Vergelijking van effectieve en functionele connectiviteit

Waarom kaartjes van hersenbedrading ertoe doen

Onze gedachten, herinneringen en handelingen ontstaan doordat miljarden hersencellen met elkaar communiceren. Moderne technologieën maken het nu mogelijk voor wetenschappers om op grote schaal naar die gesprekken te luisteren, maar ze doen dat op heel verschillende manieren. Deze studie stelt een deceptief eenvoudige vraag met grote gevolgen: wanneer we zien dat groepen hersencellen samen oplichten, vertelt dat ons dan echt hoe ze onderling bedraad zijn? Door twee populaire manieren om hersenverbindingen in kaart te brengen rechtstreeks te vergelijken, laten de auteurs zien dat elke methode een andere kant van het brein blootlegt — en dat het combineren van beide essentieel is om hersenberekening te begrijpen.

Twee manieren om naar het brein te luisteren

Neurobiologen spreken vaak over twee soorten verbindingen. De ene is de fysieke “bedrading” tussen zenuwcellen: kleine verbindingen genaamd synapsen waarbij de ene cel de ander direct kan beïnvloeden binnen enkele duizendsten van een seconde. In dit artikel worden deze directe koppelingen effectieve connectiviteit genoemd, omdat ze vastleggen wie daadwerkelijk wie in het circuit beïnvloedt. De andere soort is functionele connectiviteit, die niet over fysieke verbindingen gaat maar over welke cellen de neiging hebben om in de tijd samen actief te zijn. Functionele connectiviteit wordt meestal gemeten met optische methoden die trage veranderingen in calcium binnen cellen volgen, een proxy voor hun elektrische activiteit. De auteurs wilden zien hoe die twee gezichtspunten op één en dezelfde neuronen overeenkomen wanneer ze beide worden gemeten.

Het fijnmazige bedrading van het brein lezen

Om de bedrading van het brein te onderzoeken, gebruikten de onderzoekers hoogdichtheids-electrodeprobes, bekend als Neuropixels, om de precieze spiketijden van 242 neuronen in drie muizenhersenregio’s op te nemen: thalamus, hippocampus en visuele cortex. Vervolgens pasten ze een geavanceerde statistische methode toe, ShinGLMCC, om af te leiden welke neuronen waarschijnlijk direct verbonden waren. Deze analyse herstelde correct veel bekende kenmerken van hersenanatomie. Zo vond men sterke eenrichtingspaden binnen de hippocampus en visuele cortex die overeenkomen met gevestigde circuitdiagrammen, en werden neuronen die voornamelijk exciteren duidelijk gescheiden van degenen die voornamelijk remmen. Remmende neuronen vormden rijke wederkerige lussen met exciterende buren, consistent met een “winner-takes-all” competitie waarbij sommige activiteitspatronen andere onderdrukken. Het herhalen van de analyse op verschillende helften van de data leverde vrijwel identieke bedradingdiagrammen op, wat suggereert dat de schattingen stabiel en betrouwbaar waren.

Langzame golven van activiteit volgen

Vervolgens zetten de auteurs dezelfde spikeregistraties om in kunstmatige calciumsignalen, die nabootsen wat een two-photon microscoop zou zien. Elke spike werd omgezet in een vloeiende puls die snel opliep en over tientallen tot duizenden milliseconden vervaagde. Door deze trage signalen tussen paren neuronen te correleren, bouwden ze kaarten van functionele connectiviteit op verschillende tijdschalen. Sterke positieve correlaties verbonden vaak neuronen binnen dezelfde hersenregio, terwijl negatieve correlaties zich meer verspreidden. Het verkorten van de veronderstelde calcium-tijdsschaal maakte deze functionele netwerken meer gelokaliseerd en, op het eerste gezicht, iets dichter bij de onderliggende bedrading. Echter, zelfs bij onrealistisch snelle tijdschalen waren de meeste sterk samen-actieve paren niet direct verbonden, en bleef de beste statistische overeenkomst tussen de twee kaarten verre van perfect.

Wanneer gedeelde inputs het beeld vertroebelen

Om te begrijpen waarom co-activiteit afwijkt van bedrading, bouwde het team een computermodel van een kunstmatig netwerk waarvan de verbindingen gekopieerd waren uit hun afgeleide bedradingdiagram. Ze stemden het model zo af dat de gesimuleerde neuronen op dezelfde snelheden vuurden als de echte, en onderzochten vervolgens zowel effectieve als functionele connectiviteit in dit gesloten systeem. In het geïsoleerde netwerk weerspiegelde functionele connectiviteit de werkelijke bedrading iets beter dan in de echte data. Maar toen ze de input naar een subset van neuronen voorzichtig verhoogden — als nabootsing van een zwakke sensorische stimulus — leken die neuronen plotseling sterk functioneel verbonden met elkaar, hoewel de feitelijke bedrading nauwelijks veranderd was. Met andere woorden: gedeelde of fluctuerende inputs konden gemakkelijk de illusie van sterke koppelingen creëren waar die niet bestonden, waardoor de functionele connectiviteit sterk werd gevormd terwijl de effectieve connectiviteit feitelijk onaangetast bleef.

Wat dit betekent voor het begrijpen van het brein

De kernboodschap van de studie is dat kaarten van co-activiteit en kaarten van fysieke invloed niet door elkaar heen gebruikt kunnen worden. Effectieve connectiviteit, afgeleid van snelle elektrische opnames, vat de hardware van het brein samen: wie wie direct kan aanstoten en op welke snelle tijdschaal. Functionele connectiviteit, afgeleid van langzamere calciumsignalen, weerspiegelt de software van het brein: bredere patronen van gecoördineerde activiteit gevormd door gedeelde inputs, indirecte paden en de algemene toestand van het brein. Zelfs met snellere beeldvorming of verfijndere statistiek zal simpele synchronie waarschijnlijk niet het fijne bedradingpatroon volledig onthullen. Om echt te begrijpen hoe hersencircuits rekenen, betogen de auteurs dat toekomstig werk beide gezichtspunten moet combineren — gebruik makend van gedetailleerde bedradingkaarten om modellen van netwerkdynamiek te verankeren, en gebruikmakend van grootschalige activiteitskaarten om te zien hoe die circuits zich gedragen in echte, voortdurend veranderende omstandigheden.

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

Trefwoorden: hersenaansluitingen, neurale circuits, calciumbeeldvorming, spike-treinen, netwerkdynamiek