Neuronale und verhaltensbezogene Mechanismen der Nahrungssuche in Multi-Zeitskalen- dynamischen Umgebungen

• Antragstellerin: Dr. Roxana Zeraati
• Fachliche Zuordnung: Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung seit 2026
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 583405102

Tiere leben in Umgebungen, die sich über verschiedene Zeitskalen verändern. Um zu überleben, müssen sie deren zeitliche Struktur lernen und Entscheidungen anpassen. Die Mechanismen dieser Adaptivität sind eine zentrale offene Frage der Neurowissenschaften, doch kohärentes Verständnis fehlt. Bisherige experimentelle und rechnergestützte Ansätze nutzen meist vereinfachte Aufgaben, die zeitliche Komplexität natürlicher Umgebungen nicht abbilden. Unklar, wie neuronale, behaviorale und Umwelt-Dynamiken über Zeitskalen hinweg adaptive Entscheidungen formen. Dieses Projekt schließt die Lücke, indem es einen integrierten rechnerischen und experimentellen Ansatz zur Untersuchung adaptiver Entscheidungsfindung beim Foraging (Nahrungssuche) etabliert, ein evolutionär konserviertes Verhalten mit Mehrskaligkeit. Beim Foraging müssen Tiere entscheiden, ob sie eine erschöpfende Ressource ausbeuten oder Alternativen prüfen. Optimales Foraging erfordert die Anpassung der Exploration-Exploitation-Dynamik an die Umwelt. Durch die gemeinsame Modellierung und Analyse neuronaler und behavioraler Dynamiken beim Foraging in mehrskaligen Umgebungen soll dieses Projekt aufdecken: 1) wie Tiere ihre Entscheidungen an Umweltveränderungen anpassen, 2) wie sie die zeitliche Struktur ihrer Umgebung erlernen und 3) welche neuronalen Schaltkreis-Mechanismen ihre Entscheidungen über mehrere Zeitskalen formen. Zur Umsetzung werden wir zunächst Methoden des Reinforcement Learning (Verstärkungslernens) mit mechanistischen rekurrenten neuronalen Netzmodellen kombinieren, um einen umfassenden theoretischen Rahmen zu entwickeln, der neuronale, behaviorale und umweltbedingte Dynamiken während des Foraging systematisch verknüpft. Unser Ansatz wird aufzeigen, wie die zeitlichen Dynamiken der Umwelt und der Lernalgorithmen gemeinsam Entscheidungsstrategien und deren neuronale Grundlagen formen und gleichzeitig testbare Vorhersagen liefern. Aufbauend auf diesem Rahmen werden wir eine neuartige Foraging-Aufgabe entwerfen, die realistische, multi-zeitskalige Dynamiken integriert. Mithilfe dieser theoriegeleiteten Aufgabe werden unsere Kooperationspartner am Allen Institute Maus-Experimente durchführen und dabei Verhaltens- sowie elektrophysiologische Daten aus mehreren Hirnarealen sammeln. Modellbasierte Analysen dieser Daten ermöglichen es, unsere theoretischen Vorhersagen zu prüfen und zu untersuchen, wie neuronale Schaltkreise Informationen über mehrere Zeitskalen hinweg integrieren, um adaptive Entscheidungen beim Foraging zu steuern. Insgesamt zeigt dieses interdisziplinäre Projekt, wie neuronale, behaviorale und Umwelt-Dynamiken über Zeitskalen hinweg zusammenwirken, um adaptive Foraging-Entscheidungen zu ermöglichen. Kombination von Modellen und theoriegeleiteten Experimenten deckt Prinzipien adaptiver Entscheidungsfindung auf, die Überleben in dynamischen, volatilen Umgebungen sichern.

• DFG-Verfahren: Stelle