Computational simulation reveals the critical role of spike-timing-dependent plasticity in synchrony

Das menschliche Gehirn ist ein riesiges Netzwerk aus Milliarden winziger elektrischer Zellen, die ständig Signale aussenden, um unsere Gedanken, Erinnerungen und Wahrnehmungen aufzubauen. Seit Jahrzehnten debattieren Wissenschaftler darüber, wie sich diese Zellen organisieren, um Informationen zu speichern. Eine Seite der Argumentation legt nahe, dass Lernen stattfindet, wenn Gruppen von Neuronen in perfektem Einklang feuern, wie ein Chor, der denselben Ton zur gleichen Zeit singt. Diese synchronisierte Aktivität wird als die physische Signatur angesehen, die bei der Bildung einer Erinnerung entsteht. Auf der anderen Seite argumentiert eine andere Denkschule, dass Informationen nützlich sein müssen, wenn sie vielfältig und unvorhersehbar sind. Wenn jede Zelle zum exakt gleichen Zeitpunkt feuert, wird das Signal zu gleichförmig, um komplexe Details zu übertragen, ähnlich wie ein Radiosender, der nur einen einzigen Ton ausstrahlt. Diese Spannung zwischen der Notwendigkeit von Einheit zum Lernen und der Notwendigkeit von Vielfalt zur Kodierung von Informationen hat ein langjähriges Rätsel in der Neurowissenschaft geschaffen.

Forscher wissen schon lange, dass das Gehirn eine spezifische Regel verwendet, um die Verbindungen zwischen Neuronen zu stärken: Wenn zwei Zellen in einer präzisen Sequenz feuern, wird die Verbindung zwischen ihnen stärker. Dieser Prozess, bekannt als Spike-Timing-Dependent Plasticity (spitzenzeitabhängige Plastizität), ist der biologische Mechanismus hinter dem Lernen. Es war jedoch unklar, wie diese Lernregel mit der Vorstellung koexistieren kann, dass Information einen chaotischen, desynchronisierten Zustand erfordert. Wenn Lernen verlangt, dass Zellen zusammen feuern, wie kann das Gehirn dann auch darauf angewiesen sein, dass sie getrennt voneinander feuern, um reiche, detaillierte Erinnerungen zu speichern? Eine neue Studie von Computerwissenschaftlern der University of Toronto und des Krembil Brain Institute schlägt vor, dass diese beiden scheinbar gegensätzlichen Kräfte keine Feinde sind, sondern Partner in einem kontinuierlichen Rückkopplungsprozleß.

Um dieses Rätsel zu lösen, bauten die Forscher ein detailliertes Computermodell eines kleinen Neuronennetzwerks, das das Verhalten von Zellen nachahmt, die im Hippocampus zu finden sind, dem zentralen Knotenpunkt des Gehirns für das Gedächtnis. Sie programmierten dieses virtuelle Netzwerk mit denselben biologischen Regeln, denen reale Neuronen folgen, einschließlich der chemischen Signale, die Aktivität erregen oder hemmen. Das Team fütterte das Modell mit realistischen Daten, die von Ratten bei einer visuellen Aufgabe aufgezeichnet wurden, bei der die Tiere zwischen Bildern unterschiedlicher Helligkeit unterscheiden mussten. Sie ließen dann zwei Versionen der Simulation laufen: eine, in der der Lernmechanismus aktiv war, und eine, in der er ausgeschaltet war. Durch den Vergleich der elektrischen Aktivität der virtuellen Neuronen in beiden Szenarien konnten sie genau beobachten, wie der Lernprozess das Timing der Impulse veränderte.

Die Ergebnisse offenbarten eine dynamische und überraschende Beziehung zwischen Lernen und Timing. Wenn der Lernmechanismus aktiv war, feuerten die Neuronen nicht einfach synchron oder desynchronisiert. Stattdessen traten sie in einen rhythmischen Zyklus ein. Zu Beginn des Lernprozesses begannen die Neuronen, in ihren Feuermomenten auseinanderzudriften, was einen Zustand der Desynchronisation erzeugte. Diese Verschiebung war kein Versagen des Systems, sondern eine notwendige Folge des Lernens selbst. Die erhöhte Vielfalt im Timing der Signale diente tatsächlich dazu, die Stärke des Lernens zu regulieren, um zu verhindern, dass das Netzwerk in einem starren Muster stecken bleibt.

