Modelle zur Übersetzung und Überbrückung verschiedener Spezies

Verhalten quantifizieren und neuronale Feuermodi vorhersagen

Ressourcenmobilisierung

In diesem werkstattübergreifenden Projekt nutzen wir computergestützte Modellierung, um die Grundlagen für die Übertragung unseres mechanistischen Verständnisses von Nagetieren auf nicht-menschliche Primaten und Menschen (in Zusammenarbeit mit der DECODE-Plattform) zu schaffen.

Zunächst werden wir gemeinsame Ansätze entwickeln, die in allen Projekten zur Quantifizierung von artübergreifendem Verhalten verwendet werden. Kürzlich entwickelte Methoden zur Videoanalyse, insbesondere Modelle zur Positionsschätzung und Verhaltensklassifizierung, machen die Quantifizierung von Verhalten präziser, skalierbarer und reproduzierbarer. Durch unsere bisherige Arbeit haben wir die seit langem bestehenden Einschränkungen der manuellen Auswertung von Videobildern überwunden. Wir haben bereits mehrere Ansätze zur Videoverfolgung mittels optischem Fluss angewandt. Der von uns entwickelte Algorithmus VAME verwendet selbstüberwachende Deep-Learning-Modelle, um die gesamte Bandbreite der Verhaltensdynamik auf der Grundlage der Tierbewegungen aus den Positionsdaten abzuleiten (mit DeepLabCut oder vergleichbaren Ansätzen). Zum Lernen eines generativen Modells wird das Variations-Autoencoder-Verfahren verwendet. Ein Encoder-Netzwerk lernt eine Repräsentation aus dem ursprünglichen Datenraum in einen latenten Raum. Ein Decoder-Netz lernt, Stichproben aus diesem Raum zurück in den ursprünglichen Datenraum zu dekodieren. Encoder und Decoder werden mit wiederkehrenden neuronalen Netzen parametrisiert. Nach dem Training wird der gelernte latente Raum durch ein Hidden-Markov Model parametrisiert, um Verhaltensmotive zu erhalten.

Als nächstes werden wir geteilte Modelle mit vollständiger Morphologie für einzelne Neuronen und einfache Modelle für einzelne Schaltkreise erstellen, um thermische und mechanische Effekte auf neuronale Input-Output-Transformationen vorherzusagen. In früheren Arbeiten wurde beispielsweise beschrieben, wie morphologische Veränderungen von CA1-Pyramidenneuronen eine veränderte synaptische Integration und einen Wechsel des Feuermodus erklären können, indem sie die elektrischen Eigenschaften von Neuronen in einem Mausmodell für AD-bedingte kognitive Dysfunktion verändern.
Diese Modelle integrieren die Eigenschaften von Ionenkanälen, dendritischen Fasern und synaptischer Leitfähigkeit sowie die elektrischen Eigenschaften von Membranen (z. B. Piezo-Kanäle). Sie werden uns über die zu erwartende Temperaturabhängigkeit der neuronalen Feuermodiübergänge und der Bildung synaptischer Plastizität (Engramme) informieren. Darüber hinaus werden wir Modelle erstellen, die eine Abstimmung der Reizstärke auf der Grundlage der Gewebeerwärmung und -ausbreitung ermöglichen, welches durch MR-basierte Thermometrieansätze bei Nagetieren (9,4-T-Kleintierscanner) und Menschen bestätigt werden soll. Unser Ziel ist es, die Daten von Nagetieren auf größere Skalen zu extrapolieren, um Effekte vorherzusagen und invasive und nicht-invasive Neurostimulationsanwendungen bei nicht-menschlichen Primaten und Menschen zu verbessern.