Wettbewerbliche Interaktionen formen die Dynamik und Berechnung von Säuger-Gehirnnetzwerken

Warum das für das Verständnis des Geistes wichtig ist

Gehirne werden oft als harmonische Netze von Aktivität dargestellt, in denen Regionen zusammenarbeiten, um zu denken, zu fühlen und zu handeln. Tatsächlich sind reale Gehirne jedoch auch von Gegenspiel geprägt: Einige Bereiche verstärken einander, während andere in entgegengesetzte Richtungen ziehen. Diese Studie fragt, wie dieses verborgene Tauziehen die Funktionsweise von Säugerhirnen – einschließlich Mensch, Makake und Maus – tatsächlich beeinflusst, und zeigt, dass Wettbewerb zwischen Hirnregionen kein Fehler, sondern ein entscheidendes Merkmal ist, das die Gehirnaktivität realistischer, individueller und rechenstärker macht.

Wie die Verschaltung des Gehirns Kooperation und Rivalität lenkt

Die Autoren beginnen mit einem einfachen Rätsel: Das strukturelle Verschaltungsdiagramm des Gehirns, das Connectom, sagt größtenteils nur, wo Fasern verlaufen, nicht aber, ob diese Verbindungen als freundliche Verstärker oder als gegensätzliche Hemmer wirken. Die meisten großskaligen Gehirnmodelle gehen stillschweigend davon aus, dass, wenn eine verbundene Region aktiver wird, sie tendenziell auch ihre Partner anregt. Die Biologie ist jedoch voller kompetitiver Interaktionen – von inhibitorischen Neuronen in lokalen Schaltkreisen bis hin zu ausgleichender Rückkopplung in Ökosystemen und sozialen Netzwerken. Das Team baut daher ein Ganzhirnmodell, das jeder Fernverbindung einen positiven (kooperativen) oder negativen (kompetitiven) Einfluss zuweisen kann, und untersucht, welche Mischung die mit funktionellem MRT gemessenen Aktivitätsmuster bei Menschen, Makaken und Mäusen am besten reproduziert.

Virtuelle Gehirne aus realer Anatomie aufbauen

Dafür verwenden die Forscher ein übliches mathematisches Arbeitsmodell in der Netzwerkneurowissenschaft: ein Set nichtlinearer Oszillatoren, die nahe einem Kipppunkt arbeiten, einer pro Hirnregion. Diese Oszillatoren erzeugen von Natur aus schwankende, rhythmisierte Signale ähnlich den langsamen Wellen, die im fMRT sichtbar sind – weder völlig zufällig noch vollkommen regelmäßig. Sie koppeln die Oszillatoren gemäß den strukturellen Verbindungen der jeweiligen Spezies – aus menschlicher Diffusions-MRT, Makaken-Daten, die Faserverfolgung und Bildgebung kombinieren, und reiner Faserverfolgung bei Mäusen – und passen dann iterativ Stärke und Vorzeichen dieser vorhandenen Verbindungen an, sodass die simulierte Aktivität den beobachteten zeitlichen Koaktivierungsmustern entspricht. Das Ergebnis ist eine „generative Konnektivitäts“-Matrix: eine funktionalisierte Version des Verschaltungsdiagramms, die erfasst, wie Struktur gewichtet sein muss, um die Dynamik lebender Gehirne hervorzubringen.

Wettbewerb erweist sich als notwendige Zutat

Wenn das Modell negative ebenso wie positive Einflüsse verwenden darf, tut es das eifrig. Über die Spezies hinweg werden etwa ein Viertel bis zwei Fünftel der effektiven Verbindungen kompetitiv. Diese negativen Verbindungen sind nicht zufällig verteilt: Sie sind tendenziell schwächer, langreichweitiger und weniger dicht geclustert als kooperative Verbindungen und bilden ein diffuses Netz, das modularere positive Gemeinschaften durchkreuzt. Entfernt man sie, verschlechtert sich schnell die Übereinstimmung des Modells mit realen Daten. Mit eingeschlossenem Wettbewerb steigt die Ähnlichkeit zwischen simulierten und empirischen funktionellen Konnektivitätsmustern dramatisch an und erreicht Korrelationen von bis zu 0,95 bei Mäusen und mehr als das Doppelte bei Menschen im Vergleich zu einem ausschließlich positiven Modell. Das verbesserte Modell erzeugt auch realistische Pegel von Antikorrelationen zwischen Regionen und entspricht damit den weitverbreiteten „Wippe“-Mustern, die in Hirnscans seit Langem beobachtet werden.

