Einführung
Viele alltägliche Handlungen geschehen wie von selbst, ohne bewusste Planung. Das Gehirn nutzt hierbei Abkürzungen, um effizienter und ressourcenschonender zu agieren. Dieser Artikel beleuchtet die Gehirnbereiche und neuronalen Prozesse, die für Automatismen verantwortlich sind, von einfachen Wahrnehmungsphänomenen wie dem Stroop-Effekt bis hin zu komplexen motorischen Fähigkeiten wie Klavierspielen oder Fahrradfahren.
Der Stroop-Effekt: Ein Beispiel für automatische Prozesse im Gehirn
Der Stroop-Effekt ist ein bekanntes Phänomen, das zeigt, wie automatische Prozesse unsere Wahrnehmung beeinflussen können. Versuchen Sie, die Farben der Wörter in folgender Anordnung zu benennen:
ROTGRÜNBLAUGELB
Nun versuchen Sie, die Farben der Wörter in folgender Anordnung zu benennen:
ROT (geschrieben in blauer Farbe)GRÜN (geschrieben in gelber Farbe)BLAU (geschrieben in roter Farbe)GELB (geschrieben in grüner Farbe)
Lesen Sie auch: Faszination Nesseltiere: Wie sie ohne Gehirn leben
Wahrscheinlich werden Sie bei der zweiten Anordnung ins Stocken geraten. Dies liegt daran, dass das Lesen eines Wortes ein automatischer Prozess ist. Wenn Farbe und Bedeutung eines Wortes nicht übereinstimmen, konkurrieren zwei Prozesse miteinander: das automatische Lesen des Wortes und die bewusste Benennung der Farbe.
Das Lesen gehört zu einem der automatisch im Gehirn ablaufenden Prozesse. Sie lesen tagtäglich, meist sogar unbewusst. Alles, was in Buchstaben von Ihnen visuell wahrgenommen wird, wird auch gelesen. Dagegen können Sie nichts tun! Wenn Sie jedoch Farben wahrnehmen und benennen sollen, kommt dieser Automatismus nicht zum Tragen, sondern ihr Gehirn muss sich bewusst damit befassen - es verlangt also weitaus mehr Aufmerksamkeit als das Lesen. Beim Stroop-Effekt konkurriert der automatisch ablaufende Prozess des Lesens mit dem Wunsch, die Farbe richtig zu benennen. Diese „Interferenz“, wie es in wissenschaftlichen Kreisen genannt wird, entsteht, weil der automatische Prozess, der normalerweise Vorrang hat, unterdrückt werden muss. So lesen Sie beispielsweise Lila, und es kommt Ihnen automatisch, also ohne, dass Sie es wollen, das Wort Lila auf die Lippen, Sie müssen es aber unterdrücken, wenn sie die Farbe, in diesem Falle Gelb, benennen wollen. Damit Ihnen das gelingt, müssen mehrere Verarbeitungsschritte im Gehirn absolviert werden. Es bedarf mehr Konzentration und Aufmerksamkeit und somit auch mehr Zeit. Ein Wort also einfach zu lesen, geht leichter, als darüber nachzudenken.
Der Stroop-Effekt und das Hören
Ein Team um den schwedischen Wissenschaftler Andreas Lind nutzte den Stroop-Effekt, um zu zeigen, dass dieser sich nicht nur auf das Lesen beschränkt, sondern auch das Hören betrifft. In einem Versuch baten sie verschiedene Probanden, die Farbe, in der ein Wort geschrieben stand laut auszusprechen. Die untersuchten Wörter waren in etwa die gleichen, wie die auf der rechten Seite unseres Bildes. Parallel dazu wurde den Versuchsteilnehmern, ihre Stimme über Kopfhörer eingespielt - sie hörten also, was sie sagten. Womit die Probanden jedoch nicht rechneten, ist, dass die Wissenschaftler das, was gehört wurde, manipulierten. Ein Beispiel: Die Farben Grau und Grün klingen im Schwedischen sehr ähnlich. In dem Versuch sahen die Probanden unter anderem folgende Kombination:GRAUDoch auch wenn der Teilnehmer richtig mit „Grün“ geantwortet hatte, wurde ihm per Kopfhörer das Wort „Grau“ eingespielt. Das faszinierende an diesem Versuch war, dass den Probanden diese Manipulation nicht auffiel, sondern sie sich davon sogar noch beeinflussen ließen. Wenn man den Versuchsteilnehmer darum bat, das von ihm Gesagte zu wiederholen, antworteten 85% mit „Grau“, also dem eingespielten Wort.
