Brain Networks

Die Leistungen des Gehirns beruhen auf Austausch, Selektion und Integration von Informationen in komplexen Netzwerken von Nervenzellverbänden. Das übergeordnete Ziel unserer Arbeitsgruppe ist es Methoden zu entwickeln, um diese Netzwerke zu untersuchen, zu modellieren und zu verstehen. Dazu werden folgende Themengebiete bearbeitet.

  1. Untersuchung der anatomischen Basis der Netzwerke mit Hilfe von MRT-Methoden, insbesondere diffusionsgewichtetem MRT.

  2. Beschreibung der dynamischen Interaktion zwischen Nervenzellverbänden und den daraus erwachsenen kognitiven Funktionen mit Hilfe von neuronalen Massenmodellen.

  3. Rekonstruktion von elektrischer Hirnaktivität aus elektroenzephalographischen und magnetenzephalographischen Messungen (EEG und MEG) mit Hilfe von Feldberechnungsmethoden.

  4. Modellierung der biophysikalischen Prozesse bei der Anwendung transkranieller magnetischer und elektrischer Stimulation (TMS und TES).

  5. Anwendung der oben genannten Methoden auf die Untersuchung der Mechanismen von Musik- und Sprachverarbeitung im Gehirn.


Einführung

Wie können die erstaunlichen Leistungen des Gehirns auf der Grundlage seiner Anatomie und Physiologie erklärt werden? Schon früh entwickelte sich der Gedanke, dass verschiedene Hirnfunktionen in unterschiedlichen Bereichen und Strukturen des Hirns verankert sind. Dieses Prinzip der funktionellen Segregation ist durch zahlreiche Studien belegt. Beispielsweise weiß man, dass bestimmte Bereiche des Cortex für die Wahrnehmung von Gesichtern, Häusern und anderen Objekten zuständig sind. Allerdings ist das Prinzip der Segregation von Hirnregionen allein nicht in der Lage die funktionelle Komplexität von Hirnfunktionen zu erklären. Wir wissen, dass die psychologischen Funktionen des Menschen in hohem Maße voneinander anhängen und mit einander vernetzt sind. So hängen beispielsweise Handlungen von Wahrnehmungen, Aufmerksamkeit, und emotionalem Status in komplexer Weise ab. Man kann also davon ausgehen, dass funktionelle Integration, also die Vernetzung von funktionellen Prozessen, das zweite wichtige Prinzip für die Funktionsweise des Gehirns ist. Wenn man die Anatomie des Gehirns betrachtet, findet man diese These bestätigt: die Nervenzellen und Nervenzellverbände sind in komplexer Art und Weise durch Nervenfasern miteinander verschaltet. Um zu untersuchen, wie das Gehirn seine Leistungen vollbringt, ist es also notwendig die anatomischen Verbindungsmuster zu untersuchen, Modellvorstellungen für die Interaktion zwischen vernetzten Zellverbänden zu entwickeln, sowie diese Modellvorstellungen mit Hilfe von Beobachtungen und Messungen zu validieren und zu konkretisieren. Wie diese Untersuchungen insbesondere auf nichtinvasive Weise am gesunden Menschen durchgeführt werden, soll im Folgenden beschrieben werden.

