07.03.2019
Wie rechnen Nervenzellen? Dieser fundamentalen Frage sind Neurowissenschaftler um Andreas Herz auf der Spur. Mit einer neuen Methode können die Forscher das komplexe Zusammenspiel in den Nervenfortsätzen besser als bislang entf...
Damit Menschen fühlen, lernen und handeln können, müssen alle Informationen, die sie über ihre Umwelt erhalten, in Nervensignale übersetzt und im Gehirn verarbeitet werden. Dafür empfängt und verrechnet jede Nervenzelle der Großhirnrinde die Signale Tausender anderer Neuronen. „Um die Funktion des Gehirns zu verstehen, ist es essenziell aufzuklären wie Nervenzellen operieren“, sagt Andreas Herz, Professor für Computational Neuroscience. Mit seinem an der LMU und dem Bernstein Zentrum München angesiedelten Team hat Herz nun ein neues Analysewerkzeug entwickelt, um die Berechnungen einzelner Neuronen zu charakterisieren. Wie die Wissenschaftler im Fachmagazin PLoS Computational Biology berichten, hängt die Signalverarbeitung stark davon ab, an welcher Stelle der Zelle der synaptische Input erfolgt.
Perspektivenwechsel
Die spezifischen Berechnungen einer Nervenzelle werden von der geometrischen Form und den biophysikalischen Eigenschaften ihres sogenannten dendritischen Baumes geprägt. Dendriten sind verästelte Fortsätze, die vom Nervenzellkörper ähnlich wie die Zweige eines Baums auswachsen und Kontaktstellen (Synapsen) für andere Zellen bilden. Synaptische Eingänge werden zunächst lokal integriert und dann mit den Ergebnissen anderer lokaler Berechnungen kombiniert bevor sie weitergeleitet werden. „Um solche komplizierten Kaskaden zu analysieren, müssen Forscher mehrere synaptische Eingänge gleichzeitig aktivieren“, sagt Stefan Häusler, der Leiter der Studie. Sowohl experimentell als auch in Computersimulationen wurde dafür in der Regel bislang untersucht, wie sich das Ausgangssignal einer Zelle verändert, wenn ihre Eingänge variiert werden.
Aufgrund der Komplexität der dendritischen Verarbeitungskette ist es jedoch eine Herausforderung, festzustellen, welcher Verarbeitungsschritt eine beobachtete Änderung tatsächlich verursacht hat. „Trotz ihrer grundlegenden Bedeutung für die Gehirnfunktion ist man noch weit davon entfernt, die dendritische Verarbeitung zu verstehen“, sagt Herz. Nun hat der Neurowissenschaftler mit seinem Team einen neuen Ansatz entwickelt: Anstatt wie bisher zu analysieren, wie sich die Zellreaktion bei unterschiedlichen Eingangsreizen ändert, wechselten die Forscher die Perspektive: Sie halten die Reaktion des Neurons konstant. „Dadurch bekommen wir wertvolle Einblicke in das Zusammenspiel der Eingänge“, sagt Florian Eberhardt, der Erstautor der Arbeit: Wenn die Forscher beispielsweise einen linearen Anstieg eines Eingangsreizes durch eine gleich große Verringerung an einer zweiten Stelle ausgleichen müssen, um die Zellreaktion konstant zu halten, lässt dies den Rückschluss zu, dass beide Signale im Dendritenbaum addiert wurde. Wenn dagegen die relativen Änderungen ausgeglichen sein müssen, deutet dies auf eine Multiplikation hin. Die "Iso-Response-Methode" ermöglicht es den Forschern, einzelne Verarbeitungsschritte trotz der enormen Komplexität des dendritischen Baumes zu entwirren.
„Wir haben unsere Methode in Computersimulationen von Pyramidenzellen – das ist der häufigste Zelltyp in der Großhirnrinde – eingesetzt. Damit konnten wir zeigen, dass bestimmte Arten von dendritischen Ästen rein im Feed-Forward-Verfahren arbeiten: Sie leiten das resultierende Signal ohne Rückkopplung nur in eine Richtung weiter“, sagt Häusler. Typischerweise ist dies der Fall, wenn sich die dendritischen Äste in der Nähe des Zellkörpers befinden. Dendritische Äste, die weiter vom Zellkörper entfernt sind, zeigen dagegen komplexeres Verhalten, das auf Rückkopplungseffekte schließen lässt.
„Bisher haben wir uns auf ein etabliertes Computermodell einer Pyramidenzelle konzentriert. Unsere Ergebnisse deuten nun daraufhin, dass die unterschiedlichen Arten dendritischer Äste differenzierte Funktionen übernehmen, je nachdem, wo sie lokalisiert sind.“, sagt Herz. „Im nächsten Schritt wollen wir unseren Ansatz in Experimente integrieren, um die dendritischen Berechnungen realer, biologischer Neuronen zu enthüllen. Das wird unser Verständnis von Hirndynamik und -berechnung systematisch verbessern.PLoS Computational Biology 2019