Wettbewerb stimmt mit tiefen biologischen Unterschieden überein

Das Team untersucht anschließend, ob die Platzierung kompetitiver Verbindungen tiefere biologische Organisation widerspiegelt. Sie vergleichen, wo negative Modellverbindungen auftreten, mit Karten vieler kortikaler Eigenschaften, darunter Zelltypen, Genexpression, Rezeptorverteilung, Mikrostruktur und Myelinisierung. Bei Menschen, Makaken und Mäusen verbinden kompetitive Links bevorzugt Regionen, die sich an gegenüberliegenden Enden dieser biologischen Gradienten befinden – zum Beispiel Areale, die reich an einem Typ inhibitorischer Interneurone sind, versus Areale, die einen anderen Typ enthalten, oder stark myelinisierte sensorische Zonen versus transmodale Assoziationsrinde. Effektiv ist das großskalige Tauziehen am stärksten zwischen kortikalen Regionen, die sehr unterschiedlich gebaut und abgestimmt sind, was darauf hindeutet, dass Makro-Ebenen-Wettbewerb in konservierten molekularen und zellulären Kontrasten verankert ist.

Reichere Dynamik und individuellere Gehirne

Wettbewerb einzubeziehen bewirkt mehr, als nur statische Konnektivitätsschnappschüsse zu verbessern. Wenn die angepassten Modelle vorwärts gerechnet werden, um synthetische Gehirnaktivität zu erzeugen, zeigt die kooperativ–kompetitive Version realistischeres zeitliches Verhalten. Sie vermeidet unrealistisch hohe globale Synchronität und wandert stattdessen durch ein ausgewogenes Regime, das Integration und Segregation abwechselt – eine Eigenschaft, die als Metastabilität bekannt ist. Außerdem zeigt sie stärkere Hierarchie, wobei einige Regionen besser positioniert sind, um weiträumige Aktivitätskaskaden auszulösen oder mehr Informationen zu senden, als sie empfangen. Maße synergetischer Information – die Idee, dass Paare von Regionen zusammen mehr Vorhersagekraft tragen als jede für sich – steigen auf empirische Niveaus. Wichtig ist, dass diese Verbesserungen während der Anpassung nicht explizit angestrebt wurden; sie treten von selbst auf, sobald kompetitive Interaktionen zugelassen werden.

Von realistischer Aktivität zu Berechnung und Kognition

Da kein Gehirn dem anderen genau gleicht, muss ein überzeugendes Modell sowohl treu als auch persönlich sein. Die kooperativ–kompetitiven Modelle erwiesen sich als stärker „fingerabdruckbar“: Sie passen besser zur Konnektivität des jeweiligen Individuums als zu der anderer und erleiden einen größeren Genauigkeitsverlust, wenn sie einem falschen Subjekt zugeordnet werden – sowohl bei Menschen als auch bei Makaken und Mäusen. Für Menschen testeten die Autoren außerdem, wie gut momentane Modellaktivitätsmuster zu großen Datenbanken von Hirnkarten passen, die mit spezifischen mentalen Funktionen wie Aufmerksamkeit oder Gedächtnis verknüpft sind. Modelle mit Wettbewerb erzeugten spontane Muster, die diesen kanonischen kognitiven Schaltkreisen näher kamen und damit ‚geistähnlichere‘ Ruhendynamiken implizieren. Schließlich zeigten in künstlichen „Reservoir-Computing“-Systemen, die ein Gedächtnisfeld ausführen und bei denen die modellierten Netzwerke als Verdrahtung dienten, jene mit kompetitiven Verbindungen eine höhere Rechenkapazität und behielten vergangene Eingaben besser.

Was das für das Verständnis von Gehirnen und Modellbau bedeutet

Einfach ausgedrückt zeigt die Studie, dass das Säugerhirn am effektivsten auf einer Gratwanderung zwischen Kooperation und Wettbewerb arbeitet. Starke, lokale positive Bindungen verbinden nahegelegene Regionen zu spezialisierten Modulen, während schwächere, langreichweitige negative Bindungen verschiedene Systeme gegeneinander ausspielen und so den Informationsfluss über die Großhirnrinde strukturieren. Diese Architektur reproduziert nicht nur die feinen Eigenheiten individueller Gehirne, sondern liefert auch von Natur aus Dynamiken, die vielfältig, hierarchisch und rechnerisch leistungsfähig sind. Für künftige Gehirnmodelle – sei es zum Verständnis von Bewusstsein, zur Simulation von Krankheiten oder zum Entwurf neuromorpher Computer – ist die Botschaft klar: Das Weglassen großskaliger Konkurrenz bedeutet, einen Kernprinzip der realen Gehirnberechnung auszulassen.

Zitation: Luppi, A.I., Sanz Perl, Y., Vohryzek, J. et al. Competitive interactions shape mammalian brain network dynamics and computation. Nat Neurosci 29, 915–933 (2026). https://doi.org/10.1038/s41593-026-02205-3

Schlüsselwörter: Gehirnnetzwerke, neuronaler Wettbewerb, Connectom-Modellierung, funktionelle Konnektivität, neuromorphe Rechner