Modellierung der Bildung von Vorhersagefehler-Neuronen in komplexen neuronalen Netzwerken
Zusammenfassung der Projektergebnisse
Neueste Forschungen zeigen, dass unser Gehirn fortlaufend das, was wir sehen, hören, riechen oder fühlen, mit unseren Erwartungen vergleicht. Es nutzt dabei frühere Erfahrungen, um Vorhersagen über kommende Sinneseindrücke zu treffen. Wenn Realität und Erwartung nicht übereinstimmen, schlagen spezielle Nervenzellen – sogenannte Vorhersagefehler- Neuronen – Alarm, indem sie ihre Aktivität erhöhen. Diese Neuronen spielen eine entscheidende Rolle für unser Lernen und unsere Fähigkeit, uns an neue Situationen anzupassen. Obwohl solche Vorhersagefehler im gesamten Gehirn nachgewiesen wurden, ist noch nicht genau verstanden, wie das Gehirn diese Abweichungen berechnet und verarbeitet. Wie entstehen diese spezialisierten Nervenzellen, und wie bleiben sie gleichzeitig flexibel und zuverlässig? Dieses Projekt untersuchte die Hypothese, dass Vorhersagefehler-Neuronen aus einem fein abgestimmten Zusammenspiel zwischen exzitatorischen Zellen und verschiedenen inhibitorischen Interneuronen entstehen. Insbesondere ist das Gleichgewicht von Erregung und Hemmung in unterschiedlichen Kompartimenten exzitatorischer Zellen entscheidend, Abweichungen von vorhergesagten sensorischen Signalen zu erkennen. Mithilfe mathematischer Analysen und Netzwerksimulationen zeigt diese Studie, dass verschiedene Arten von Vorhersagefehler- Neuronen innerhalb desselben rekurrenten Netzwerks entstehen können, wenn Erregung und Hemmung über mehrere exzitatorische und inhibitorische Pfade hinweg ausbalanciert sind. Dieses Gleichgewicht, das durch verschiedene inhibitorische Interneuronen – darunter PV-, SOM-, VIP- und NDNF-Interneuronen – geformt wird, ermöglicht es dem Gehirn, Gelerntes zu verallgemeinern und sich an neue Reize anzupassen. Darüber hinaus zeigen die Ergebnisse, unter welchen Bedingungen allein die homöostatische inhibitorische Plastizität ausreicht, um vollständig funktionale Vorhersagefehler-Schaltkreise zu erzeugen. Zusätzlich wurde untersucht, wie das Gehirn Unsicherheiten in der sensorischen Verarbeitung handhabt. Die Ergebnisse zeigen, dass ein hierarchischer Vorhersagefehler-Schaltkreis sowohl die Unsicherheiten in den sensorischen Inputs als auch in den dazugehörigen Vorhersagen durch die Aktivität von Vorhersagefehler-Neuronen abschätzen kann. Das Modell bestätigt, dass das Gehirn sich stärker auf Vorhersagen verlässt, wenn sensorische Reize verrauscht sind und die Umgebung stabil bleibt – im Einklang mit Theorien zur multisensorischen Integration. Durch die Kombination von computergestützten und theoretischen Ansätzen liefert diese Arbeit neue Erkenntnisse über die grundlegenden Prinzipien, die neuronalen Schaltkreisen ihre bemerkenswerte Fähigkeit verleihen, sensorische Reize vorherzusagen und Abweichungen zu erkennen. Das Verständnis dieser Mechanismen hat weitreichende Auswirkungen auf die Neurowissenschaften – von Fortschritten in der künstlichen Intelligenz bis hin zu neuen Einsichten in neurologische Erkrankungen, bei denen Vorhersageprozesse gestört sind, wie beispielsweise Schizophrenie oder Autismus.
Projektbezogene Publikationen (Auswahl)
-
Prediction-error neurons in circuits with multiple neuron types: Formation, refinement, and functional implications. Proceedings of the National Academy of Sciences, 119(13).
Hertäg, Loreen & Clopath, Claudia
-
A Cortical Microcircuit for Region-Specific Credit Assignment in Reinforcement Learning. openRxiv.
Chevy, Quentin; Szadai, Zoltán; Hertäg, Loreen; Moll, Morgan; Gibson, Elizabeth T.; Costa, Rui Ponte & Kepecs, Adam
-
Transcriptomic Correlates of State Modulation in GABAergic Interneurons: A Cross-Species Analysis. The Journal of Neuroscience, 44(44), e2371232024.
Keijser, Joram; Hertäg, Loreen & Sprekeler, Henning
-
Layer-specific control of inhibition by NDNF interneurons. Proceedings of the National Academy of Sciences, 122(4).
Naumann, Laura Bella; Hertäg, Loreen; Müller, Jennifer; Letzkus, Johannes J. & Sprekeler, Henning
-
Self-supervised predictive learning accounts for cortical layer-specificity. Nature Communications, 16(1).
Nejad, Kevin Kermani; Anastasiades, Paul; Hertäg, Loreen & Costa, Rui Ponte
-
Uncertainty estimation with prediction-error circuits. Nature Communications, 16(1).
Hertäg, Loreen; Wilmes, Katharina A. & Clopath, Claudia