Die Dominanz des automatischen Prozesses wird hier sehr deutlich. Selbst wenn der Stroop-Effekt einmal erfolgreich unterdrückt wurde, kommt er bei erneuter Verarbeitung wieder durch. Manipulation lässt uns sogar gänzlich den Aufwand, den unser Gehirn betrieben hat, um ihn zu unterdrücken, vergessen.
Man kann sich, trotz hartem Training, nur schwer in dieser Aufgabe verbessern. Dazu sind die beteiligten Automatismen einfach zu stark. Allerdings stellt der Stroop-Effekt ein beeindruckendes Phänomen dar und zeigt erneut, wie vielseitig und verstrickt unsern Gehirn arbeitet.
Lesen Sie auch: Lesen Sie mehr über die neuesten Fortschritte in der Neurowissenschaft.
Neuronale Schaltkreise und die Rolle der Basalganglien
Wissenschaftler aus Chemnitz, Magdeburg und Santiago de Chile präsentieren ein innovatives Modell: Statt streng getrennter Systeme für gewohnheitsmäßige und zielgerichtete Handlungen handelt es sich um ein Netzwerk eng miteinander verbundener Schaltkreise, die unser Verhalten steuern. Die Rolle der Schleifen im Gehirn bei der Verhaltenssteuerung. Bislang ging man oft von einem schnellen, intuitiven und einem langsamen, überlegten System aus. Das internationale Forschungsteam beschreibt nun eine Struktur aus parallel arbeitenden Schleifen, die Informationen vom Kortex über die Basalganglien zum Thalamus und zurück befördert.
Diese sogenannten cortico-basalganglio-thalamo-kortikalen Kreise übernehmen die Koordination von Planung, Bewegung und Kontrolle. Besonders der Hippocampus hat eine Schlüsselfunktion. Er ist nicht nur für das Erinnern zuständig, sondern kann auch zukünftige Handlungsabläufe simulieren - ein Phänomen, das in der Wissenschaft als "Preplay" bekannt ist.
Sobald ein Ziel festgelegt ist, übernimmt der Thalamus. Er leitet die wichtigen Informationen an die motorischen Areale weiter. Diese bereiten dann gezielte Bewegungen vor, zum Beispiel wenn man nach einer Kaffeetasse greift. Was simpel erscheint, ist das Ergebnis einer fein abgestimmten Kommunikation zwischen mehreren Hirnregionen.
Diese Netzwerke sind eng verflochten. Sie verbinden Motivation, Erinnerung und Körpersteuerung, was in Handlungen mündet, die entweder bewusst geplant oder automatisch abgerufen werden - je nach Situation.
Abkürzungen im Gehirn und die Entstehung von Gewohnheiten
Das Modell der Forscher erklärt ebenfalls, wie Gewohnheiten entstehen. Sie beruhen auf anatomisch möglichen Abkürzungen zwischen den Schleifen. Solche Verbindungen überspringen einzelne Verarbeitungsschritte und verknüpfen beispielsweise emotionale Zentren direkt mit motorischen Bereichen.
Lesen Sie auch: Tinnitus und Gehirnaktivität: Ein detaillierter Einblick
"Wenn Informationen von der limbischen Substantia nigra direkt zum motorischen Thalamus gelangen, kann das automatisches Verhalten auslösen", heißt es in der Publikation. Das könnte erklären, warum bestimmte Handlungen wie von selbst geschehen - insbesondere in vertrauten Situationen.
Das Team identifiziert drei Faktoren, die das Shortcut-Lernen fördern:
- Wiederholung: Je häufiger eine Handlung ausgeführt wird, desto stabiler wird sie verankert.