Während die Simulation über mehrere Sekunden fortschürte, beobachteten die Forscher einen komplexen Tanz von Synchronisation und Desynchronisation, wobei das Muster jedoch keine einfache Hin-und-Her-Bewegung war. Das Netzwerk bewegte sich von einem synchronisierten Zustand zu einem desynchronisierten einen, und nach einer Phase geringfügiger Aktivität synchronisierte es sich kurzzeitig wieder, bevor es erneut auseinanderdriftete. Diese Fluktuation wurde vollständig durch die Lernregeln angetrieben. Die Studie legt nahe, dass das Gehirn diesen wechselnden Gleichgewichtszustand nutzt, um Informationen zu verwalten. Die anfängliche Synchronisation ermöglicht es dem Gehirn, ein neues Stück Information zu erfassen, während die anschließende Desynchronisation ermöglicht, dass diese Information mit genügend Flexibilität gespeichert wird, um sie später ohne Interferenz mit anderen Erinnerungen abrufen zu können.

Entscheidend war, dass die Simulationen zeigten, dass die Neuronen ohne den Lernmechanismus nicht dieselbe regulierte Fluktuation aufwiesen. Wenn das Lernen deaktiviert war, verblieb das Netzwerk in einem gemischten Zustand von Synchronisation und Desynchronisation, der sich im Laufe der Zeit nicht entwickelte. Dieser Befund deutet darauf hin, dass die Fähigkeit, zwischen diesen Zuständen zu wechseln, kein Zufall ist, sondern ein direktes Ergebnis des Lernprozesses des Gehirns. Die Studie legt nahe, dass das Gehirn sich nicht zwischen Synchronisation und Desynchronisation entscheidet, sondern den Lernprozess nutzt, um zwischen ihnen hin und her zu schalten, wodurch ein selbstregulierendes System entsteht.

Diese Perspektive bietet eine neue Art, das langjährige Rätsel zu verstehen, wie das Gehirn Ordnung und Chaos ausbalanciert. Sie legt nahe, dass der scheinbare Widerspruch zwischen Lernen und Informationstheorie dadurch aufgelöst wird, dass man sie als Teile eines einzigen, kontinuierlichen Prozesses betrachtet. Lernen initiiert die Synchronisation, die für die Bildung einer Erinnerung benötigt wird, aber der Akt des Lernens selbst drängt das System zur Desynchronisation, was die Flexibilität dieser Erinnerung bewahrt. Die Forscher fanden heraus, dass diese Schleife es dem Gehirn ermöglicht, ein gesundes Maß an Variabilität aufrechtzuerhalten, was verhindert, dass die extreme Synchronisation, wie sie bei Erkrankungen wie Epilepsie auftritt, oder die extreme Desynchronisation, die mit Gedächtnisverlust einhergeht, eintritt.

Die ausschließlich durch Computersimulationen durchgeführte Studie liefert einen theoretischen Rahmen dafür, wie diese biologischen Prozesse im realen Gehirn funktionieren könnten. Obwohl das Modell auf etablierten biologischen Daten und realistischen Eingaben basierte, sind die Ergebnisse ein Vorschlag darüber, wie diese Mechanismen interagieren, und keine direkte Beobachtung von lebendem Gewebe. Die Autoren legen nahe, dass diese regulatorische Schleife der Schlüssel zum Verständnis dessen sein könnte, wie wir die komplexen Details unseres täglichen Lebens kodieren. Indem sie zeigen, dass Lernen und Desynchronisation tief miteinander verwoben sind, bietet die Forschung eine kohärente Erklärung dafür, wie das Gehirn schafft, sowohl ein stabiler Rekorder von Ereignissen als auch ein flexibler Verarbeiter neuer Informationen zu sein.