Einleitung
Eine Maus läuft auf einem Laufband, das in einen Korridor der virtuellen Realität eingebettet ist. Vor seinem geistigen Auge sieht er sich selbst einen Tunnel entlang huschen, vor dem sich ein markantes Lichtmuster befindet. Durch Training hat die Maus gelernt, dass sie, wenn sie an der Ampel anhält und diese Position 1.5 Sekunden lang hält, eine Belohnung erhält – einen kleinen Schluck Wasser. Dann kann es zu einer anderen Ampel eilen, um eine weitere Belohnung zu erhalten.
Dieses Setup ist die Grundlage für die Forschung veröffentlicht im Juli in Cell Reports von den Neurowissenschaftlern Eli Adam, Taylor Johns machen Mriganka Sur des Massachusetts Institute of Technology. Es geht einer einfachen Frage nach: Wie funktioniert das Gehirn – bei Mäusen, Menschen und anderen Säugetieren – schnell genug, um uns auf einen Cent zu stoppen? Die neue Arbeit zeigt, dass das Gehirn nicht darauf ausgelegt ist, einen scharfen „Stopp“-Befehl auf direkteste oder intuitivste Weise zu übermitteln. Stattdessen verwendet es ein komplizierteres Signalisierungssystem, das auf Prinzipien des Kalküls basiert. Diese Anordnung mag übermäßig kompliziert klingen, ist aber eine überraschend clevere Methode, um Verhaltensweisen zu steuern, die präziser sein müssen, als es die Befehle des Gehirns sein können.
Die Kontrolle über die einfache Mechanik des Gehens oder Laufens ist ziemlich einfach zu beschreiben: Die mesenzephale Bewegungsregion (MLR) des Gehirns sendet Signale an Neuronen im Rückenmark, die hemmende oder erregende Impulse an Motoneuronen senden, die die Beinmuskulatur steuern: Stop . Gehen. Halt. Gehen. Jedes Signal ist eine Spitze elektrischer Aktivität, die von den feuernden Sätzen von Neuronen erzeugt wird.
Die Geschichte wird jedoch komplexer, wenn Ziele eingeführt werden, beispielsweise wenn ein Tennisspieler zu einer genauen Stelle auf dem Platz rennen möchte oder eine durstige Maus einen erfrischenden Preis in der Ferne betrachtet. Biologen wissen schon lange, dass Ziele in der Großhirnrinde des Gehirns Gestalt annehmen. Wie übersetzt das Gehirn ein Ziel (hör auf zu rennen, damit du eine Belohnung bekommst) in ein genau getimtes Signal, das dem MLR sagt, auf die Bremse zu treten?
„Menschen und Säugetiere haben außergewöhnliche Fähigkeiten, wenn es um die sensomotorische Kontrolle geht“, sagt er Sridevi Sarma, Neurowissenschaftler an der Johns Hopkins University. „Seit Jahrzehnten erforschen Menschen, was unser Gehirn so agil, schnell und robust macht.“
Der Schnellste und der Furriesigste
Um die Antwort zu verstehen, überwachten die Forscher die neuronale Aktivität im Gehirn einer Maus und bestimmten, wie lange das Tier brauchte, um von der Höchstgeschwindigkeit bis zum Stillstand abzubremsen. Sie erwarteten einen hemmenden Signalstoß im MLR, der die Beine fast augenblicklich stoppen würde, wie ein elektrischer Schalter, der eine Glühbirne ausschaltet.
Aber eine Diskrepanz in den Daten untergrub diese Theorie schnell. Sie beobachteten ein „Stopp“-Signal, das in das MLR floss, während die Maus langsamer wurde, aber die Intensität stieg nicht schnell genug an, um zu erklären, wie schnell das Tier anhielt.
„Wenn Sie nur Stoppsignale nehmen und sie in das MLR einspeisen, wird das Tier anhalten, aber die Mathematik sagt uns, dass der Stopp nicht schnell genug sein wird“, sagte Adam.