- Belohnung: Dopamin verstärkt bestimmte Verknüpfungen.
- Hebb’sches Prinzip: Bereiche, die gleichzeitig aktiv sind, vernetzen sich automatisch.
Manche dieser Lerneffekte können sogar ohne bewusste Belohnung auftreten. Auch neutrale Handlungen können bei häufiger Wiederholung zur Gewohnheit werden.
Handlungspakete (Chunking): Eine Entlastung für das Gehirn
Ein weiterer Schlüsselaspekt ist das sogenannte Chunking. Dabei werden einzelne Schritte zu festen Handlungspaketen zusammengefasst. Solche Pakete - etwa beim Zähneputzen oder Autofahren - werden im dorsolateralen Striatum gespeichert, einer Region für automatisiertes Verhalten.
Sobald ein solches Handlungspaket aktiviert wird, läuft es weitgehend ohne bewusste Kontrolle ab. Das spart Energie und ermöglicht, sich auf andere Aufgaben zu konzentrieren. Ein bekanntes Beispiel: Beim Fahrradfahren wird das Treten vom Gehirn automatisch gesteuert.
Lernen von der Effizienz des Gehirns in der KI
Das Gehirn verzichtet bewusst auf komplexe Berechnungen, wenn Abkürzungen schneller zum Ziel führen. Für die Entwicklung von KI-Systemen ist dies ein bedeutendes Vorbild. Derzeit benötigen Transformer-Netzwerke viel Rechenleistung - eine Hürde für mobile oder energiesparsame Anwendungen.
"Das Gehirn zeigt, wie man kontextabhängig entscheiden kann, ob eine aufwendige Analyse nötig ist oder ob eine gelernte Abkürzung ausreicht", schreiben die Forscher. Durch das Aufzeichnen und Dekodieren der Gehirnaktivität wendet Innereye eine Methode an, die die Annotationszeit erheblich verkürzt und die Genauigkeit erhöht, während gleichzeitig menschliches Expertenwissen in die KI-Modelle einfließt. Mit dem EEG kann die Software von Innereye direkt auf die Ergebnisse der visuellen Verarbeitungs- und Entscheidungsfindungssysteme des Expertengehirns zugreifen, was die Bilderkennungsaufgabe massiv beschleunigt. Im Gegensatz zu harten Bild-Labels, die versuchen, das wahrscheinlichste Label zu erfassen, sind Soft-Labels in der Lage, auch die Wahrscheinlichkeit zu erfassen, die mit dem Label auf der Grundlage der Reaktion des Gehirnsignals verbunden ist, was die Überanpassung des Modells reduziert. Dieses Verfahren, das als Human-in-the-Loop bezeichnet wird, ermöglicht es, eine große Anzahl von Bildern in relativ kurzer Zeit zu kennzeichnen. Dieses Bildklassifizierungssystem bietet dabei eine Abkürzung in das Gehirn eines Experten. Das Gehirn ist in der Lage, visuelle Bilder sehr schnell zu verarbeiten und Entscheidungsfragen in der Grauzone zu bewältigen, wenn also die Entscheidung für ein Label nicht ganz klar ist. Der Entscheidungsprozess, mit dem ein Experte feststellt, ob sich in einem komplexen Bild ein gesuchtes Zielobjekt befindet, dauert etwa 300 Millisekunden. Was dagegen viel mehr Zeit in Anspruch nimmt, sind die kognitiven und motorischen Prozesse, die nach der Entscheidungsfindung ablaufen. Dazu gehören die Planung einer Reaktion (zum Beispiel etwas sagen oder eine Taste drücken) und die anschließende Ausführung dieser Reaktion. Innereye verwendet Deep Learning, um EEG-Signale in Reaktionen zu klassifizieren, die „Targets“ und „Non-Targets“ anzeigen. Targets können alle Anomalien sein, die ein trainiertes menschliches Gehirn erkennen kann. Die Anwendung der Technologie erfordert allerdings Training und Konzentration. Die Benutzer müssen Experten für die jeweilige Aufgabe sein, die gut darin geschult sind, eine bestimmte Art von Ziel zu erkennen. Während sich der Experte auf einen kontinuierlichen