Traktographie – die Rekonstruktion des Netzwerkes von Nervenfasern

Um den Verlauf der Nervenfasern und damit das Schaltschema des Gehirns zu ergründen, stehen verschiedene klassische Methoden zur Verfügung. So kann beispielsweise die Ausbreitung von Tracer-Substanzen entlang der Nervenfasern beobachtet oder der Verlauf von Nervenbahnen aus Serien von Polarisationslichtaufnahmen von Gewebeschnitten rekonstruiert werden. Alle diese Methoden können jedoch nur an totem Gewebe oder im Tierversuch angewendet werden, so dass eine direkte Untersuchung der Netzwerke, die den spezifischen kognitiven Fähigkeiten des Menschen zugrunde liegen, nicht oder nur eingeschränkt möglich ist. Vor einigen Jahren wurde jedoch eine Technik entwickelt, die es erlaubt mit Hilfe von Magnetresonanztomographie die richtungsabhängige Diffusion von Wassermolekülen zu messen – die so genannte diffusionsgewichtete Magnetresonanztomographie. Da die thermische Bewegung von Teilchen im biologischen Gewebe durch Barrieren, wie etwa Zellmembranen und Myelinscheiden, behindert wird, erlaubt eine solche Messung Rückschlüsse über die Orientierung der Nervenfasern in einem bestimmten Bereich. Mit Hilfe einer mathematischer Modellierungstechnik, der so genannten Traktographie, ist es möglich den Verlauf von Nervenbahnen zu rekonstruieren [1-7]. Mit dieser Methodik ist es also möglich, im lebenden menschlichen Gehirn die anatomische Vernetzung der Hirnareale abzubilden. So konnten beispielsweise separate Hirnnetzwerke für die Verarbeitung verschiedener Grammatikformen rekonstruiert sowie die Entwicklung des Sprachnetzwerkes und die spezifische Interaktion zwischen auditorischer und visueller Perzeption untersucht werden [8-10]. Weiterhin kann man Unterschiede in der Ausprägung der Faserbahnen in Verbindung mit bestimmten Krankheiten oder mit bestimmten besonderen Fähigkeiten quantifizieren. Schließlich bietet die Kenntnis des Faserverlaufs die Möglichkeit, für jeden Abschnitt der Hirnrinde ein spezifisches Verbindungsmuster zu berechnen. Wenn man davon ausgeht, dass die Verbindungen eines bestimmten Hirnabschnitts zu anderen Teilen des Gehirns entscheidend für die Funktion dieses Abschnitts sind, kann man aus dem Vergleich dieser Verbindungsmuster Rückschlüsse auf die Einteilung der Hirnrinde in funktionelle Einheiten ziehen. Man spricht dann von funktio-anatomischer Parzellierung [11-14]. Eine detaillierte Behandlung dieses Themas findet sich in [13]. Mit Hilfe der Traktographie sind wir also in der Lage, die anatomischen Aspekte von sowohl Segregation (durch Erstellen von funktio-anatomischen Parzellierungen) als auch Integration, (durch Berechnung der Verbindungsstärke) aufzuklären. Von entscheidender Bedeutung ist, dass wir dies im lebenden Menschen auf nichtinvasive Weise tun können und daher in der Lage sind diese Information mit spezifisch menschlichen Hirnleistungen in Verbindung zu bringen.

Modelle interagierender Nervenzellen

Die Existenz anatomischer Verbindungen zwischen Nervenzellverbänden trifft lediglich eine Aussage über die Möglichkeit des direkten Austauschs von Informationen. Um zu untersuchen, ob und auf welche Weise diese Hirnareale tatsächlich miteinander interagieren, werden mathematische Modelle herangezogen. Um diese Modelle handhabbar zu halten und gleichzeitig die wesentlichen dynamische Eigenschaften des Nervengewebes zu beschreiben, verwendet man sogenannte Neuronale Massenmodelle bzw. Neuronale Feldmodelle, bei denen jeweils viele gleichartige Neuronen zusammengefasst und durch ein einfaches Modell repräsentiert werden, das die Relation zwischen gemitteltem Input und gemitteltem Output beschreibt. Eine hervorstechende Eigenschaft dieser Modelle ist, dass sie Messungen, zum Beispiel mit Hilfe der Elektroenzephalographie, der Magnetenzephalographie oder der funktionellen Magnetresonanztomographie, voraussagen können [15-17]. Es handelt sich daher um generative Modelle und es ist umgekehrt möglich, die freien Parameter der Modelle, wie zum Beispiel Verbindungsstärken zwischen Hirnarealen, aus gemessenen Daten zu schätzen [15]. Auf dieser Grundlage gelingt es stimulations- oder verhaltensabhängige Messwertevariationen in neuropsychologischen Experimenten auf der Ebene neuronaler Mechanismen abzubilden. Diese Technik wird als Dynamic Causal Modelling bezeichnet. So ist es gelungen, die Wahrnehmung von Abweichungen in einem gleichförmigen Strom von Reizen mit Hilfe selbstorganisierender Interaktionen innerhalb einer Hierarchie von kortikalen Nervenzellverbänden zu erklären [18].

