Feasible closed-loop stimulation for neural latent dynamics control

Das menschliche Gehirn ist ein riesiges, verrauschtes Netzwerk aus Milliarden von Neuronen, die in komplexen Mustern feuern. Seit Jahrzehnten versuchen Wissenschaftler zu verstehen, wie sich diese chaotischen Signale in fließende, zielgerichtete Handlungen wie das Greifen nach einer Tasse oder das Aussprechen eines Wortes übersetzen lassen. Eine kraftvolle Idee in der modernen Neurowissenschaft legt nahe, dass unter dem oberflächlichen Rauschen das Gehirn auf einer einfacheren, verborgenen Ebene der Aktivität operiert. Man kann sich diese verborgene Ebene als eine Reihe unsichtbarer Hebel oder „Faktoren“ vorstellen, die das Verhalten steuern. Wenn es Forschern gelänge, diese Hebel zu identifizieren und zu lernen, sie zu ziehen, könnten sie genau verstehen, wie das Gehen des Gehirns bestimmte Handlungen verursacht, anstatt nur die Aktivität geschehen zu sehen. Eine große Hürde bleibt jedoch bestehen: Während Wissenschaftler sehr gut darin geworden sind, diese verborgenen Muster aufzuzeichnen, haben sie Schwierigkeiten, sie direkt zu manipulieren. Traditionelle Methoden beinhalten oft das Stechen in das Gehirn mit breiten, ungezielten Signalen oder den Versuch, einzelne Neuronen einzeln zu kontrollieren – eine Aufgabe, die unglaublich schwierig ist und oft das große Ganze übersieht. Die Frage war, ob es möglich ist, diese verborgenen Hirnzustände in Echtzeit zu steuern, um das Verhalten zu leiten, und falls ja, welche Art von Werkzeugen dafür nötig wären.

Ein Team von Forschern der Georgia Tech und der Emory University setzte sich zum Ziel, diese Frage zu beantworten, indem sie ein detailliertes virtuelles Labor aufbauten. Anstatt sofort mit lebenden Tieren zu arbeiten, was teuer und technisch anspruchsvoll ist, erschufen sie eine hoch entwickelte Computersimulation einer Hirnregion, die an Bewegungen beteiligt ist. Sie trainierten dieses digitale Netzwerk so, dass es die Aktivität eines Affen nachahmte, der Ziele ansteuert, wodurch der Computer die verborgenen „Faktoren“ erlernen konnte, die die Bewegung antreiben. Sobald die Simulation lief, testeten die Forscher einen neuen Ansatz namens Closed-Loop-Steuerung (Regelkreissteuerung). In diesem Aufbau beobachtet der Computer ständig den verborgenen Zustand des Gehirns, sagt voraus, wohin dieser steuert, und sendet augenblicklich Lichtsignale, um ihn wieder auf Kurs zu bringen, falls er vom Weg abkommt. Dies geschieht in einer kontinuierlichen Schleife, wobei das System auf Veränderungen reagiert, während sie auftreten, anstatt nur ein vorab geplantes Signal zu senden. Das Ziel war es zu sehen, ob diese Methode erfolgreich die verborgenen Dynamiken des Gehirns steuern kann, um spezifische Bewegungen zu erzeugen, und um herauszufinden, wie viele Lichtquellen und Sensoren zur Aufzeichnung benötigt würden, um dies zu erreichen.

Die Forscher befassten sich zunächst mit einer grundlegenden Frage der Präzision: Erfordert die Steuerung des Gehirns die Manipulation jedes einzelnen Neurons, oder kann eine geringere Anzahl von Lichtquellen die Aufgabe erfüllen? In ihren Simulationen variierten sie die Anzahl der unabhängigen Lichtkanäle von nur einem – was das gesamte Gebiet gleichmäßig beleuchten würde – bis hin zu über tausend, bei denen jedes Neuron einzeln kontrolliert werden könnte. Sie fanden heraus, dass das Gehen des Gehirns kein Mikromanagement benötigt. Selbst mit einer relativ geringen Anzahl von Lichtquellen – etwa 200 der verfügbaren 1.024 Kanäle – konnte das System etwa 85 % der maximal möglichen Steuerungsleistung erreichen. Dies deutet darauf hin, dass die Vorstellung, jedes einzelne Neuron kontrollieren zu müssen, um das Verhalten zu beeinflussen, wahrscheinlich unnötig ist. Die verborgenen Hebel des Gehirns sind robust genug, dass eine moderate Menge gezielter Stimulation ausreicht, um sie zu lenken, was den aktuellen Trend infrage stellt, massiv in Ultra-Hochauflösungs-Werkzeuge zu investieren, die Neuronen einzeln kontrollieren.

