Vergleich von effektiver und funktioneller Konnektivität

Warum Karten der Gehirnverdrahtung wichtig sind

Unsere Gedanken, Erinnerungen und Handlungen entstehen dadurch, dass Milliarden von Gehirnzellen miteinander «sprechen». Moderne Technologien erlauben es Wissenschaftlern, diesen Dialog in großem Maßstab abzuhören, tun dies jedoch auf sehr unterschiedliche Weise. Diese Studie stellt eine auf den ersten Blick einfache, aber weitreichende Frage: Wenn wir Gruppen von Neuronen sehen, die gleichzeitig aktiv werden, sagt das wirklich etwas darüber aus, wie sie physisch verbunden sind? Durch den direkten Vergleich zweier populärer Methoden zur Kartierung von Gehirnverbindungen zeigen die Autoren, dass jede Methode eine andere Facette der Funktionsweise des Gehirns offenbart — und dass ihre Kombination entscheidend ist, um neuronale Berechnung zu verstehen.

Zwei Möglichkeiten, dem Gehirn zuzuhören

Neurowissenschaftler sprechen oft von zwei Arten von Verbindungen. Die eine ist die physische «Verdrahtung» zwischen Nervenzellen: winzige Übergänge, Synapsen genannt, an denen eine Zelle eine andere innerhalb von wenigen Tausendstelsekunden direkt beeinflussen kann. In diesem Papier werden diese direkten Verbindungen als effektive Konnektivität bezeichnet, weil sie abbilden, wer wen im Schaltkreis tatsächlich beeinflusst. Die andere Art ist die funktionelle Konnektivität, die sich nicht auf physische Verbindungen bezieht, sondern darauf, welche Zellen dazu neigen, über die Zeit hinweg gemeinsam aktiv zu sein. Funktionelle Konnektivität wird üblicherweise mit optischen Methoden gemessen, die langsame Calciumänderungen in Zellen verfolgen — ein Stellvertreter für ihre elektrische Aktivität. Die Autoren wollten herausfinden, wie diese beiden Blickwinkel zueinander passen, wenn sie an genau denselben Neuronen gemessen werden.

Das feinkörnige Verdrahtungsmuster des Gehirns lesen

Um die Gehirnverdrahtung zu untersuchen, verwendeten die Forscher hochdichte Elektrodensonden, bekannt als Neuropixels, um die genauen Spike-Zeitpunkte von 242 Neuronen in drei Hirnregionen der Maus aufzuzeichnen: Thalamus, Hippocampus und visueller Kortex. Anschließend wandten sie eine fortgeschrittene statistische Methode, ShinGLMCC, an, um zu schließen, welche Neuronen wahrscheinlich direkt verbunden sind. Diese Analyse rekonstruierte korrekt viele bekannte Merkmale der Gehirnanatomie. Zum Beispiel identifizierte sie starke einseitige Pfade innerhalb des Hippocampus und des visuellen Kortex, die mit etablierten Schaltkreisdiagrammen übereinstimmen, und trennte klar Neuronen, die hauptsächlich erregen, von solchen, die hauptsächlich hemmen. Inhibitorische Neuronen bildeten reichhaltige reziproke Schleifen mit exzitatorischen Nachbarn, konsistent mit einem „Winner-takes-all“-Wettbewerbsmechanismus, bei dem einige Aktivitätsmuster andere unterdrücken. Die Wiederholung der Analyse an verschiedenen Hälften der Daten ergab nahezu identische Verdrahtungsdiagramme, was darauf hindeutet, dass die Schätzungen stabil und zuverlässig waren.

Langsame Aktivitätswellen verfolgen

Als Nächstes wandelten die Autoren dieselben Spike-Aufzeichnungen in künstliche Calciumsignale um, um zu simulieren, was ein Zwei-Photonen-Mikroskop sehen würde. Jeder Spike wurde in einen glatten Impuls umgerechnet, der schnell anstieg und über Zehner bis Tausender Millisekunden wieder abklang. Durch das Korrelieren dieser langsamen Signale zwischen Neuronenpaaren bauten sie Karten funktioneller Konnektivität für verschiedene Zeitskalen. Starke positive Korrelationen verbanden tendenziell Neuronen innerhalb derselben Hirnregion, während negative Korrelationen weiter gestreut waren. Verkürzte angenommene Calcium-Zeitskalen machten diese funktionellen Netzwerke lokaler und auf den ersten Blick etwas näher an der zugrunde liegenden Verdrahtung. Jedoch selbst bei unrealistisch schnellen Zeitskalen waren die meisten stark gemeinsam aktiven Paare nicht direkt verbunden, und die beste statistische Übereinstimmung zwischen den beiden Karten blieb weit von perfekt entfernt.

Wenn gemeinsame Eingänge das Bild trüben

Um zu verstehen, warum Koaktivität von der Verdrahtung abweicht, bauten die Forscher ein Computermodell eines künstlichen Netzwerks, dessen Verbindungen aus ihrem inferierten Verdrahtungsdiagramm kopiert waren. Sie justierten das Modell so, dass die simulierten Neuronen mit den gleichen Raten feuerten wie die realen, und untersuchten dann sowohl effektive als auch funktionelle Konnektivität in diesem geschlossenen System. Im isolierten Netzwerk spiegelte die funktionelle Konnektivität die wahre Verdrahtung etwas besser wider als in den realen Daten. Aber als sie die Eingabe zu einer Teilmenge von Neuronen leicht verstärkten — um einen schwachen sensorischen Reiz zu simulieren — erschienen diese Neuronen plötzlich stark funktionell miteinander verbunden, obwohl sich die tatsächliche Verdrahtung kaum verändert hatte. Mit anderen Worten: Gemeinsame oder schwankende Eingänge können leicht die Illusion starker Verbindungen erzeugen, wo keine sind, und so die funktionelle Konnektivität stark prägen, während die effektive Konnektivität im Wesentlichen unverändert bleibt.

Was das für das Verständnis des Gehirns bedeutet

Die zentrale Botschaft der Studie ist, dass Karten der Koaktivität und Karten physischer Einflussnahme nicht austauschbar sind. Effektive Konnektivität, abgeleitet aus schnellen elektrischen Aufzeichnungen, erfasst die Hardware des Gehirns: wer wen direkt beeinflussen kann und auf welcher schnellen Zeitskala. Funktionelle Konnektivität, abgeleitet aus langsameren Calciumsignalen, reflektiert die Software des Gehirns: breitere Muster koordinierter Aktivität, geformt durch gemeinsame Eingänge, indirekte Pfade und den allgemeinen Zustand des Gehirns. Selbst mit schnellerer Bildgebung oder verfeinerten statistischen Methoden ist einfache Synchronität unwahrscheinlich, die feine Verdrahtung vollständig zu enthüllen. Um wirklich zu verstehen, wie neuronale Schaltkreise rechnen, argumentieren die Autoren, muss zukünftige Arbeit beide Perspektiven kombinieren — detaillierte Verdrahtungskarten zur Verankerung von Modellen der Netzwerkdynamik verwenden und großflächige Aktivitätsmuster nutzen, um zu sehen, wie diese Schaltkreise unter realen, sich ständig ändernden Bedingungen agieren.

Zitation: Shinomoto, S., Tsubo, Y. Comparing effective and functional connectivity. Sci Rep 16, 12161 (2026). https://doi.org/10.1038/s41598-026-42580-2

Schlüsselwörter: Gehirnkonnektivität, neuronale Schaltkreise, Calcium-Bildgebung, Spike-Züge, Netzwerkdynamik