Detaillierte biophysikalische neuronale Modelle bieten einen einzigartigen Einblick in die Funktionsweise einzelner Neuronen. Sie ermöglichen es Forschern, neuronale Eigenschaften systematisch und reversibel zu manipulieren, was in realen Experimenten oft unmöglich ist.
Diese elektronischen Modelle haben eine Schlüsselrolle bei der Weiterentwicklung unseres Verständnisses darüber gespielt, wie die neuronale Morphologie die Erregbarkeit beeinflusst und wie spezifische Ionenströme zur Zellfunktion beitragen. Darüber hinaus spielen sie eine wichtige Rolle beim Aufbau neuronaler Schaltkreise zur Simulation und Untersuchung der Gehirnaktivität und geben uns einen Einblick in den komplexen Tanz der Neuronen, die unseren Gedanken und Handlungen zugrunde liegen.
Die Erstellung präziser elektronischer Modelle, die experimentelle Beobachtungen originalgetreu wiedergeben, ist keine leichte Aufgabe. Dies erfordert die Quantifizierung der Ähnlichkeit zwischen Modellreaktionen und tatsächlichem elektrophysiologischem Verhalten, was eine Herausforderung darstellt, wenn Parameter wie die Leitfähigkeit des Ionenkanals und passive Membraneigenschaften nicht direkt gemessen werden können. Das Erreichen hoher Ähnlichkeitswerte erfordert häufig eine umfassende Untersuchung des Parameterraums, was mühsam und zeitaufwändig ist.
Um diese Herausforderungen zu bewältigen, haben sich Forscher hilfesuchend an evolutionäre Algorithmen (EAs) gewandt. Evolutionäre Algorithmen sind effiziente Werkzeuge zur globalen Parameteroptimierung in hochdimensionalen Räumen. Unter ihnen hat der indikatorbasierte Evolutionsalgorithmus (IBEA) in dieser Hinsicht großes Potenzial. Allerdings mangelt es in diesem Bereich immer noch an vollständig quelloffenen und replizierbaren Arbeitsabläufen zur Modelloptimierung.
In der neuen Studie, die auf dem Cover der November-Ausgabe von Patterns erscheint, schlägt das BlueBrain-Projekt einen bahnbrechenden gemeinsamen Arbeitsablauf für die Erstellung, Validierung und Verallgemeinerung detaillierter neuronaler Modelle vor. Dieser Ansatz basiert auf Open-Source-Tools, wobei alle Schritte frei verfügbar sind und Forschern eine umfassende Lösung für den Aufbau neuronaler Modelle bieten, die entweder einzelne biologische Zellen oder vordefinierte Zelltypen darstellen können.
Eines der einzigartigen Merkmale dieses Workflows ist die Möglichkeit, sogenannte kanonische Neuronenmodelle zu erstellen. Werner Van Geit, Leiter der BBP-Gruppe, erklärt: „Was wir erstellen, ist kein auf einzelne Neuronen zugeschnittenes Modell, sondern ein Modell, das einen gesamten Neuronentyp darstellt. Dieser Ansatz ist besonders nützlich, wenn die Eigenschaften bestimmter Neuronentypen untersucht und große neuronale Schaltkreise aufgebaut werden.“
In dieser Studie wendeten die Autoren einen Arbeitsablauf an, um 40 Modelle zu erstellen, die 11 elektrische Typen (E-Typen) im somatosensorischen Kortex junger Mäuse repräsentieren, dem Bereich der Großhirnrinde, der für die Verarbeitung sensorischer Informationen im Zusammenhang mit Berührung, Druck, Temperatur und Schmerz aus verschiedenen Körperteilen verantwortlich ist. Jedes Modell wird auf der Grundlage einer Reihe elektrophysiologischer Merkmale optimiert, um eine enge Übereinstimmung mit experimentellen Daten sicherzustellen. Diese typischen Modelle wurden dann an verschiedenen Morphologien getestet, um ihre Allgemeingültigkeit zu beurteilen.
Durch die Analyse der in diesen Modellen verwendeten Parameter gewannen Wissenschaftler Einblicke in ihre biophysikalischen Eigenschaften. „Die Sensitivitätsanalyse hilft herauszufinden, welche Parameter für die Modellleistung entscheidend sind und welche Parameter variiert werden können, ohne die Ergebnisse zu beeinträchtigen“, betont Co-Erstautor Christian Rössert. „Dieses tiefere Verständnis trägt wesentlich dazu bei, die Erstellung des Modells zu verbessern.“
Obwohl dieser Ansatz wirkungsvoll ist, weisen die Autoren auf einige aktuelle Einschränkungen hin. Bestimmte Neuronentypen lassen sich gut über Formen hinweg verallgemeinern, während andere Schwierigkeiten haben. Das Verständnis, warum bestimmte Modelle in bestimmten Morphologien besser abschneiden, ist ein Bereich der laufenden Forschung. Darüber hinaus bedeutet die Erstellung eines einzigen kanonischen Modells, dass ein Teil der Variabilität in echten Neuronen ignoriert wird. Um dieses Problem zu lösen, können Neurowissenschaftler mehrere Modelle auf der Grundlage derselben Eingaben erstellen und so Variationen einführen, um die Vielfalt in der realen Welt darzustellen.
Co-Erstautorin Maria Reva bemerkte: „Der hier vorgestellte Satz elektronischer Modelle basiert auf elektrischen Messungen aus Patch-Clamp-Aufzeichnungen des Hauptkörpers des Neurons. In zukünftigen Versionen können diese Modelle mit weiteren Details wie synaptischer und dendritischer Integration und zusätzlichen Ionenströmen angereichert werden. Diese Verbesserungen werden uns dem Verständnis der Funktion von Neuronen näher bringen.“