Kostengünstiges, Open‑Source‑Automat für Tests zur transitiven Inferenz bei Mäusen

Mäuse lehren, logische Schlüsse zu ziehen

Stellen Sie sich vor, Sie könnten einer Maus eine Logikfrage stellen – wenn A besser ist als B und B besser ist als C, welches ist besser, A oder C? Diese Art von Schlussfolgerung, „transitive Inferenz“ genannt, ist ein grundlegender Baustein des menschlichen Denkens und wird bei Erkrankungen wie Schizophrenie und Alzheimer gestört. Die Studie stellt AutoTI vor, ein kostengünstiges, vollautomatisches System, mit dem Forschende diese Form des Denkens bei Mäusen mit deutlich größerer Präzision, Geschwindigkeit und Umfang als bisher untersuchen können.

Eine einfache Box für komplexes Denken

Im Zentrum der Studie steht eine kleine, durchsichtige Kammer mit sechs Nasen‑Poke‑Ports: fünf an der Vorderwand, die als „Items“ fungieren, und einer an der Rückwand, der jeden Versuch einleitet. Wenn die Maus den Rückport betätigt, leuchten zwei der Vorderports auf, und das Tier muss eines auswählen. Ein Poke am „besseren“ Port bringt eine kleine Wasserbelohnung und einen kurzen Ton, während die falsche Wahl einen lauten Knall und eine kurze Auszeit auslöst. Durch sorgfältige Kontrolle, welche Port‑Paare aufleuchten und welcher Port belohnt wird, bringen die Forschenden den Mäusen eine verborgene Reihenfolge der fünf Ports bei, etwa A>B>C>D>E, ohne jemals die ganze Sequenz auf einmal zu zeigen.

Open‑Source‑Hardware hinter den Kulissen

AutoTI läuft vollständig auf Open‑Source‑Elektronik und -Software, sodass der Preis für eine komplette Kammer in etwa dem eines einfachen Laptops entspricht. Ein kleines Mikrocontroller‑Board schaltet die Nasenports, Ventile und den Lautsprecher, während ein separates Programm eine Deckenkamera steuert, die jede Bewegung der Maus aufzeichnet. Die Aufgabenlogik ist in frei verfügbarem Code geschrieben, und alle Hardware‑Entwürfe können heruntergeladen und entweder von Hand montiert oder bei Herstellern bestellt werden. Das bedeutet, dass jedes Labor, nicht nur gut finanzierte, mehrere Kammern bauen und viele Mäuse parallel betreiben kann, wodurch große, streng kontrollierte Experimente zur Schlussfolgerung bei Tieren deutlich praktikabler werden.

Maus‑Logik ohne menschliche Eingriffe untersuchen

Mit AutoTI trainierte das Team Dutzende Mäuse an überlappenden Port‑Paaren – zuerst zu lernen, dass A B schlägt, dann dass B C schlägt, und so weiter. Nach mehreren Wochen kurzer, vollständig automatisierter Sitzungen pro Tag lernten viele Mäuse diese Grundvergleiche mit hoher Genauigkeit. Der entscheidende Test kam, als die Tiere aufgefordert wurden, zwischen B und D zu wählen, einem Paar, das sie nie zuvor zusammen gesehen hatten. Um gut abzuschneiden, musste die Maus vergangene Erfahrungen mental verknüpfen – wenn B C geschlagen hat und C D geschlagen hat, dann sollte B auch D schlagen. Die meisten Mäuse taten genau das und wählten B deutlich häufiger als erwartbar durch Zufall; viele beantworteten fast jede solche Probe von der ersten Versuch an korrekt. Dieses Verhalten spiegelt menschliche Ergebnisse wider und zeigt, dass die Tiere nicht nur einzelne Port‑Paare auswendig lernten, sondern ein internes Ordnungsgefühl gebildet hatten.

