Neuronale Massenmodelle kortikaler Schaltkreise
Entwicklung neuronaler Massenmodelle zur Beschreibung beobachtbarer neurophysiologischer Phänomene (z.B. Resonanz, spontane und evozierte Hirnaktivität, auditorische Habituation) sowie Erklärung kognitiver Funktionen (z.B. Gating, Priming, Arbeitsgedächtnis, Erkennen von Regelmäßigkeit und Veränderung).
Kognition entsteht aus hierarchisch organisierten kortikalen und subkortikalen Funktionen, die in einem Netzwerk nicht spezialisierter neuronaler Schaltkreise implementiert sind. Das Verständnis kortikaler Funktionen und neuronaler Schaltkreise beruht auf der begrenzten Information, die durch Messungen (Verhaltensdaten, strukturelle und funktionelle Bildgebung, EEG/MEG, zelluläre Messungen) zur Verfügung steht. Modellierungstechniken helfen dabei, diese Daten zueinander in Beziehung zu setzen und insbesondere die Struktur-Funktions-Beziehung zu verstehen (Abb. 1). Unsere Untersuchungen betreffen 3 Themenkomplexe. Erstens wird die Dynamik der Interaktion zwischen neuronalen Populationen untersucht (z.B. Bifurkationsanalyse) [1]. Zweitens werden neuronale Massenmodelle verwendet um beobachtbare neurophysiologische Phänomene zu erklären, wie Resonanz [2], spontane und evozierte Hirnaktivität [3,8] und auditorische Habituation [4]. Drittens werden die Modelle zur mechanistischen Erklärung kortikaler kognitiver Basisfunktionen (z.B., Gating, Priming, Arbeitsgedächtnis, Erkennen von Regelmäßigkeiten und Veränderungen) verwendet, welche als Bausteine für höhere kognitive Funktionen (z.B. Sprache) dienen [5,6,7]. Unsere Modelle dienen also nicht nur der Reproduktion beobachteter Daten (z.B. EEG oder MEG), sondern liefern auch Hypothesen zur biologischen Realisierung kognitiver Funktionalität, welche in zukünftigen Experimenten getestet und verfeinert werden können. Die Modelle können auf einfache Art und Weise im Softwarepaket pyRates [9] implementiert werden. Dies ist ein auf Python basierter Simulator, der fortschrittliche Funktionalität, wie etwa Parallelisierung, bietet.
[1] A. Spiegler, S. Kiebel, F. Atay, T.R. Knösche: Bifurcation analysis of neural mass models: impact of extrinsic inputs and dendritic time constants. NeuroImage 52(3), 1041-1058 (2010)
[2] A. Spiegler, T.R. Knösche, K. Schwab, J. Haueisen, F.M. Atay: Modeling brain resonance phenomena using a neural mass model, PLoS Computational Biology 7(12) (2011)
[3] M.N. Trong, I. Bojak, T.R. Knösche: Associating spontaneous with evoked activity in a neural mass model of visual cortex. NeuroImage 66, 80-87 (2013)
[4] P. Wang, T.R. Knösche: A realistic neural mass model of the cortex with laminar-specific connections and synaptic plasticity – evaluation with auditory habituation, PLoS ONE 8(10) e77876 (2013)
[5] T. Kunze, A.D. Peterson, J. Haueisen, T.R. Knösche: A model of individualized canonical microcircuits supporting cognitive operations. PloS ONE, 12(12) (2017)
[6] T. Kunze, J. Haueisen, T.R. Knösche: Emergence of cognitive priming and structure building from the hierarchical interaction of canonical microcircuit models. Biological cybernetics, 113(3), 273-291 (2019)
[7] S.C. Chien, B. Maess, T.R. Knösche: A generic deviance detection principle for cortical On/Off responses, omission response, and mismatch negativity. Biological cybernetics 113(5-6), 475-494 (2019)
[8] H. Finger, R. Gast, C. Gerloff, A.K. Engel, P. König: Probing neural networks for dynamic switches of communication pathways. PLoS Computational Biology, 15(12) (2019)
[9] R. Gast, D. Rose, C. Salomon, H.E. Möller, N. Weiskopf, T.R. Knösche: PyRates—A Python framework for rate-based neural simulations. PloS ONE, 14(12) (2019)