Describing Functions and Phase Response Curves of Excitable Systems

Der Rhythmus des Nervensystems: Wenn Funken Wellen ersetzen

Stellen Sie sich das menschliche Gehirn nicht als einen sanft fließenden Fluss vor, sondern als eine Stadt aus Milliarden winziger, hyperalerter Wächter. Diese Wächter sind Neuronen, und im Gegensatz zu einer Trommel, die von selbst schlägt, sind viele von ihnen „erregbar“. Das bedeutet, sie verharren ruhig und warten auf ein ganz bestimmtes Klopfen an der Tür, bevor sie einen einzelnen, scharfen Energieausbruch abfeuern – einen Spike. So kommuniziert Ihr Nervensystem: nicht durch ein kontinuierliches Summen, sondern durch das Senden einer rasanten Folge diskreter Ereignisse, wie Morsecode oder ein Schlagzeuger, der auf ein Signal wartet, um die Snare zu treffen.

Seit Jahrzehnten nutzen Wissenschaftler zwei mächtige Werkzeuge, um zu verstehen, wie diese biologischen Rhythmen funktionieren: die beschreibende Funktion (Describing Function, DF) und die Phasenreaktionskurve (Phase Response Curve, PRC). Betrachten Sie die DF als eine Methode, um vorherzusagen, wie ein System auf einen stetigen, rhythmischen Stoß reagiert, und die PRC als eine Karte, die zeigt, wie ein kleiner Anstoß zum falschen (oder richtigen) Zeitpunkt einen Takt beschleunigen oder verlangsamen kann. Diese Werkzeuge sind fantastisch für Systeme, die natürlich oszillieren, wie ein Pendel oder ein Herz, das von selbst schlägt. Doch sie stoßen bei der Anwendung auf erregbare Neuronen an eine Wand. Warum? Weil die Mathematik hinter diesen Werkzeugen davon ausgeht, dass das System bereits ein sanftes, kontinuierliches Lied singt. Aber erregbare Neuronen singen nicht; sie warten, und dann ploppen sie auf. Der Versuch, ein Werkzeug, das für eine glatte Welle entwickelt wurde, um die Messung eines scharfen, plötzlichen Spikes zu verwenden, ist wie der Versuch, die Höhe eines Blitzes mit einem Lineal zu messen, das für die Gezeiten des Ozeans gedacht ist. Es passt einfach nicht.

Die neue Landkarte des Papers für feuernde Neuronen

In diesem Paper schlagen Robin Wroblowski und Rodolphe Sepulchre einen klugen Umweg vor. Anstatt zu versuchen, die alten, glatten Wellen-Werkzeuge in die zackige Realität feuernder Neuronen zu pressen, haben sie die Werkzeuge von Grund auf neu erfunden, damit sie die Sprache der „Ereignisse“ sprechen. Sie nennen diese neuen Werkzeuge die Ereignis-beschreibende Funktion (Event Describing Function, eDF) und die Ereignis-Phasenreaktionskurve (Event Phase Response Curve, ePRC).

Die große Idee: Die Schläge zählen, nicht die Wellen
Die Autoren erkannten, dass es für erregbare Systeme am wichtigsten ist, nicht die Form der Welle, sondern das Timing des Funkens zu erfassen. Sie entwickelten ein vereinfachtes Modell, das das Neuron wie eine Black Box behandelt: Man gibt ein spezifisches Eingangsereignis (ein Klopfen) vor, und es liefert ein Ausgangsereignis (einen Spike) nach einer gewissen Verzögerung.

• Die Ereignis-beschreibende Funktion (eDF): Stellen Sie sich vor, Sie klopfen einen Rhythmus auf einen Tisch und ein Freund klopft zurück. Die eDF misst den „Verzug“ zwischen Ihrem Klopfen und seinem Klopfen. Wenn Sie alle 25 Millisekunden klopfen, wie lange dauert es, bis er antwortet? Das Paper zeigt, dass man durch das Abtragen dieses Verzugs gegen die Zeit zwischen Ihren Klopfen genau vorhersagen kann, wann ein ganzes Netzwerk von Neuronen beginnen wird, synchron zu tanzen. Sie simulierten beispielsweise einen Ring inhibitorischer Neuronen (die „Bremsen“ des Gehirns) und fanden heraus, dass sie sich, wenn man zwei von ihnen verbindet, natürlich auf einen Rhythmus mit einer Periode von etwa 25,31 Millisekunden einpendeln. Ihre neue Mathematik sagte dies fast perfekt voraus und entsprach den komplexen Computersimulationen, die die vollen, chaotischen physikalischen Gleichungen lösen.

