Einblick in das Arbeitsgedächtnis und die Gehirnstruktur
Forschung zeigt, welche Gehirnareale bei der Dynamik des Arbeitsgedächtnisses eine Rolle spielen.
― 6 min Lesedauer
Inhaltsverzeichnis
Arbeitsgedächtnis ist die Fähigkeit, Informationen für kurze Zeit im Kopf zu halten und zu verwalten. Es ist ein wichtiger Teil davon, wie wir denken und Probleme lösen. Forschungen zeigen, dass bestimmte Bereiche im Gehirn, besonders der präfrontale Kortex, wichtig für das Arbeitsgedächtnis sind. Wenn wir uns an etwas erinnern müssen, werden bestimmte Neuronen in diesem Bereich aktiver.
Wissenschaftler haben herausgefunden, dass unterschiedliche Methoden, wie das Schädigen bestimmter Gehirnareale oder deren Stimulation, das Arbeitsgedächtnis beeinflussen. Diese Studien zeigen, dass der präfrontale Kortex entscheidend dafür ist, Erinnerungen aktiv zu halten.
Neuronale Modelle und Bump-Atraktoren
Um zu verstehen, wie das Gehirn Informationen verarbeitet, nutzen Forscher Modelle, die als rekurrente neuronale Netze (RNNs) bekannt sind. Diese Modelle helfen, bestimmte Gehirnprozesse nachzuahmen. Eine Art von RNN ist als Bump-Atraktor-Modell bekannt. Dieses Modell zeigt, wie Gruppen von Neuronen zusammenarbeiten, um Informationen zu behalten.
Bump-Atraktor-Modelle beinhalten Verbindungen zwischen ähnlichen Neuronen, die sich gegenseitig in ihrer Aktivität verstärken. Diese Anordnung deutet auf eine spezielle Struktur im präfrontalen Kortex hin, wo Gruppen von Neuronen bei Gedächtnisaufgaben zusammenarbeiten. Einige Studien deuten sogar darauf hin, dass dieses Bump-Atraktor-Setup auch in anderen kleinen Gehirnen, wie dem einer Fruchtfliege, beobachtet werden kann.
Allerdings ist die Anordnung der Neuronen im Primatengehirn immer noch nicht vollständig verstanden. Um das herauszufinden, entwickelten Forscher Methoden, um das Layout der Neuronen basierend darauf zu schätzen, wie gut Paare von Neuronen sich gegenseitig beeinflussen, was als Rauschkorrelation bezeichnet wird. Diese Messung hilft den Forschern, mehr darüber zu lernen, wie Informationen zwischen Neuronen fliessen und bietet Einblicke in die Struktur des Gehirns.
Analyse von Neuronen bei Affen
In einer Studie mit Makaken trainierten Wissenschaftler die Tiere, Aufgaben zu erledigen, die Arbeitsgedächtnis erforderten. Sie überwachten die Aktivität spezifischer Neuronen in zwei Bereichen des präfrontalen Kortex: dem frontalen Augenfeld (FEF) und dem dorsolateralen präfrontalen Kortex (DlPFC). Durch die Beobachtung der Aktivitätsmuster der Neuronen wollten die Forscher verstehen, wie diese Bereiche das Gedächtnis unterstützen.
Während dieser Aufgaben fanden die Wissenschaftler heraus, dass ein erheblicher Teil der Neuronen in beiden Gehirnregionen aktiv wurde, als die Affen Informationen festhalten mussten. Sie schauten sich genau an, wie die Aktivitätsmuster von Neuronpaaren miteinander zusammenhingen, wobei sie sich besonders auf Paare mit ähnlichen Gedächtnisaufgaben konzentrierten.
Die Forscher wollten sehen, wie oft Paare von Neuronen eine starke Verbindung zeigten und wie viele Neuronen an diesen Verbindungen beteiligt waren. Ausserdem berechneten sie einen Wert namens Fano-Faktor, der hilft anzuzeigen, wie viel Variabilität es in der Neuronenaktivität gibt.
Ergebnisse der Rauschkorrelationsanalyse
Die Analyse ergab, dass im FEF etwa 36 % der Neuronpaare eine signifikante Rauschkorrelation zeigten, während im DLPFC nur 10 % gefunden wurden. Das deutet darauf hin, dass es im FEF mehr kollaborative Aktivität unter den Neuronen gibt als im DLPFC.
Um diese Ergebnisse zu bestätigen, verglichen die Wissenschaftler die Ergebnisse mit einer Reihe von neuronalen Netzwerkmodellen. Sie passten die Modelle an, um die beobachteten Verbindungen aus den Affenstudien zu berücksichtigen, wobei sie sich speziell auf den Prozentsatz der Neuronen mit Bump-Atraktor-Architektur konzentrierten. Die Ergebnisse unterstützten die Annahme, dass im FEF mehr Neuronen mit dieser Architektur vorhanden sind als im DLPFC.
Die Rolle der Architektur in der Gehirnfunktion
Die Unterschiede in den Verbindungstypen der Neuronen könnten erklären, warum die beiden präfrontalen Regionen unterschiedliche Funktionen erfüllen. Das FEF, mit mehr Bump-Atraktor-Verbindungen, konzentriert sich wahrscheinlich mehr auf die Verfolgung von unmittelbaren Aktionen und Reaktionen, während der DLPFC, mit weniger Bump-Atraktor-Verbindungen, komplexere Aufgaben übernimmt, die tiefere Denkprozesse und abstrakte Überlegungen erfordern.
