Beteiligtes Bernstein Mitglied: Ad Aertsen

/BCF/ Kaum ein Areal im Gehirn von Säugern ist so gut experimentell erforscht wie der Hippocampus. Sowohl die Anatomie seiner Netzwerkschaltkreise als auch die Physiologie der Neuronen und Synapsen, aus denen er sich zusammensetzt, sind in bemerkenswerter Detailgenauigkeit charakterisiert worden. Seit vielen Jahren steht der Hippocampus im Forschungsfokus bei der Untersuchung synaptischer Plastizität und ihrer Rolle bei Lernen und Gedächtnis. Trotz dieser Fülle an experimentellen Daten gibt es jedoch immer noch kein klares Verständnis darüber, wie die spezifischen Eigenschaften der Netzwerkverbindungen, Neuronen und Synapsen zur besagten Funktion des Hippocampus-Netzwerks beitragen.

Peter Jonas, Gründungsmitglied des Bernstein Center Freiburg (BCF), und seine Kollegen vom Institute of Science and Technology (IST) in Wien (Österreich) präsentieren in der Zeitschrift Nature Computational Science ein biologisch realistisches, umfassendes Netzwerkmodell, das zeigt, dass die verschiedenen spezifischen Eigenschaften und ihre komplizierten Wechselwirkungen die in diesem biologischen Netzwerk durchgeführten Berechnungen höherer Ordnung optimieren. Ad Aertsen, Gründungsdirektor des BCF, kommentiert die Arbeit in “News & Views” in der gleichen Zeitschrift.

In ihrer Studie konzentrieren sich die Autoren auf die Mustertrennung, aber auch die Vervollständigung von Mustern. Sie befassen sich insbesondere mit der Frage, ob und inwieweit das dreischichtige Feedforward-Netzwerk die anatomischen, physiologischen und biophysikalischen Eigenschaften aufweist, um den rechnerischen Prozess der Mustertrennung zu unterstützen. Zu diesem Zweck entwickelten, implementierten und simulierten sie ein Netzwerkmodell dieses Hirnareals, das die meisten der bekannten Zelltypen in den Schaltkreisen einschließt und realistische Werte für die Netzwerkkonnektivität, die Zelleigenschaften, die synaptische Dynamik und andere biophysikalische Eigenschaften verwendet – viele davon stammen aus ihrer eigenen experimentellen Arbeit. Wichtig ist, dass sich die Autoren dafür entschieden haben, ein Modell des Netzwerks in vollem Umfang zu erstellen und so die komplexen Probleme zu vermeiden, die mit der Skalierung von Konnektivität, neuronalen und synaptischen Eigenschaften mit der Netzwerkgröße verbunden sind.

Die Arbeit bietet einen umfassenden und innovativen konzeptionellen Überblick über die rechnerischen Eigenschaften eines wichtigen Netzwerks im Gehirn, über das in der Literatur bisher viele isolierte experimentelle Fakten und Zahlen zu finden waren, ohne eine klare Vorstellung von deren funktionellen Rollen.

Publikationen

S. Jose Guzman, Alois Schlögl, Claudia Espinoza, Xiaomin Zhang, Benjamin A. Suter, and Peter Jonas (2021) How connectivity rules and synaptic properties shape the efficacy of pattern separation in the entorhinal cortex–dentate gyrus–CA3 network. Nature Computational Science. https://dx.doi.org/10.1038/s43588-021-00157-1.
Ad Aertsen (2021) News & Views: Insights into hippocampal network function. Nature Computational Science. https://dx.doi.org/10.1038/s43588-021-00159-z.