Globales Fehlersignal steuert lokale Optimierung bei Abweichungsberechnung

Warum unser Gehirn bei den eigenen Aktionen nicht zusammenzuckt

Wenn Sie eine Maus klicken, um ein Lied abzuspielen, überrascht Sie der darauf folgende Ton nicht. Beginnt die Musik jedoch plötzlich ohne Ihr Zutun, zieht sie sofort Ihre Aufmerksamkeit auf sich. Dieser alltägliche Unterschied zwischen erwarteten und unerwarteten Sinneseindrücken beruht auf der Fähigkeit des Gehirns, die sensorischen Folgen eigener Bewegungen vorherzusagen und nur die Abweichungen hervorzuheben. In diesem Paper wird untersucht, wie neuronale Netzwerke solche Vergleiche zuverlässig erlernen können und was schiefgeht, wenn dieses Lernen gestört ist.

Wie das Gehirn seine eigene sensorische Welt vorhersagt

Wissenschaftler wissen seit langem, dass das Gehirn eine interne Kopie von Bewegungsbefehlen — eine sogenannte korolläre Entladung — an sensorische Bereiche sendet. Dieses Signal enthält eine Vorhersage dessen, was wir beim Bewegen sehen oder hören sollten. Stimmt der eingehende Reiz aus der Außenwelt mit dieser Vorhersage überein, werden die sensorischen Reaktionen gedämpft; stimmt er nicht überein, reagieren bestimmte Neuronen stark und signalisieren einen Prädiktionsfehler. Die Autoren konzentrieren sich auf zwei Arten solcher Neuronen: solche, die ansprechen, wenn der Reiz stärker ist als vorhergesagt (positiver Prädiktionsfehler), und solche, die ansprechen, wenn die Vorhersage stärker ist als der tatsächliche Reiz (negativer Prädiktionsfehler). Zusammen ermöglichen sie dem Gehirn, sowohl fehlende als auch unerwartete Sinneseindrücke zu erkennen, etwa ein ausbleibendes Geräusch bei einer Handlung oder ein Geräusch ohne passende Bewegung.

Ein globales Lehrsignal für lokale Verdrahtung

Auf den ersten Blick scheint die Berechnung einer Abweichung einfach: Vorhersage vom Reiz subtrahieren und den Betrag nehmen. Doch echte kortikale Schaltkreise stehen vor mehreren Hürden. Langreichweitige Verbindungen zwischen Gehirnarealen sind überwiegend erregend, während lokale inhibitorische Zellen nötig sind, um Eingänge zu kompensieren. Außerdem feuern Neuronen im sensorischen Kortex in der Regel mit niedrigen Basisraten, was die Darstellung sowohl positiver als auch negativer Abweichungen erschwert. Der zentrale Vorschlag dieser Arbeit ist eine biologisch plausible „Drei-Faktoren“-Lernregel, die lokalen inhibitorischen Synapsen erlaubt, sich mithilfe eines einzigen globalen Lehrsignals umzubauen. Dieses Signal, das vermutlich von Neuromodulatoren wie Noradrenalin aus dem Hirnstamm getragen wird, spiegelt die Gesamtgröße der Abweichung wider, ohne wissen zu müssen, welche spezifische Synapse sie verursacht hat.