Strom von Bildern konzentriert, der je nach Komplexität drei bis zehn Bilder pro Sekunde umfasst, kann ein kommerzielles EEG-System in Kombination mit der Software von Innereye die charakteristische Gehirnreaktion des Experten unterscheiden, wenn er ein Ziel erkennt. Das System liefert Ergebnisse, die ebenso genau sind wie die eines Menschen, aber viel informativer als die manuelle Klassifikation von Bildern. Die Experten müssen dabei immer darauf achten, was sie sehen und können die Bilder nicht einfach an sich vorbeiziehen lassen. Daher gibt die EEG-Technik auch Einblicke in den Aufmerksamkeitszustand des Experten und ermöglicht bei Bedarf Unterbrechungen und Ruhephasen. Der Brain-in-the-Loop-Ansatz ist besonders hilfreich für die Klassifizierung von Daten, die möglicherweise interpretationsfähig sind. Menschliche Experten können etwas Ungewöhnliches erkennen, auch wenn sie nicht genau wissen, was es ist. Die Technologie ist in der Lage, diese Unsicherheit in den Gehirnströmen zu registrieren. Die Software zeichnet jede vom Gehirn erzeugte Nuance auf und speist sie in die verknüpften KI-Modelle zurück. So trainiert sie die KI nicht nur mit Eins oder Null. Der Brain-in-the-Loop-Ansatz der Innereye-Technologie reduziert den Bedarf an gelabelten Daten erheblich. Das Einbeziehen von Gehirnsignalen und menschlicher Expertise ermöglicht es, die Genauigkeit und Robustheit von KI-Modellen zu erhöhen und gleichzeitig den arbeitsintensiven Labelling-Prozess deutlich zu reduzieren. Die möglichen Anwendungsfelder sind vielfältig. Bislang wird die Technologie zum Beispiel in der Produktion für das Erkennen von Produktfehlern eingesetzt. Ebenso in der Flughafensicherheit, um potenzielle Bedrohungen in Gepäckstücken zu identifizieren, sowie in der Medizin, um Tumore zu finden.
Die Rolle tiefer Hirnstrukturen bei der Steuerung von Handlungsabläufen
Wissenschaftler der Charité − Universitätsmedizin Berlin haben herausgefunden, welche Hirnstrukturen wiederkehrende Handlungsabläufe, wie Klavierspielen oder Fahrradfahren, steuern. Zudem konnten sie die zugrundeliegenden neuronalen Prozesse entschlüsseln.
Ganz automatisch kann einmal gelerntes Verhalten wie Fahrradfahren oder Klavierspielen wiederholt werden. Die Fähigkeit des Menschen, eine Regelmäßigkeit in der Abfolge von Ereignissen erkennen, speichern und abrufen zu können, wird als sequentielles Verhalten bezeichnet. Dieses Verhalten besteht aus mehreren Einzelbewegungen, die in einer bestimmten zeitlichen Reihenfolge angeordnet sind und einen Anfangs- und einen Endpunkt haben. Die Arbeitsgruppe Bewegungsstörungen von der Klinik für Neurologie am Campus Virchow-Klinikum der Charité hat am Beispiel von Parkinson-Patienten untersucht, welche neuronalen Aktivitätsmuster im Gehirn diese wiederkehrenden Handlungsabläufe bestimmen. Nach bisherigen Forschungserkenntnissen sind Parkinson-Patienten in ihrem sequentiellen Verhalten beeinträchtigt, was sich zum Beispiel in Starthemmungen beim Laufen äußert. Verantwortlich dafür sind tiefer gelegene Kerngebiete im Gehirn, die sogenannten Basalganglien, denn sie steuern die Bewegungsabläufe. „In unserer Studie haben wir nun erstmals untersucht, welche neuronalen Prozesse der Basalganglien beim Menschen Einfluss auf das sequentielle Verhalten ausüben“, sagt die Erstautorin Dr. Maria Herrojo Ruiz. Dazu wurde die neuronale Aktivität bei Parkinson-Patienten gemessen, die mit einer tiefen Hirnstimulation (THS) in einem Teilbereich der