Die Anordnung der Neuronen in diesen Regionen soll beeinflussen, wie Informationen verarbeitet werden. Zum Beispiel könnten hochdimensionale Darstellungen, die komplexere Verbindungen beinhalten, im DLPFC ausgeprägter sein. Daher könnte dieses Gebiet abstraktere Gedanken im Vergleich zum FEF unterstützen.
Weitere Verbindungen erkunden
Forschungen haben gezeigt, dass verschiedene Teile des präfrontalen Kortex einzigartige Muster der Konnektivität aufweisen. Das hintere FEF hat einen höheren Prozentsatz an Bump-Atraktor-Architektur, während der vordere DLPFC niedrigere Prozentsätze aufweist. Das könnte helfen, die funktionalen Unterschiede zwischen diesen Regionen zu erklären.
Während die Forscher weiterhin den präfrontalen Kortex untersuchen, wollen sie klären, wie diese strukturellen Unterschiede Verhalten und Kognition beeinflussen. Sie betonen, dass das Verständnis dieser Verbindungen Licht auf verschiedene kognitive Prozesse werfen kann, einschliesslich Entscheidungsfindung und Planung.
Modelle vereinfachen
Um die komplexen Mechanismen des Gehirns besser zu verstehen, haben Forscher vereinfachte computergestützte Modelle erstellt. Diese Modelle wurden entwickelt, um die Verbindungen im Affengehirn nachzuahmen. Durch Anpassung der Struktur und Beobachtung, wie die Modelle Aufgaben erledigten, konnten die Wissenschaftler testen, wie gut diese Setups mit der beobachteten Aktivität bei den Affen übereinstimmten.
Die Forscher konzentrierten sich auf zwei Arten von Neuronenverbindungen: Bump-Atraktor-Verbindungen und zufällig verbundene Neuronen. Indem sie verschiedene Kombinationen dieser Typen testeten, wollten sie herausfinden, welche Anordnung die biologischen Ergebnisse am besten widerspiegelt.
Modellierungstechniken und Parameter
Mit den Modellen trainierten die Forscher diese, um Aufgaben ähnlich wie die der Affen zu erledigen. Sie wandten statistische Methoden an, um zu analysieren, wie genau die Modelle Ergebnisse basierend auf der Neuronenaktivität vorhersagen konnten. Dieser Ansatz ermöglichte es ihnen, die Effektivität verschiedener Architekturen zu vergleichen und zu verstehen, wie das Arbeitsgedächtnis in echten Gehirnnetzwerken funktionieren könnte.
Verhaltensaufgaben bei Affen
Während der Versuche erfüllten die Affen eine Reihe von Aufgaben, bei denen sie sich die Standorte visueller Stimuli merken mussten. Während sie diese Aufgaben erfüllten, wurden sie basierend auf ihrer Genauigkeit belohnt. Durch das Verfolgen ihrer Augenbewegungen und der Reaktionszeiten verstanden die Forscher, wie Gedächtnis Verhalten beeinflusst.
Die Versuche beinhalteten die Präsentation eines Ziels und dann eines Ablenkungsreizes nach einer Verzögerung. Die Affen mussten sich die Position des Ziels merken und korrekt reagieren, wenn das Signal zum Handeln gegeben wurde. Das Verfolgen ihrer Leistung half, die Rolle des präfrontalen Kortex im Arbeitsgedächtnis zu bestätigen.
Fazit
Dieses Forschungsgebiet hebt die Komplexität der Gehirnarchitektur und die Bedeutung der Neuronenverbindungen hervor. Die Ergebnisse zeigen, dass verschiedene Teile des präfrontalen Kortex unterschiedliche Rollen im Gedächtnis und in der Kognition spielen könnten, basierend auf ihren strukturellen Anordnungen. Während die Wissenschaftler weiterhin diese Unterschiede untersuchen, werden sie mehr darüber herausfinden, wie unsere Gehirne funktionieren und wie Erinnerungen gebildet und aufrechterhalten werden.
Titel: Mixed recurrent connectivity architecture in primate prefrontal cortex
Zusammenfassung: The functional properties of a network depend on its connectivity, which includes the strength of its inputs and the strength of the connections between its units, or recurrent connectivity. Because we lack a detailed description of the recurrent connectivity in the lateral prefrontal cortex of primates, we developed an indirect method to estimate it. This method leverages the elevated noise correlation of mutually-connected units. To estimate the connectivity of prefrontal regions, we trained recurrent neural network models with varying percentages of bump attractor architecture and noise levels to match the noise correlation properties observed in two specific prefrontal regions: the dorsolateral prefrontal cortex and the frontal eye field. We found that models initialized with approximately 20% and 7.5% bump attractor architecture closely matched the noise correlation properties of the frontal eye field and dorsolateral prefrontal cortex, respectively. These findings suggest that the different percentages of bump attractor architecture may reflect distinct functional roles of these brain regions. Specifically, lower percentages of bump attractor units, associated with higher-dimensional representations, likely support more abstract neural representations in more anterior regions.
Autoren: Camilo Libedinsky, E. Sigalas
Letzte Aktualisierung: 2024-07-02 00:00:00
Sprache: English
Quell-URL: https://www.biorxiv.org/content/10.1101/2024.06.30.601443
Quell-PDF: https://www.biorxiv.org/content/10.1101/2024.06.30.601443.full.pdf
Lizenz: https://creativecommons.org/licenses/by-nc/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.