Desegregation of neuronal predictive processing

Wie das Gehirn auf die Zukunft setzt

In jedem Moment schätzt Ihr Gehirn stillschweigend, was als Nächstes geschehen wird – wie sich Ihre Hand anfühlt, wenn sie einen Türgriff berührt, welches Geräusch Ihre Schritte machen sollten oder welches Wort wahrscheinlich als Nächstes in einem Satz kommt. Wenn die Vermutung falsch ist, hilft die Überraschung beim Lernen. Diese Studie stellt eine grundlegende Frage zu diesem Prozess: Gibt es spezielle Zelltypen im Gehirn, die ausschließlich vorhersagen, und andere, die nur Überraschung signalisieren, oder sind diese Aufgaben weiter verteilt? Anhand mathematischer Modelle und tatsächlicher Messdaten aus Mausgehirnen zeigen die Autoren, dass Vorhersage und Überraschung weit stärker verflochten sind als bisher angenommen.

Gehirne als Vorhersagemaschinen

Neurowissenschaftler sehen das Gehirn zunehmend als eine Vorhersagemaschine, die ständig vergleicht, was sie erwartet, mit dem, was tatsächlich über die Sinne eintrifft. Wenn die Welt so reagiert, wie erwartet, wird die Aktivität in vielen sensorischen Bereichen gedämpft; tritt ein unerwartetes Ereignis ein, reagieren bestimmte Zellen stärker und erzeugen das, was Forscher als „Vorhersagefehler“ bezeichnen. Frühere Theorien schlugen klare Verschaltungsdiagramme vor, in denen eine Gruppe von Neuronen die eintreffenden Eindrücke repräsentierte, während eine andere Gruppe die Fehler berechnete. Die meisten Experimente hatten jedoch nur sehr einfache Situationen untersucht, etwa ein Geräusch, das eine Bewegung vorhersagt – weit entfernt von den verschlungenen, vielfach-zu-vielfach Zuordnungen, die in natürlichem Verhalten vorherrschen.

Simulation einer geschäftigen sensorischen Welt

Um realistischere Situationen zu erforschen, bauten die Autoren ein großes Computermodell eines Hirnkreises, der gleichzeitig viele unterschiedliche sensorische und motorische Signale erhält. Das Modell lernt durch wiederholte Konfrontation, welche Ereigniskombinationen typischerweise zusammen auftreten – ähnlich wie ein Tier lernt, dass eine bestimmte Bewegung meist ein bestimmtes Geräusch erzeugt. Wichtig war, dass das Modell so gestaltet wurde, dass es interne Vorhersagen erzeugt und gleichzeitig seine Gesamtaktivität sparsam hält, was dem Bedürfnis des Gehirns nach energieeffizienter Nutzung entspricht. Mit fortschreitendem Lernen unterdrückten die simulierten Neuronen ihre Antworten bei erwarteten Paarungen und reagierten stärker, wenn ein vorhergesagter Partner ausblieb – ein Muster, das auch in Maus-Experimenten beobachtet wurde.

Überraschung ist überall, nicht in einer einzigen Box

Als die Forschenden die „Neuronen“ des Modells genauer betrachteten, entdeckten sie, dass sich Zellen nicht sauber in Vorhersage-Zellen und Fehler-Zellen einteilten. Ein Neuron, das für ein Ereignispaar einen Mismatch signalisierte, konnte sich für ein anderes Paar wie ein einfacher Sinnesmelder verhalten. Je mehr verschiedene Paarungen das Modell lernte, desto häufiger trat dieses Mischen auf, und rein „Fehler-only“-Neuronen wurden selten. Die Autoren werteten anschließend Aufzeichnungen aus dem auditorischen Kortex von Mäusen aus, in denen die Tiere nach dem Drücken eines Hebels einen bestimmten Ton erwarteten, gelegentlich aber veränderte Töne präsentiert bekamen. Das Muster der Antworten über viele Neuronen hinweg zeigte dieselbe Art von Vermischung, wie sie das Modell vorhersagte, und spricht gegen eine ordentliche Trennung von Vorhersage- und Fehlerrollen im echten Gehirn.

Gleichgewicht von Erregung, Hemmung und Komplexität

Die Studie untersucht außerdem, wie das Gleichgewicht von Erregung und Unterdrückung innerhalb von Hirnschaltkreisen Vorhersagen formt. Das Modell trennt den Input jedes Neurons in zwei Teile: direkte sensorische Antriebe und internes Feedback von anderen Neuronen, die Vorhersagen tragen. Wenn diese beiden Einflüsse sich nahezu aufheben, wird das System „balanciert“ und kleine Abweichungen heben sich klarer hervor. Die Autoren zeigen, dass es ein optimales, nicht zu straffes Niveau dieses Gleichgewichts gibt. Mit wachsender Zahl unterschiedlicher gelernter Assoziationen werden die leistungsfähigsten Schaltkreise tatsächlich etwas lockerer balanciert, was hilft, Interferenzen zwischen vielen sich überlappenden Vorhersagen zu vermeiden. Erweitert man das Modell um getrennte exzitatorische und inhibitorische Zellen und geschichtete Ebenen, die der kortikalen Tiefe ähneln, verteilen sich vorhersagerelevante Signale über Zelltypen und Schichten, statt in einem speziellen Ort gespeichert zu sein.

Warum das für das Verständnis von Denken wichtig ist

Im Alltag jonglieren wir gleichzeitig mit zahllosen Erwartungen über Geräusche, Bilder und Bewegungen. Diese Arbeit legt nahe, dass das Gehirn solche reichhaltigen Vorhersagen unterstützt, indem es die Last auf viele Neuronen verteilt, die flexibel Aufgaben teilen, statt starr spezialisierten Zellen Vorhersage oder Fehler zuzuweisen. Sie hebt auch hervor, wie ein sorgfältig abgestimmtes, aber nicht übermäßig striktes Gleichgewicht zwischen exzitatorischen und inhibitorischen Signalen diese Schaltkreise befähigt, viele Assoziationen zu verarbeiten, ohne instabil zu werden. Modellierung und Experimente zusammen zeichnen damit ein Bild des prädiktiven Prozessierens als eines hochgradig verteilten, anpassungsfähigen Codes – ein Konzept, das helfen kann zu erklären, wie Gehirne interne Modelle einer komplexen, sich ständig ändernden Welt aufbauen.

Zitation: Wang, B., Audette, N.J., Schneider, D.M. et al. Desegregation of neuronal predictive processing. Nat Commun 17, 3919 (2026). https://doi.org/10.1038/s41467-026-70347-w

Schlüsselwörter: predictive processing, neuronal circuits, sensory prediction, excitatory inhibitory balance, neural network models