Wenn der Raum hilft — und wenn er die Geschichte verbirgt

Die Forschenden untersuchten auch, wie die physische Anordnung der Ports beeinflusst, was die Mäuse lernen. In einer Version waren die fünf Ports so angeordnet, dass die verborgene Reihenfolge ihrer Links‑rechts‑Position entsprach; eine einfache Seitenpräferenz konnte dem Tier zum Erfolg verhelfen. In einer anderen Version wurden dieselben fünf Ports so umgestellt, dass die Reihenfolge nicht direkt aus dem Raum ablesbar war. Bei der geradlinigen Anordnung lernten Mäuse die Aufgabe schneller, doch ihr Verhalten fehlten zwei klassische Kennzeichen echten hierarchischen Wissens: Sie zeigten keine bessere Leistung bei Paaren, die in der verborgenen Reihenfolge weit auseinanderlagen, noch das typische Muster, dass die „End‑Items“ der Sequenz am einfachsten zu beurteilen sind. Diese Signaturen traten nur auf, wenn die räumliche Abkürzung entfernt wurde, was darauf hindeutet, dass die Mäuse in der anspruchsvolleren Anordnung tatsächlich eine interne mentale Karte der Beziehungen konstruierten, anstatt sich auf eine einfache Seitenpräferenz zu verlassen.

Gedanken lesen durch Bewegung

Da AutoTI kontinuierlich Video aufzeichnet, konnte das Team über einfache richtig‑oder‑falsch‑Wertungen hinausgehen und untersuchen, wie sich die Mäuse in der Kammer bewegten. Gut performende Mäuse legten schnelle, direkte Wege vom Initiations‑Port zur korrekten Wahl zurück und ignorierten weitgehend den Port, der nie belohnt wurde. Schwächer leistungsfähige Tiere schlenderten mehr, legten längere Strecken zurück und wählten ineffizientere Routen. Die besten Schlußfolgerer zeigten auch häufiger Kopf‑Scan‑Bewegungen, ein Verhalten, das in früheren Arbeiten mit Abwägung bei Nagetieren in Verbindung gebracht wurde. Diese subtilen Bewegungsmuster eröffnen ein neues Verhaltensfenster dafür, wann eine Maus eine Entscheidung „durchdenkt“ und ermöglichen so das Verknüpfen spezifischer Hirnsignale mit verschiedenen Stadien der Schlussfolgerung.

Warum das für Gehirne und Maschinen wichtig ist

Am Ende geht es bei AutoTI weniger um clevere Hardware als darum, was diese Hardware ermöglicht. Mit einer preiswerten, skalierbaren und berührungsfreien Methode, logisches Denken bei Mäusen zu testen, können Forschende diese Aufgabe nun mit Werkzeugen kombinieren, die Gehirnaktivität zellgenau aufzeichnen oder manipulieren. Das wird helfen zu zeigen, wie Hirnregionen wie Hippocampus und Präfrontaler Kortex zusammenarbeiten, um interne Wissenskarten zu erstellen und diese zu nutzen, um in neuen Situationen Inferenzen zu ziehen. Da ähnliche Formen des Schließens bei mehreren psychiatrischen und neurodegenerativen Erkrankungen beeinträchtigt sind — und weil sie eine zentrale Herausforderung für Systeme der künstlichen Intelligenz darstellen — bietet der AutoTI‑Ansatz eine mächtige Brücke zwischen Grundlagenneurowissenschaft, Krankheitsforschung und dem Bestreben, Maschinen zu entwickeln, die mehr wie Gehirne denken.

Zitation: Margarian, S., Chen, Y., Waheed, J. et al. Cost-effective, open-source, automated apparatus for testing transitive inference in mice. Sci Rep 16, 13071 (2026). https://doi.org/10.1038/s41598-026-43430-x

Schlüsselwörter: transitive Inferenz, Gedächtnis und Kognition von Mäusen, automatisiertes Verhalten, relationelles Gedächtnis, Open‑Source Neurowissenschaften