. Ergänzend meldet das Modell Gene, die mit synaptischer Übertragung verknüpft sind, also jener chemischen Kommunikation, mit der Neuronen Informationen aneinander weitergeben. Damit wird die chemisch-molekulare Lesbarkeit der Wiring-Regeln nicht nur auf der Ebene „Verbindung ja/nein“ plausibilisiert, sondern auch mit biologisch bekannten Funktionsbausteinen verankert. Wie Teams aus der KI-gestützten Neuroinformatik in Fachgesprächen betonen, liegt der zentrale Mehrwert solcher Ansätze darin, Genexpression und Konnektivität nicht getrennt zu betrachten, sondern in einem gemeinsamen prädiktiven Modell zusammenzuführen.
Für den Wettbewerb und den Markt-Kontext lohnt sich ein Blick auf angrenzende Arbeiten zur Connectome-Analyse. Vergleichbare Richtungen finden sich etwa bei großen Neuro- und Datenplattformen (z. B. kartierende Initiativen rund um Standardisierung von Hirnarealen, Messprotokollen und offenen Daten), während aktuelle KI-Ansätze in der Praxis oft zwischen zwei Polen pendeln: rein morphologische Modelle, die nur aus Strukturinformationen lernen, und multi-modale Modelle, die zusätzlich molekulare oder funktionelle Ebenen integrieren. Der vorliegende Ansatz spricht mit seiner Gen-Grammatik klar das multi-modale Lager an. Genau das könnte in der nächsten Phase die Nachfrage nach entsprechenden Datenpipelines erhöhen: Firmen und Forschungsteams brauchen dann nicht nur Connectome-Workflows, sondern auch Methoden, um Genexpressionsdaten kuratiert, normalisiert und vergleichbar zu machen.
Gleichzeitig gibt es Grenzen, die für eine realistische Einordnung wichtig bleiben. Erstens basiert die Genaktivität auf Daten aus adulten Mäusen. Die tatsächliche Verdrahtung geschieht jedoch vor allem in frühen Entwicklungsstadien. Das bedeutet: Das Modell rekonstruiert möglicherweise Regeln, die aus späteren Aktivitätslandschaften rückgeschlossen werden, aber nicht 1:1 den ursprünglichen embryonalen Signalschritten entsprechen. Zweitens werden Konnektivitäten als binäre Größe behandelt (Verbindung vorhanden oder nicht) und nicht in ihrer Stärke oder Dichte differenziert. Dadurch könnten subtilere Mechanismen verdeckt werden, die erst bei feineren Messgrößen sichtbar werden.
Auch das Kausalitätsargument bleibt vorerst offen. Korrelationen zeigen, dass Genmuster gut zu Verbindungsmustern passen, aber sie beweisen nicht, dass ein bestimmtes Gen tatsächlich die Verdrahtung auslöst. Notwendig sind experimentelle Validierungen, etwa über gezielte Gen-Manipulationen oder funktionelle Tests in geeigneten Modellen. Für Datenschutz und Sicherheit ist der direkte Impact zwar weniger im Sinne personenbezogener Daten, aber im Sinne verantwortungsvoller Datenverarbeitung relevant: Selbst wenn die hier verwendeten Quellen öffentlich sind, sollten KI-Pipelines heute so gebaut werden, dass sie klare Nachvollziehbarkeit, Versionierung der Datensätze und überprüfbare Modellannahmen unterstützen—insbesondere, wenn solche Ansätze später auf menschliche Daten skaliert werden.
In die Zukunft gerichtet zeigen die Forschenden mehrere naheliegende Ausbauschritte. Eine erste Linie ist die Übertragung auf andere Spezies—etwa Fruchtfliegen, Marmosets oder letztlich auch menschliche Gehirndaten—um zu testen, ob diese Gradienten-Wiring-Regeln universell sind oder ob es artspezifische Varianten gibt. Eine zweite Linie zielt auf Entwicklungszeitpunkte: Modelle, die auf Daten aus jüngeren, aktiv verdrahtenden Gehirnen basieren, könnten näher an die kausalen Mechanismen heranreichen. Wenn das gelingt, könnte das langfristig helfen, Entstehungspfade neuroentwicklungsbedingter Störungen besser zu beschreiben, bei denen die komplexe Verdrahtung des Gehirns fehlgeleitet oder unvollständig aufgebaut wird—und damit die Grundlage für präzisere Diagnostik und Therapieansätze bilden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Tool entschlüsselt Gen-Regeln der Hirnvernetzung im Connectome" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Tool entschlüsselt Gen-Regeln der Hirnvernetzung im Connectome" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Tool entschlüsselt Gen-Regeln der Hirnvernetzung im Connectome« bei Google Deutschland suchen, bei Bing oder Google News!