Basalganglien, dem Nucleus subthalamicus, therapiert werden. Bei dieser Therapie werden Elektroden im Gehirn implantiert und über einen Stimulator elektrische Impulse in die Zielregion geleitet, womit die Parkinson-Symptome erfolgreich gelindert werden. Für die Studie sollten die Probanden kurze Musiksequenzen an einem Klavier einüben, während die elektrischen Signale aus dem Nucleus subthalamicus aufgezeichnet wurden. So konnten die Wissenschaftler nachweisen, dass die Basalganglien eine entscheidende Funktion bei der Kodierung der Anfangs- und Endpunkte von Handlungsabfolgen einnehmen. Zudem zeigten sie, welche Modulation von elektrischen Schwingungen, die als Oszillationen bezeichnet werden, dafür verantwortlich ist. Bei Patienten, die die Musiksequenzen besser spielen konnten, haben vor dem ersten und letzten Element der Sequenz, die sogenannten Beta- Oszillationen, im Frequenzbereich 13-30 Hz abgenommen. Bei Patienten, die Schwierigkeiten hatten, die Übung auszuführen, haben die Oszillationen hingegen innerhalb der Sequenz nachgelassen. Die Erstautorin Dr. Maria Herrojo Ruiz betont: „Die Basalganglien bestimmen mit der Kodierung von Anfangs- und Endpunkten die innere Beschaffenheit der gelernten Sequenz und sind somit maßgeblich dafür verantwortlich, ob automatische Verhaltensweisen sich im Gehirn festigen. Die Leiterin der Arbeitsgruppe Prof. Dr. Andrea Kühn sagt dazu: „Unsere Befunde bekräftigen zudem, dass Parkinson-Patienten in ihren Bewegungsabläufen aufgrund der verstärkt auftretenden Beta-Oszillationen beeinträchtigt sind.“
Neuronale Kommunikation und Lernprozesse
"Practice makes perfect" ist ein bekanntes Sprichwort. Wir alle haben erlebt, dass die anfänglich mühsame Umsetzung neuer Aufgaben nach nur wenigen Wiederholungen schnell einfacher und flüssiger wird. Dies funktioniert besonders effizient, wenn wir durch explizite Anweisungen geleitet werden. Ein Forscherteam an der TU Dresden hat nun in einer aktuellen Bildgebungsstudie die zugrunde liegenden neuronalen Prozesse untersucht. Im Rahmen des von der DFG (Deutsche Forschungsgemeinschaft) geförderten Sonderforschungsbereichs 940 "Volition und kognitive Kontrolle" untersuchten die Hirnforscher Holger Mohr, Uta Wolfensteller und Hannes Ruge vom Institut für Psychologie der Technischen Universität Dresden (Deutschland) in Zusammenarbeit mit Kollegen aus den USA und der Schweiz die neuronalen Prozesse, die für die Automatisierung anweisungsbasierter Aufgaben verantwortlich sind. Ihr Forschungsansatz umfasste die derzeit populäre Annahme, dass mentale Funktionen wie Gedächtnis oder Sprache aus spezifischen Kommunikationsmustern innerhalb und zwischen Subnetzwerken des Gehirns entstehen. Über diese Grundannahme hinaus wurde untersucht, ob eine rasche Reorganisation dieser Kommunikationsmuster möglich ist - insbesondere während der raschen anweisungsbasierten Automatisierung neuer Aufgaben. Die Ergebnisse dieser aktuellen Studie deuten darauf hin, dass die rasche anweisungsbasierte Aufgabenautomatisierung durch eine rasch zunehmende Kommunikation zwischen Subnetzwerken erleichtert wird, die mit der Transformation visueller Informationen in motorische Reaktionen verbunden sind. Gleichzeitig geht dies mit einer Freisetzung von Netzwerkressourcen einher, die anfänglich der kontrollierten und aufmerksamkeitsfordernden Umsetzung der angewiesenen Aufgabe dienen - während das sogenannte Default-Mode-Netzwerk zunehmend von aufgabenbezogenen Netzwerken entkoppelt wird.