Multimodale Modellierung

Das Ziel der Forschung in der Arbeitsgruppe “Brain Networks” am Max-Planck-Institut für Kognitions- und Neurowissenschaften ist es, die beschriebenen Modelle für die dynamische Interaktion von Nervenzellverbänden mit Information zur anatomischen Vernetzung des Gehirns, gewonnen aus diffusionsgewichteter Magnetresonanztomographie, mit funktionellen Kernspindaten, mit elektro- und magnetenzephalographischen Messungen, und schließlich mit menschlicher Wahrnehmung und Verhalten zu verbinden. Auf diese Weise wird ein sehr mächtiges Instrument zur Erforschung jener biologischen Mechanismen geschaffen, die die Grundlage der kognitiven Funktionen des Menschen bilden.

Literaturhinweise

[1] T.R. Knösche, A. Anwander, M. Liptrot, T.B. Dyrby: Validation of tractography – comparison with manganese tracing. Human Brain Mapping 36(10):4116-34 (2015)

[2] T. Riffert, J. Schreiber, A. Anwander, T.R. Knösche: Beyond fractional anisotropy: extraction of bundle-specific structural metrics from crossing fiber models. NeuroImage 100, 176–191 (2014)

[3] J. Schreiber, T. Riffert, A. Anwander, T.R. Knösche: Plausibility Tracking: A method to evaluate anatomical connectivity and microstructural properties along fiber pathways.  NeuroImage 90, 163-178 (2014)

[4] D.K. Jones, T.R. Knösche, R. Turner: White matter integrity, fiber count, and other fallacies: the do’s and don’t’s of diffusion MRI. NeuroImage 73, 239-54 (2013)

[5] R.M. Heidemann, A. Anwander, T. Feiweier, T.R. Knösche, R. Turner: k-space and q-space: Combining ultrahigh spatial and angular resolution in diffusion imaging using ZOOPPA at 7T. NeuroImage 60(2), 967-978 (2012)  

[6] M. Descoteaux, R. Deriche, T.R. Knösche, A. Anwander: Deterministic and probabilistic tractography based on complex fiber orientation distributions, IEEE Transactions on Medical Imaging 28, 269-286 (2009)

[7] E. Kaden, T.R. Knösche, A. Anwander: Parametric spherical deconvolution: Inferring anatomical connectivity using diffusion MR imaging, NeuroImage 37, 474-488 (2007)

[8] A.D. Friederici, J. Bahlmann, S. Heim, R.I. Schubotz, A. Anwander: The brain differentiates human and non-human grammars: Functional localization and structural connectivity. Proceedings of the National Academy of Sciences of the United States of America 103(7), 2458-2463 (2006)

[9] J. Brauer, A. Anwander, A. D. Friederici: Neuroanatomical prerequisites for language functions in the maturing brain. Cerebral Cortex 21(2), 459-466 (2011)

[10] H. Blank, A. Anwander, K. von Kriegstein, K. (2011). Direct structural connections between voice and face-recognition areas. The Journal of Neuroscience 31(36), 12906-12915 (2011)

[11] D. Moreno-Dominguez, A. Anwander, T.R. Knösche: A Hierarchical Method for Whole-Brain Connectivity-Based Parcellation. Human Brain Mapping 35, 5000–5025 (2014)

[12] M. Ruschel, T.R. Knösche, A.D. Friederici, R. Turner, S. Geyer, A. Anwander: Connectivity architecture and subdivision of the human inferior parietal cortex revealed by diffusion MRI. Cerebral Cortex 24(9): 2436-2448 (2014)

[13] T.R. Knösche and M. Tittgemeyer: The role of long-lange connectivity for the characterization of the functional-anatomical organization of the cortex, Frontiers in System Neuroscience 5:58. (Epub 2011)

[14] A. Anwander, M. Tittgemeyer, A.D. Friederici, D.Y. von Cramon, T.R. Knösche: Connectivity-based cortex parcellation of Broca’s area, Cerebral Cortex 17(4), 816-825 (2007)

[15] 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)

[16] 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)

[17] 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)

[18] M.I. Garrido, K.J. Friston, S.J. Kiebel, K.E. Stephan, T. Baldeweg, J.M. Kilner: The functional anatomy of the MMN: A DCM study of the roving paradigm. NeuroImage 42 (2), 936-944 (2008)

Zur Redakteursansicht