Split trial analysis reveals the information capacity of neural population codes

Stellen Sie sich Ihr Gehirn wie ein riesiges Orchester vor, das versucht, einen einzigen, perfekten Ton zu spielen, um Ihnen mitzuteilen, von woher ein Geräusch kommt. Jeder Musiker (ein Neuron) versucht, diesen Ton zu spielen, aber alle haben ein wenig „Zittern“ oder ein Wackeln in den Händen. Manchmal zittern sie alle auf die gleiche Weise und zur gleichen Zeit; ein anderes Mal zittern sie zufällig und unabhängig voneinander.

Lange Zeit haben sich Wissenschaftler gefragt: Spielt es eine Rolle, ob das ganze Orchester gemeinsam zittert, oder ist es nur das individuelle Zittern, das die Musik ruiniert?

Dieses Paper stellt eine neue, clevere Methode vor, um genau herauszufinden, wie viel dieses „gemeinsame Zittern“ (korrelierter Lärm) die Fähigkeit des Gehirns stört, klare Botschaften zu senden.

Das Problem: Das „Gespenst“ in der Maschine

Wissenschaftler wussten, dass es die Fähigkeit des Gehirns zum Lernen einschränkt, wenn alle Neuronen in eine bestimmte Richtung gleichzeitig zittern. Es ist so, als ob ein ganzer Chor in exakt derselben Weise leicht falsch singt; egal wie viele Sänger man hinzufügt, das Lied wird niemals perfekt klingen. Dies wird als informationslimitierendes Rauschen bezeichnet.

Das Problem war, dass es unglaublich schwierig war, dieses „gemeinsame Zittern“ in echten Hirndaten aufzuspüren. Es war, als versuche man, ein bestimmtes Gespenst in einem nebligen Raum mit einer Taschenlampe zu finden, die nicht hell genug war.

Die Lösung: Der „Split-Trial“-Zaubertrick

Die Autoren haben ein neues Werkzeug namens Split-Trial-Analyse entwickelt. Stellen Sie sich das so vor:

Stellen Sie sich vor, Sie fragen eine Gruppe von Freunden, wie schwer eine Wassermelone ist. Sie fragen sie zweimal hintereinander, ohne dass sie miteinander sprechen dürfen.

• Wenn ihre Schätzungen jedes Mal völlig unterschiedlich sind, raten sie nur zufällig (random Rauschen).
• Aber wenn sie beide Male konsistent exakt dieselbe falsche Zahl schätzen, dann „zittern“ sie alle im gleichen falschen Sinne (informationslimitierendes Rauschen).

Indem sie die Daten aus demselben Experiment in zwei Hälften aufteilen und diese miteinander vergleichen, kann diese neue Methode das „zufällige Raten“ vom „systematischen Gruppenfehler“ trennen. Es ist ein einfacher Trick, aber er funktioniert wie ein Charmant, selbst wenn man nicht über viel Datenmaterial verfügt. Das Paper zeigt, dass diese Methode viel besser, schneller und zuverlässiger ist als die alten Wege, dieses Rätsel zu lösen.

Was sie herausfanden: Drei neue Entdeckungen

Mit dieser neuen „Split-Trial“-Linse betrachteten die Forscher echte Gehirndaten aus drei verschiedenen Tier-Systemen und fanden einige interessante Dinge heraus:

1. Der interne Kompass der Maus: In dem Teil des Mausgehirns, der weiß, in welche Richtung „Norden“ ist (das Head-Direction-System), fanden sie eine riesige Menge dieses gemeinsamen Zitterns. Es ist, als ob das gesamte Kompass-Team wackelt, was die Präzision der Maus einschränkt, ihre Richtung zu bestimmen.
2. Das Sehvermögen der Maus: In dem Teil des Mausgehirns, der Linien und Winkel sieht (V1), fanden sie ein winziges bisschen gemeinsames Zittern. Es ist da, aber es ist klein, was bedeutet, dass der visuelle Code der Maus recht klar ist, wenn auch nicht perfekt.
3. Der Fokus des Affen: In einem Affengehirn, während er eine schnelle Augenbewegung (Sakkade) macht, fanden sie, dass dieses gemeinsame Zittern sehr konsistent ist. Es ist, als wäre das „Rauschen“ im Gehirn des Affen ein stetiges Summen, das sich über die Zeit nicht viel verändert, was das neuronale Signal während dieser spezifischen Aufgabe überraschend stabil macht.

Das Fazsit

Dieses Paper verspricht nicht, Krankheiten zu heilen oder Roboter zu bauen. Stattdessen gibt es Wissenschaftlern eine neue, leistungsstarke Lupe an die Hand. Mit diesem Werkzeug können sie endlich genau sehen, wie viel „Gruppenzittern“ in verschiedenen Teilen des Gehirns stattfindet, und uns helfen zu verstehen, wo die wahren Grenzen liegen, mit denen unsere neuronalen Netzwerke Informationen übertragen können.