Konnektomik: Die Kartierung des Gehirns
Der Schaltplan des Gehirns kartiert die Informationswege und enthält die Gehirn-Software. Der erste Schaltplan eines ganzen Gehirns war der des Fadenwurms mit einigen hundert Nervenzellen (veröffentlicht 1986). Andere Gehirne sind deutlich komplexer: fast 100 Millionen Nervenzellen in der Maus oder zirka 100 Milliarden Zellen beim Menschen. Trotzdem ist es heute denkbar, dem Mäusehirn seinen Schaltplan zu entlocken. Der erste Schritt dahin ist gelungen: die Entwicklung eines detailgetreuen und kontrastreichen Gehirnpräparats. Das einzige Ziel des Denkens ist es letztlich zu berechnen, welche von allen möglichen Handlungen dem Organismus am meisten nützt und wie diese Handlung am besten in eine Abfolge von Muskelkontraktionen umzusetzen ist. Im Zentrum aller Rechenvorgänge steht der Fluss von Informationen. Dieser hängt wiederum davon ab, wie die einzelnen Schaltelemente - im Gehirn die Nervenzellen - miteinander verbunden sind. Wenn wir wissen, "wer mit wem in Verbindung steht", können wir der Information im Gehirn folgen und bestimmen, welche Signale miteinander wechselwirken können und welche nicht. Weil die Zellen und ihre Verbindungen den Informationsfluss nicht nur ermöglichen, sondern auch im Einzelnen kontrollieren, stellen sie nicht nur die physikalische Grundlage für das Rechnen des Gehirns dar. Im Unterschied zu den meisten anderen Zellen eines Organismus, von denen jede nur etwa ein Dutzend Nachbarn hat, berührt jede Nervenzelle tausende - in Extremfällen sogar hunderttausende - anderer Nervenzellen. Mit vielen dieser Zellen bestehen sogenannte synaptische Verbindungen, über die eine Zelle Signale empfängt oder aussendet. Synapsen können sich chemischer Botenstoffe bedienen oder direkte elektrische Verbindungen herstellen und sind der Weg, auf dem Zellen miteinander kommunizieren - das heißt, sich gegenseitig in ihrer Aktivität beeinflussen. Um eine so große Zahl von anderen Zellen berühren zu können, wachsen aus jeder Nervenzelle mehrere schlanke, oft vielfach baumartig verzweigte Fortsätze heraus. Diese werden, je nachdem, ob sie Signale senden oder empfangen, Axone und Dendriten genannt und sind die "Drähte" des Gehirns. Fortsätze vieler Zellen bilden dann ein verschlungenes, durch die Synapsen in sich verbundenes Netzwerk - das "Neuropil". Schon der spanische Neurowissenschaftler Santiago Ramon Y Cajal (1852-1934), einer der Begründer der klassischen neuroanatomischen Forschung, hat vieles über die Form der Nervenzellen und manches über ihre Verbindungen herausgefunden. Da es damals aber nur Lichtmikroskope gab, mit denen die Synapsen und Drähte im dicht gepackten Neuropil nicht aufgelöst werden können, musste er sich eines Anfärbetricks des Italieners Camillo Gogi (1843-1926) bedienen, der einzelne Zellen zusammen mit all ihren Drähten sichtbar macht. Mit der viel besseren, im Nanometerbereich (10-9 m) liegenden Auflösung der in den 1940er Jahren erfundenen Elektronenmikroskopie (EM) ist es nun möglich, jede Synapse zu erkennen und jedem Draht zu folgen und damit im Prinzip das komplette Verbindungsmuster (Konnektom) eines Gehirns zu bestimmen. Das Elektronenmikroskop wurde in der Tat auch benutzt, um das Verbindungsdiagramm eines kompletten Nervensystems zu bestimmen: das des Fadenwurms Caenorhabditis elegans. Obwohl das "Gehirn" von C. elegans nur ein paar hundert Nervenzellen und ein paar tausend Synapsen hat, waren die Wissenschaftler damit über zehn Jahre lang beschäftigt. Ein Mäusegehirn hat dagegen etwa hundert Millionen (108) Zellen, die durch etwa 