"Der Kortex bietet keinen Schalter", sagte Sur. „Wir dachten, das würde der Cortex tun, mit einem schnellen Signal von 0 auf 1 gehen. Das tut es nicht, das ist das Rätsel.“
Die Forscher wussten also, dass ein zusätzliches Signalsystem am Werk sein musste.
Um es zu finden, betrachteten sie erneut die Anatomie des Mausgehirns. Zwischen dem Kortex, aus dem die Ziele stammen, und der MLR, die die Fortbewegung steuert, befindet sich eine weitere Region, der Nucleus subthalamicus (STN). Es war bereits bekannt, dass das STN über zwei Wege mit dem MLR verbunden ist: Einer sendet erregende Signale und der andere hemmende Signale. Die Forscher erkannten, dass die MLR auf das Zusammenspiel zwischen den beiden Signalen reagiert, anstatt sich auf die Stärke eines der beiden zu verlassen.
Während sich die sprintende Maus darauf vorbereitet, anzuhalten, empfängt das MLR ein hemmendes Signal vom STN. Fast unmittelbar danach erhält es auch ein Erregungssignal. Jedes Signal kommt langsam an – aber der Wechsel zwischen ihnen ist schnell, und darauf achtet der MLR: Er registriert die Differenz zwischen den beiden Signalen. Je größer der Unterschied, desto schneller ändert sich das Hemmsignal und desto schneller befiehlt die MLR den Beinen, anzuhalten.
„Es gibt keine Informationen über die Höhe der Stacheln“, sagte Sur. „Alles liegt im Intervall zwischen den Spikes. Da die Spitzen scharf sind, kann das Intervall Informationen enthalten.“
Scharfe Kurve voraus
Die Forscher formten den Stoppmechanismus in Bezug auf zwei Grundfunktionen der Analysis: Integration, die die Fläche unter einer Kurve misst, und Ableitung, die die Steigung an einem Punkt auf einer Kurve berechnet.
Wenn das Stoppen nur davon abhängen würde, wie viel von einem Stoppsignal die MLR erhielt, dann könnte man es als eine Form der Integration betrachten; es würde auf die Quantität des Signals ankommen. Tut es aber nicht, denn Integration allein reicht für eine schnelle Regelung nicht aus. Stattdessen akkumuliert das MLR die Differenz zwischen den beiden gut getimten Signalen, was die Art und Weise widerspiegelt, wie eine Ableitung berechnet wird: indem die Differenz zwischen zwei infinitesimal nahen Werten verwendet wird, um die Steigung einer Kurve an einem Punkt zu berechnen. Die schnelle Dynamik der Ableitung hebt die langsame Dynamik der Integration auf und ermöglicht einen schnellen Stopp.
„Es gibt ein Erregungssignal und ein Hemmungssignal, und die beiden werden sofort verglichen“, sagte Sur. „Wenn dieser Wert einen bestimmten Wert erreicht, wird ein Schalter umgelegt, der das Tier zum Stoppen bringt.“
Dieses derivatbasierte Steuerungssystem mag indirekt klingen, ist aber strategisch sinnvoll. Wenn sich eine Maus, die durch die virtuelle Realität navigiert, oder ein Tennisspieler, der über einen Platz rast, einem Haltepunkt nähert, kann es nützlich sein, zu wissen, wie schnell er fährt. Aber um zu planen, was sie als nächstes tun müssen, ist es für sie nützlicher zu wissen, wie schnell sie beschleunigen oder verlangsamen – die abgeleitete Funktion ihrer Bewegung.
„Es ermöglicht Ihnen, vorauszusehen und vorherzusagen. Wenn ich die Ableitung kenne, die Änderungsrate der Geschwindigkeit, dann kann ich vorhersagen, wie meine Geschwindigkeit beim nächsten Schritt sein wird“, sagte Sarma. „Wenn ich weiß, dass ich aufhören muss, kann ich das planen und umsetzen.“