• Die Ereignis-Phasenreaktionskurve (ePRC): Stellen Sie sich nun vor, der Freund klopft mit, und Sie geben ihm plötzlich einen kleinen Stoß oder einen Zug. Die ePRC bildet ab, was passiert, wenn Sie ihn zu verschiedenen Zeitpunkten in seinem Zyklus anstoßen. Bewirkt ein Stoß, dass er früher klopft? Später? Oder führt es dazu, dass er einen Schlag komplett verpasst? Die Autoren fanden heraus, dass die Antwort bei diesen erregbaren Neuronen stark davon abhängt, wann man sie anstößt. Ein Stoß direkt nach einem Spike bewirkt vielleicht gar nichts, aber ein Stoß während der „Erholungsphase“ könnte einen ganz neuen Rhythmus auslösen.

Was sie fanden (und was sie nicht fanden)
Durch detaillierte Simulationen eines klassischen Neuronenmodells (dem Hodgkin-Huxley-Modell) demonstrierten die Autoren, dass diese neuen „ereignisbasierten“ Werkzeuge unglaublich gut darin sind, vorherzusagen, wie Netzwerke von Neuronen sich verhalten werden.

• Sie zeigten, dass man ein Netzwerk von Neuronen so entwerfen kann, dass es einen spezifischen Rhythmus erzeugt, indem man lediglich die eDF-Kurven betrachtet. Wenn die Kurven eine bestimmte Linie kreuzen, weiß man, dass ein stabiler Rhythmus existieren wird.
• Sie bewiesen, dass diese Netzwerke robust sind. Selbst wenn man die Geschwindigkeit des Inputs leicht verändert, tendieren die Neuronen dazu, sich in einem Rhythmus zu verriegeln – entweder im Gleichschritt oder in einem „Halbschritt“ (außer Phase), je nachdem, ob der Input erregend oder hemmend ist.
• Sie fanden heraus, dass die „Zerfallszeit“ der Verbindung zwischen den Neuronen (wie lange das Signal nachwirkt) ein mächtiger Regler zur Abstimmung des Rhythmus ist.

Die Grenzen der Entdeckung
Es ist wichtig anzumerken, dass diese Ergebnisse auf Computersimulationen basieren, nicht auf physischen Experimenten an echten Gehirnen. Die Autoren betonen vorsichtig, dass ihre Methode zwar wunderbar für die von ihnen getesteten Modelle (wie das Hodgkin-Huxley-Neuron) funktioniert, aber möglicherweise nicht für jeden existierenden Neuronentyp geeignet ist, insbesondere für solche mit sehr komplexen, nicht-glatten Verhaltensweisen. Sie konzentrierten sich zudem auf ein spezifisches Szenario, in dem jedes Eingangsereignis genau ein Ausgangsereignis auslöst (eine 1:1-Verriegelung), was ein häufiges, aber nicht universelles Verhalten ist.

Warum das wichtig ist
Das ultimative Ziel dieser Arbeit ist nicht nur das Verständnis der Biologie; es ist der Bau besserer Maschinen. Die Autoren legen nahe, dass Ingenieure durch die Verwendung dieser neuen ereignisbasierten Werkzeuge „neuromorphe“ Computer entwerfen können – Chips, die die Effizienz des Gehirns imitieren. Anstatt zu versuchen, die langsamen, schweren physikalischen Prozesse eines Neurons zu simulieren, könnten diese Chips einfach diskrete „Ereignisse“ weitergeben und dabei eDF und ePRC nutzen, um sicherzustellen, dass das gesamte System zum richtigen Takt tanzt. Dies könnte zu intelligenteren, effizienteren Robotern und medizinischen Geräten führen, die mit dem Nervensystem auf eine Weise interagieren, die sich natürlich anfühlt, nicht erzwungen.

Kurz gesagt: Wroblowski und Sepulchre haben nicht nur ein altes Werkzeug repariert; sie haben ein neues gebaut, das endlich die Muttersprache der Funken des Gehirns spricht.