100 Milliarden (1011) Synapsen miteinander verbunden sind. Ist damit die Bestimmung des Konnektoms komplexerer Nervensysteme von vornherein aussichtslos? Nicht notwendigerweise, wie die Entwicklung der Gensequenzierung gezeigt hat. Allein in den letzten 15 Jahren sind die Kosten pro Genom durch die Erfindung neuer und der Verfeinerung bestehender Methoden um einen Faktor 100 000 gefallen. Mithilfe neuer Methoden - manche davon in dieser Abteilung entwickelt - wurden im Laufe des letzten Jahrzehnts die Verbindungsdiagramme kleinerer Bereiche komplexerer Nervensysteme erstellt. Sie haben zum Beispiel zum Verständnis des Bewegungssehens in der Netzhaut beigetragen. Bevor jedoch der Schaltplan eines ganzen Gehirns (selbst eines so kleinen wie das der Maus) erstellt werden kann, müssen eine ganze Reihe von Hindernissen überwunden werden. In einem für die Konnektomik geeigneten Gehirnpräparat müssen die zellulären, besonders die synaptischen Feinstrukturen überall erhalten sein. Auch müssen die Färbung mit Schwermetallen und die Einbettung in Kunstharz gleichmäßig sein. Das erste ist entscheidend für die Erhaltung aller Verbindungsdaten aus dem lebenden Tier. Das zweite, die gleichmäßige Färbung, sorgt für einen ausreichenden Kontrast bei der Abbildung im Elektronenmikroskop. Die Einbettung erlaubt das zuverlässige Abschneiden dünner Scheibchen, wie es für die Auflösung der dritten Raumdimension notwendig ist. Mit einer Kombination von Geduld und sorgfältiger Erkundung verschiedener chemischer Verbindungen und Reaktionsverfahren ist es gelungen, die sog. BROPA-Methode (brain-wide reduced-osmium staining with pyrogallol-mediated amplification method) zu entwickeln, die all diese Bedingungen erfüllt. Zusätzlich zu einer Verlängerung der Verweilzeiten in den verschiedenen Lösungen, die den Zu- und Abtransport verschiedener Substanzen an allen Punkten der Probe allein durch Diffusion erlaubt, musste jedoch an einigen Stellen auch die Lösungszusammensetzung geändert werden. So war es zum Beispiel nötig, einen Ersatz für Thiocarbohydrazid zu finden, welches bei der Kontrastverstärkung eingesetzt wurde, aber gleichzeitig das Gewebe durch die Bildung winziger Gasbläschen beschädigte. Der Ersatzstoff, Pyrogallol, wurde durch Serienexperimente aus einem Katalog von Substanzen ausgewählt. Obwohl das Gewebe dem Augenschein nach gut erhalten war, wurde in Testreihen sichergestellt, dass mit der BROPA-Methode die Strukturinformation, die zum Verfolgen der Drähte und der Identifizierung der Synapsen nötig ist, erhalten bleibt. Dazu verfolgten Wissenschaftler einzelne Axone und Dendriten in einer Reihe von im Gehirn verteilter Testvolumina. Die verbleibenden Hindernisse auf dem Weg zu einem kompletten Ganzhirndatensatz sind das Testen und "Debugging" eines speziell zu diesem Zweck entworfenen und in der feinmechanischen Werkstatt des Max-Planck-Instituts gefertigten Ultramikrotoms und seiner Verbindungskammer mit einem Mehrfachstrahl-Elektronenmikroskop, entwickelt von dem bekannten Mikroskophersteller Carl Zeiss. Auch nachdem die Hindernisse auf dem Weg zur Gewinnung eines EM-basierten Volumendatensatzes überwunden sind, wird es eine erhebliche Herausforderung sein, aus diesem Datensatz mit seinen bis zu hundert Billiarden Datenpunkten Erkenntnisse über das Denken zu gewinnen. Dies wird nicht nur die Entwicklung neuer Bilderkennungsalgorithmen erfordern, sondern auch den Einsatz von Rechnern in einem Umfang nötig machen, der den für die Analyse des Genoms benötigten noch weit übertreffen könnte.
tags: #gehirn #bereich #automatismen