Wie lokale Schaltkreise Überraschung erlernen zu signalisieren

Im Modell erhält jede Pyramidenzelle sowohl Reiz- als auch Vorhersageeingänge sowie Hemmung, die über lokale Interneurone geleitet wird. Anfangs ist die Hemmung annähernd gleichförmig und kann die richtigen Eingänge nicht ausgleichen, sodass erwartete Ereignisse weiterhin starke Reaktionen hervorrufen. Während des Lernens, wenn Vorhersage und Reiz meist übereinstimmen, hat das globale Signal ein Vorzeichen und treibt eine Hebb-ähnliche Anpassung an, die die gesamte Erregung und Hemmung ausbalanciert und das System auf eine „langsame Lern“-Linie drängt, auf der die Gesamtaktivität in erwarteten Bedingungen niedrig ist. Bei selteneren Abweichungsdurchgängen kehrt sich das Vorzeichen des globalen Signals um, und dieselbe lokale Regel wirkt anti-Hebbisch, wodurch die synaptischen Gewichte entlang dieser Linie verschoben werden, bis sich jede Zelle spezialisiert hat. Eine Untergruppe wird zu positiven Prädiktionsfehler-Neuronen, die vor allem dann erregt werden, wenn der Reiz die Vorhersage übertrifft; eine andere wird zu negativen Prädiktionsfehler-Neuronen, die reagieren, wenn die Vorhersage den Reiz übersteigt. Die Autoren zeigen mathematisch, dass diese einfache Regel auf dieselbe optimale Lösung konvergiert wie Gradientenabstieg, jedoch nur mit biologisch realistischen Zutaten.

Verbindung des Modells mit realen Hirndaten

Die Forschenden gehen anschließend von vereinfachten Einheiten zu realistischeren Neuronenmodellen über und prüfen, ob die gelernten Schaltkreise bekannte Experimente an Mäusen reproduzieren. In einem Paradigma lernen Mäuse, dass Laufen auf einem Laufband visuelle Bewegung verursacht; später führt ein kurzes Anhalten der visuellen Szene während der Bewegung zu einer starken Abweichungsantwort im visuellen Kortex. Das Modell zeigt dasselbe Muster: Nach dem Lernen ist die Aktivität bei erwarteter Bewegung unterdrückt, während plötzliche Pausen große Reaktionen hervorrufen, besonders in negativen Prädiktionsfehler-Neuronen, die normalerweise durch visuellen Input zurückgehalten werden. Wenn die Autoren verschiedene Klassen inhibitorischer Zellen stören oder NMDA-Rezeptoren blockieren, die Plastizität unterstützen, verschlechtert sich die Fähigkeit des Netzwerks, Abweichungen zu signalisieren, auf Weisen, die mit pharmakologischen und optogenetischen Befunden übereinstimmen. Schließlich sagt das Modell voraus, dass sich nach dem Lernen Neuronen in zwei Gruppen aufspalten sollten, mit entgegengesetzten Korrelationen zu Reiz- und Vorhersagestärke. Eine Reanalyse vorhandener Mausdaten bestätigt dies: Nur Tiere mit korrekter Bewegung–Visions-Kopplung zeigen ein klares bimodales Muster, konsistent mit getrennten Populationen positiver und negativer Prädiktionsfehler.

Warum das für Wahrnehmung und psychische Gesundheit wichtig ist

Die Studie stützt eine vereinheitlichende Sicht, in der eine globale, gehirnweite Fehlerübertragung sehr spezifische lokale Verbindungen feinjustiert, sodass sensorische Bereiche darin geübt werden, das Vorhersehbare auszublenden und das Überraschende hervorzuheben. Im Alltag macht das unsere Wahrnehmung stabil während eigener Bewegungen und hält uns zugleich empfindlich für unerwartete Ereignisse. Dieselbe Mechanik kann auch höhere Hirnregionen von detaillierter Vorhersagearbeit entlasten und kognitive Ressourcen freigeben, sobald Fertigkeiten erlernt sind. Da Störungen der korollären Entladung und der Prädiktionsfehlersignalisierung mit Halluzinationen und Wahnvorstellungen in Verbindung gebracht wurden, bietet der vorgeschlagene Mechanismus zudem einen konkreten neuronalen Schaltkreisrahmen, um zu verstehen, wie solche Symptome entstehen könnten, wenn inhibitorisches Lernen oder neuromodulatorische Fehlersignale aus dem Takt geraten.

Zitation: Meng, J.H., Wang, XJ. Global error signal guides local optimization in mismatch calculation. Nat Commun 17, 3868 (2026). https://doi.org/10.1038/s41467-026-70354-x

Schlüsselwörter: prädiktive Kodierung, Korolläre Entladung, inhibitorische Plastizität, Neuromodulation, Prädiktionsfehler-Neuronen