Hypothesenbasierte Navigation im Mausgehirn entschlüsselt

CAMBRIDGE / LONDON (IT BOLTWISE) – Die Fähigkeit des Gehirns, mehrere Hypothesen gleichzeitig zu speichern und zu verarbeiten, ist ein faszinierendes Thema in der Neurowissenschaft. Forscher am MIT haben nun entdeckt, dass das Mausgehirn in der Lage ist, während der Navigation in Umgebungen mit mehrdeutigen Landmarken mehrere Hypothesen über seine räumliche Position gleichzeitig zu kodieren.

Die Entdeckung, dass das Mausgehirn in der Lage ist, mehrere Hypothesen gleichzeitig zu speichern und zu verarbeiten, eröffnet neue Perspektiven in der Neurowissenschaft. Forscher des MIT haben herausgefunden, dass Neuronen im retrosplenialen Cortex (RSC) der Maus unterschiedliche Aktivitätsmuster zeigen, die verschiedene Möglichkeiten widerspiegeln, wo sich die Maus befinden könnte. Diese Muster kollabieren in ein einziges „korrektes“, sobald mehr Informationen verfügbar sind, was zeigt, dass das Gehirn nicht nur konkurrierende Ideen speichert, sondern sie auch zur Entscheidungsfindung nutzt.

Diese Forschung ist die erste, die eine solche hypothesenbasierte Navigationskodierung direkt im Gehirn beobachtet hat. Die Neuronen im RSC der Maus halten separate neuronale Repräsentationen für verschiedene mögliche Orte aufrecht. Diese Repräsentationen sind nicht nur passiv, sondern leiten die Maus zum richtigen Ziel, sobald die Mehrdeutigkeit aufgelöst ist. Die Aktivität im Mausgehirn spiegelt Vorhersagemodelle wider, die von künstlichen neuronalen Netzwerken generiert wurden, die auf ähnlichen Aufgaben trainiert wurden.

Wenn wir uns an einem Ort bewegen, den wir nur teilweise kennen, verlassen wir uns oft auf einzigartige Landmarken, um unseren Weg zu finden. Wenn wir jedoch nach einem Büro in einem Backsteingebäude suchen und es viele Backsteingebäude entlang unserer Route gibt, könnten wir eine Regel verwenden, wie zum Beispiel das zweite Gebäude in einer Straße zu suchen, anstatt uns darauf zu verlassen, das Gebäude selbst zu unterscheiden. Bis diese Mehrdeutigkeit aufgelöst ist, müssen wir im Kopf behalten, dass es mehrere Möglichkeiten (oder Hypothesen) gibt, wo wir uns in Bezug auf unser Ziel befinden.

In einer Studie mit Mäusen haben MIT-Neurowissenschaftler nun entdeckt, dass diese Hypothesen explizit im Gehirn durch unterschiedliche neuronale Aktivitätsmuster dargestellt werden. Die Ergebnisse deuten darauf hin, dass diese Muster nicht nur passiv Hypothesen speichern, sondern auch verwendet werden können, um zu berechnen, wie man zum richtigen Ort gelangt. Dies ist das erste Mal, dass neuronale Aktivitätsmuster, die gleichzeitige Hypothesen kodieren, im Gehirn gesehen wurden.

Die Forscher fanden heraus, dass diese Repräsentationen, die im retrosplenialen Cortex (RSC) des Gehirns beobachtet wurden, nicht nur Hypothesen kodieren, sondern auch von den Tieren verwendet werden könnten, um den richtigen Weg zu wählen. „Soweit wir wissen, hat noch niemand in einer komplexen Denkaufgabe gezeigt, dass es einen Bereich im Assoziationskortex gibt, der zwei Hypothesen im Kopf hält und dann eine dieser Hypothesen verwendet, sobald er mehr Informationen erhält, um die Aufgabe tatsächlich abzuschließen“, sagt Mark Harnett, ein außerordentlicher Professor für Gehirn- und Kognitionswissenschaften, Mitglied des McGovern Institute for Brain Research am MIT und der Hauptautor der Studie.

Jakob Voigts, PhD ’17, ein ehemaliger Postdoktorand in Harnetts Labor und jetzt Gruppenleiter am Howard Hughes Medical Institute Janelia Research Campus, ist der Hauptautor des Papiers, das heute in Nature Neuroscience erscheint. Die RSC erhält Eingaben vom visuellen Kortex, der hippocampalen Formation und dem anterioren Thalamus, die sie integriert, um die Navigation zu unterstützen.

In einer früheren Studie aus dem Jahr 2020 fand Harnetts Labor heraus, dass die RSC sowohl visuelle als auch räumliche Informationen verwendet, um Landmarken zu kodieren, die für die Navigation verwendet werden. In dieser Studie zeigten die Forscher, dass Neuronen in der RSC von Mäusen visuelle Informationen über die Umgebung mit räumlichem Feedback der eigenen Position der Mäuse entlang einer Strecke integrieren, sodass sie lernen können, wo sie eine Belohnung basierend auf den Landmarken finden, die sie gesehen haben.

In ihrer neuen Studie wollten die Forscher weiter untersuchen, wie die RSC räumliche Informationen und situativen Kontext verwendet, um navigationsbezogene Entscheidungen zu treffen. Dazu entwickelten die Forscher eine viel kompliziertere Navigationsaufgabe als typischerweise in Mausstudien verwendet wird. Sie richteten eine große, runde Arena mit 16 kleinen Öffnungen oder Ports entlang der Seitenwände ein.

