Abgeleitete latente Verhaltensstrategien aus der repräsentationalen Geometrie der Aktivität des Präfrontalkortex

Verborgene Pläne im denkenden Gehirn

Wenn Sie einem Rezept folgen oder eine sich ändernde Einkaufsliste im Kopf behalten, muss Ihr Gehirn fortlaufend aktualisieren, was gespeichert und was verworfen werden soll. Forschende wissen, dass wir dafür unterschiedliche innere „Pläne“ verwenden können, selbst wenn das äußere Verhalten identisch wirkt. Diese Studie stellt eine verblüffend einfache Frage: Können wir allein durch die Betrachtung der Gehirnaktivität herausfinden, welchen verborgenen Plan ein Tier benutzt, um Dinge im Gedächtnis zu behalten?

Zwei Wege, die zuletzt gesehene Position zu behalten

Die Forschenden trainierten zwei Affen an einer anspruchsvollen Augenbewegungsaufgabe, die das Arbeitsgedächtnis — die mentale Notizfläche für kurzzeitige Informationen — prüfte. In jedem Durchgang fixierten die Tiere einen zentralen Punkt, während ein rotes Quadrat an einer von vier Positionen erschien und wieder verschwand. Nach kurzer Verzögerung tauchte ein zweiter Gegenstand auf: entweder ein weiterer roter Zielpunkt oder ein grüner Distraktor an einer anderen Stelle. Nach einer zweiten Verzögerung verschwand der zentrale Punkt und gab das Signal, mit den Augen zur Position des zuletzt relevanten Ziels zu schauen. Manchmal war das der zweite Gegenstand; andere Male musste der Distraktor ignoriert und zur Position des ersten Ziels zurückgekehrt werden.

Stilles Tauschen versus konstantes Aktualisieren

Studien am Menschen deuten auf mindestens zwei grundlegende Strategien für solche Aufgaben hin. Bei einer, in der Fachliteratur oft als „retrieve at recall“ bezeichnet, speichert das Gehirn still mehrere Items in separaten internen Fächern, ohne zu entscheiden, welches wichtig ist. Erst wenn ein Hinweis erscheint, holt es das relevante Item hervor und bringt es in ein spezielles „Readout“-Format, das das Verhalten steuert. Bei der anderen, einem „rehearse and update“-Stil, hält das Gehirn das aktuell wichtige Item stets in diesem Readout-Format und aktualisiert es aktiv, sobald neue Informationen eintreffen. Äußerlich können beide Strategien zur gleichen korrekten Augenbewegung führen, sodass das Verhalten allein nicht verrät, welche Strategie eingesetzt wird.

Digitale Gehirne bauen, um echte zu lesen

Um dieses Problem zu lösen, verglich das Team reale neuronale Aktivität in zwei Frontarealen des Gehirns mit der Aktivität von Computermodellen, die jeweils eine der Strategien nutzten. Sie zeichneten Aufnahmen von Neuronen im lateralen Präfrontalkortex auf, der seit langem für das Halten von Informationen bekannt ist, sowie im Präarcuaten Kortex, der bei der Planung von Augenbewegungen hilft. Parallel trainierten sie zahlreiche rekurrente neuronale Netze — künstliche Systeme, deren Aktivität sich im Zeitverlauf entfaltet — für dieselbe Aufgabe. Einige Netze wurden so gesteuert, dass sie wie „retrieve at recall“-Systeme funktionierten und ihre Ausgabe bis zum finalen Moment uninformativ hielten. Andere wurden so gestaltet, dass sie wie „rehearse and update“-Systeme arbeiteten, mit Ausgaben, die sofort das aktuelle Ziel widerspiegelten und sich bei Bedarf änderten.

Die Formen des Denkens lesen

Anstatt einzelne Zellen zu betrachten, untersuchten die Autorinnen und Autoren die Gesamtform, die die Population-Aktivität in einem abstrakten Raum nachzeichnet — ähnlich wie man den Flugpfad eines Vogelschwarmes betrachtet, statt jedes Vogels einzeln. In den Recall-ähnlichen Netzen nahm das Aktivitätsmuster für eine erinnerte Position während der ersten Verzögerung eine Richtung ein und drehte sich kurz vor der Reaktion in eine andere Richtung — ein Hinweis darauf, dass Informationen aus einem verborgenen Speicher in ein Readout-Format überführt wurden. In den Update-ähnlichen Netzen trugen dieselben Richtungen die Ortsinformation über beide Verzögerungen hinweg, mit nur sanften Verschiebungen, wenn sich das relevante Ziel änderte. Der entscheidende Test war, ob die Aktivität im Präfrontalhirn der Affen einem der Muster stärker ähnelte.

Affen offenbaren ihre stille Strategie

Anhand mehrerer Messgrößen stimmten beide Hirnregionen mit dem rehearse-and-update-Stil überein. Die Populationscodes für Positionen blieben über die Zeit stabil, veränderten sich wenig, wenn ein Distraktor erschien, und lagen während des gesamten Versuchs nahezu in derselben „Ebene“ der Aktivität. Dekoder, die auf einer Verzögerungsperiode trainiert wurden, konnten zuverlässig Positionen aus der anderen Phase auslesen — genau wie in den Update-Netzen. Im Gegensatz dazu fehlten die Signaturen von Rotation und Code-Morphing, die in den Recall-Netzen sichtbar waren, größtenteils in den neuronalen Daten. Das deutet darauf hin, dass die Affen in dieser Aufgabe die aktuell wichtige Position aktiv und kontinuierlich aktualisiert halten, statt Optionen still zu speichern und später auszuwählen.

Warum diese versteckte Wahl wichtig ist

Die Arbeit zeigt, dass wir die latente mentale Strategie eines Tieres nicht aus dem Verhalten, sondern aus der Geometrie seiner Gehirnaktivität erschließen können, indem wir sie mit der von sorgfältig entworfenen künstlichen Netzwerken vergleichen. Für den Alltag deutet sie darauf hin, dass unsere Gehirne in einfachen Situationen oft einen fortlaufenden, auf Wiederholung basierenden Ansatz bevorzugen, um das zuletzt Relevante zu verfolgen. Darüber hinaus eröffnet sie einen Weg, zu untersuchen, wie solche inneren Pläne erlernt werden, wie sie sich mit Erfahrung oder Ermüdung ändern und wie verschiedene Hirnregionen zusammenarbeiten, um sie umzusetzen — selbst wenn für Außenstehende nur eine schnelle Augenbewegung sichtbar ist.

Zitation: Qian, Y., Herikstad, R. & Libedinsky, C. Inferring latent behavioral strategy from the representational geometry of prefrontal cortex activity. Nat Commun 17, 2850 (2026). https://doi.org/10.1038/s41467-026-69380-6

Schlüsselwörter: Arbeitsgedächtnis, kognitive Strategie, Präfrontaler Kortex, Neuronale Netzwerke, Entscheidungsfindung