Der zweite Teil der Studie befasste sich mit einem praktischen Ingenieursproblem: Wie sollte eine begrenzte Anzahl von Kanälen zwischen der Aufzeichnung dessen, was das Gehirn tut, und der Stimulation dessen, was es tun soll, aufgeteilt werden? In vielen aktuellen Experimenten nutzen Wissenschaftler viele Ableitelektroden, um dem Gehirn zuzuhören, verwenden aber nur eine einzige Lichtquelle, um es zu stimulieren, unter der Annahme, dass das Zuhören wichtiger ist als das Sprechen. Die Forscher testeten diese Annahme, indem sie Simulationen mit einer festen Gesamtzahl von 100 Kanälen durchführten und diese auf unterschiedliche Weise zwischen Aufzeichnung und Stimulation aufteilten. Sie entdeckten, dass die effektivste Strategie darin bestand, die Ressourcen fast gleichmäßig aufzuteilen. Wenn das System über eine annähernd gleiche Anzahl an Sensoren zur Aufzeichnung und Lichtquellen zur Stimulation verfügte, funktionierte es am besten bei der Führung des simulierten Arms zum korrekten Ziel. Die gängige Praxis, viele Sensoren und nur eine Lichtquelle zu verwenden, schnitt schlecht ab und bot kaum eine Verbesserung gegenüber dem völligen Nichtstun. Dieser Befund legt nahe, dass Forscher, um die Gehirnaktivität wirklich zu kontrollieren, ebenso viel in die Fähigkeit zu investieren müssen, Signale zu senden, wie in die Fähigkeit, zuzuhören.

Während dieser Simulationen testeten die Forscher ihr System unter vielen verschiedenen Bedingungen, indem sie die Dichte der Neuronen, die Breite der Lichtstrahlen und die Menge der Daten, die für das Training des Steuerungssystems verwendet wurden, veränderten. Die Ergebnisse blieben konsistent: Niedrigdimensionale Stimulation funktioniert, und eine ausgewogene Mischung aus Sensorik und Aktion ist optimal. Selbst mit Standard-Steuerungsmethoden und ohne extreme Optimierung reduzierte das System die Tracking-Fehler um mehr als 60 % und leitete die simulierte Bewegung in über 90 % der Versuche erfolgreich. Die Studie hob auch die Bedeutung von Echtzeit-Feedback hervor. Als die Forscher eine Version des Systems testeten, die die gesamte Bewegung im Voraus plante, ohne auf Veränderungen zu reagieren, während sie auftraten, schnitt dieses deutlich schlechter ab und scheiterte oft daran, die Bewegung korrekt zu führen. Dies bestätigt, dass die Fähigkeit, augenblicklich auf den sich ändernden Zustand des Gehirns zu reagieren, entscheidend für den Erfolg ist.

Obwohl diese Ergebnisse aus Computersimulationen und nicht aus lebenden Tieren stammen, bieten sie einen klaren Fahrplan für zukünftige Experimente. Die Ergebnisse legen nahe, dass der Bau eines Geräts zur Steuerung der Gehirndynamik keine unmöglich komplexe Technologie erfordert, die jede einzelne Zelle ansteuert. Stattdessen könnte ein System mit einer moderaten Anzahl unabhängiger Lichtquellen, die mit einer gleichen Anzahl von Aufzeichnungssensoren ausbalanciert sind, ausreichen, um die verborgenen Zustände des Gehirns zu steuern und kausale Theorien darüber zu testen, wie Verhalten generiert wird. Wenn sich diese Simulationen in lebendem Gewebe bewähren, könnte dies das Tor zu einer neuen Ära der Neurowissenschaften öffnen, in der Forscher die Aktivität des Gehirns nicht nur beobachten, sondern aktiv mit ihr interagieren, um die grundlegenden Regeln zu verstehen, wie wir uns bewegen und denken. Der Weg nach vorn besteht darin, diese Werkzeuge zu bauen und sie in der realen Welt zu testen, aber die Simulationen geben einen starken Hinweis darauf, dass das Ziel in Reichweite liegt.