Eine dieser Öffnungen würde den Mäusen eine Belohnung geben, wenn sie ihre Nase hindurchstecken. In den ersten Experimenten trainierten die Forscher die Mäuse darauf, zu verschiedenen Belohnungsports zu gehen, die durch Lichtpunkte auf dem Boden angezeigt wurden, die nur sichtbar waren, wenn die Mäuse sich ihnen näherten. Sobald die Mäuse diese relativ einfache Aufgabe gelernt hatten, fügten die Forscher einen zweiten Punkt hinzu. Die beiden Punkte waren immer gleich weit voneinander und vom Zentrum der Arena entfernt. Aber jetzt mussten die Mäuse zum Port beim gegen den Uhrzeigersinn liegenden Punkt gehen, um die Belohnung zu erhalten.

Da die Punkte identisch waren und nur aus nächster Nähe sichtbar wurden, konnten die Mäuse nie beide Punkte gleichzeitig sehen und nicht sofort feststellen, welcher Punkt welcher war. Um diese Aufgabe zu lösen, mussten sich die Mäuse daher merken, wo sie erwarteten, dass ein Punkt auftauchen würde, und ihre eigene Körperposition, die Richtung, in die sie gingen, und den Weg, den sie nahmen, integrieren, um herauszufinden, welches Landmarke welche ist.

Durch die Messung der RSC-Aktivität, während die Mäuse sich den mehrdeutigen Landmarken näherten, konnten die Forscher feststellen, ob die RSC Hypothesen über die räumliche Lage kodiert. Die Aufgabe wurde sorgfältig so gestaltet, dass die Mäuse die visuellen Landmarken verwenden mussten, um Belohnungen zu erhalten, anstatt andere Strategien wie Geruchshinweise oder Totreckoning zu verwenden.

„Wichtig an dem Verhalten in diesem Fall ist, dass die Mäuse sich etwas merken müssen und dann dieses Wissen nutzen, um zukünftige Eingaben zu interpretieren“, sagt Voigts, der an dieser Studie arbeitete, während er als Postdoktorand in Harnetts Labor tätig war. „Es geht nicht nur darum, sich etwas zu merken, sondern es so zu merken, dass man darauf reagieren kann.“

Die Forscher fanden heraus, dass, während die Mäuse Informationen darüber sammelten, welcher Punkt welcher sein könnte, Populationen von RSC-Neuronen unterschiedliche Aktivitätsmuster für unvollständige Informationen zeigten. Jedes dieser Muster scheint einer Hypothese darüber zu entsprechen, wo die Maus dachte, dass sie sich in Bezug auf die Belohnung befand. Wenn die Mäuse nahe genug kamen, um herauszufinden, welcher Punkt den Belohnungsport anzeigte, kollabierten diese Muster in dasjenige, das die korrekte Hypothese darstellt. Die Ergebnisse deuten darauf hin, dass diese Muster nicht nur passiv Hypothesen speichern, sondern auch verwendet werden können, um zu berechnen, wie man zum richtigen Ort gelangt, sagen die Forscher.

„Wir zeigen, dass die RSC die erforderlichen Informationen hat, um dieses Kurzzeitgedächtnis zu nutzen, um die mehrdeutigen Landmarken zu unterscheiden. Und wir zeigen, dass diese Art von Hypothese in einer Weise kodiert und verarbeitet wird, die es der RSC ermöglicht, sie zur Lösung der Berechnung zu verwenden“, sagt Voigts.

Bei der Analyse ihrer ersten Ergebnisse konsultierten Harnett und Voigts Professor Ila Fiete vom MIT, die vor etwa zehn Jahren eine Studie mit einem künstlichen neuronalen Netzwerk durchgeführt hatte, um eine ähnliche Navigationsaufgabe zu lösen. Diese Studie, die zuvor auf bioRxiv veröffentlicht wurde, zeigte, dass das neuronale Netzwerk Aktivitätsmuster zeigte, die konzeptionell denen ähnelten, die in den Tierstudien von Harnetts Labor beobachtet wurden. Die Neuronen des künstlichen neuronalen Netzwerks bildeten schließlich hochgradig vernetzte, niedrigdimensionale Netzwerke, ähnlich den Neuronen der RSC.

„Diese Interkonnektivität scheint auf eine Weise, die wir noch nicht verstehen, der Schlüssel zu sein, wie diese Dynamiken entstehen und wie sie kontrolliert werden. Und es ist ein Schlüsselelement dafür, wie die RSC diese beiden Hypothesen gleichzeitig im Kopf hält“, sagt Harnett.

In seinem Labor in Janelia plant Voigts nun zu untersuchen, wie andere an der Navigation beteiligte Gehirnbereiche, wie der präfrontale Kortex, aktiviert werden, wenn Mäuse auf natürliche Weise erkunden und Nahrung suchen, ohne auf eine bestimmte Aufgabe trainiert zu werden. „Wir untersuchen, ob es allgemeine Prinzipien gibt, nach denen Aufgaben gelernt werden“, sagt Voigts. „Wir haben viel Wissen in der Neurowissenschaft darüber, wie Gehirne arbeiten, nachdem das Tier eine Aufgabe gelernt hat, aber im Vergleich wissen wir extrem wenig darüber, wie Mäuse Aufgaben lernen oder was sie wählen zu lernen, wenn sie die Freiheit haben, sich natürlich zu verhalten.“

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!