Selbstorganisierte Optimie- rungen der Heterogenität synaptischer Dynamiken in rekurrenten Netzwerken

• Antragsteller: Dr. Michael Fauth
• Fachliche Zuordnung: Experimentelle und theoretische Netzwerk-Neurowissenschaften
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 521492574

Synapsen übertragen Signale zwischen Neuronen. Aufgrund ihrer zeitabhängigen Übertragungseigenschaften, wie zum Beispiel die zeitliche Anpassung des Gewichts (Kurz-/Langzeitplastizität), können sie zudem als Filter agieren und komplexe zeitliche Berechnungen auf Basis der übertragenen Signale ausführen. In biologischen Netzwerken sind diese synaptischen Übertragungseigenschaften zudem heterogen, d.h. verschieden für jedes Neuron und jede Synapse. Diese Tatsache wird oft außer Acht gelassen. Daher ist weitgehend unbekannt, ob synaptische Heterogenität eine funktionelle Rolle bei den Berechnungen neuronaler Netzwerke spielt und wenn ja, ob Netzwerke diese synaptische Heterogenität durch Selbstorganisation anpassen können. Ein Beispiel für einen solchen Selbstorganisationsprozess, der auch im erwachsenen Gehirn stattfindet, ist das kontinuierliche Auf- und Abbauen von Synapsen - auch strukturelle Plastizität genannt. Die funktionelle Bedeutung dieses Prozesses ist ebenfalls weitgehend unbekannt. Die Haupthypothese dieses Projekts ist nun, dass strukturelle Plastizität einen Selbstorganisations-Mechanismus bereitstellt, der die heterogenen synaptischen Eigenschaften optimiert, um die zeitliche Berechnung in neuronalen Netzwerken zu verbessern. Da das Gehirn in der Lage ist, schnell zwischen Aufgaben zu wechseln, die auf denselben (sensorischen) Eingaben beruhen, vermuten wir, dass diese Optimierung (zumindest teilweise) aufgabenunabhängig ist, sondern eher das Ziel hat, eine möglichst vielfältige Berechnung auf Basis der eingehenden Signale bereitzustellen. Die in diesem Projekt betrachteten heterogenen Übertragungseigenschaften - d.h. Kurz- und Langzeitplastizität - agieren zudem auf verschiedenen Zeitskalen und können sich daher je an ein anderes Zeitskalenregime in den Eingangssignalen angepasst werden. Wir stellen daher weiterhin die Hypothese auf, dass strukturelle Plastizität gleichzeitig mehrere heterogene Eigenschaften mit verschieden Zeitskalen optimiert und das Netzwerk dadurch besser Multi-Zeitskalen Probleme lösen, die bei vielen biologisch relevanten Wahrnehmungsaufgaben, wie z. B. der Sprach- oder Musikverarbeitung oder dem Verstehen beobachteter Handlungssequenzen, auftreten. Wir werden dieser Hypothese mit mathematischen Modellen nachgehen und mit einem Top-Down-Ansatz einen solchen strukturellen Plastizitätsmechanismus herleiten. Danach werden wir in Simulationen zeigen, dass neuronalen Netzwerken dadurch komplexe Wahrnehmungsaufgaben lösen können, die eine Integration von Informationen über mehrere Zeitskalen erfordern. Die abgeleiteten Algorithmen und resultierenden Netzwerke werden dann mit experimentellen Beobachtungen verglichen und verwendet, um experimentell überprüfbare Vorhersagen zu treffen.

• DFG-Verfahren: Sachbeihilfen