Universitätsklinikum Würzburg: Publikations-Highlights: Neurologie

paper place Neurologie

Fibromyalgie-Syndrom: Autoantikörper greifen Strukturen des peripheren Nervensystems an

Die Arbeitsgruppe von Prof. Dr. Claudia Sommer von der Neurologischen Klinik und Poliklinik zeigt in ihrer in der Fachzeitschrift PAIN veröffentlichten Studie, dass ein fehlgeleitetes Immunsystem möglicherweise nicht nur eine Reaktion des Körpers auf das Fibromyalgie-Syndrom (FMS) ist, sondern ursächlich mit den Symptomen zusammenhängt.

Gefrierschnitte von Spinalganglien der Ratte wurden auf die Bindung von kommerziell erhältlichen Antikörpern („Vergleichs-AK“) gegen Neurofilament 200 (NF200) und den Capsaicin-Rezeptor TRPV1 getestet. Die erste Spalte zeigt, dass NF200 erwartungsgemäß an große Neuronen und TRPV1 an kleine Neuronen bindet. Die zweite Spalte zeigt die Bindung von Serum eines Patienten mit Fibromyalgiesyndrom an diese Neuronen. Das Serum bindet hauptsächlich an große Neuronen. Die dritte Spalte zeigt die Überlagerung der beiden Färbungen. Das Patientenserum kolokalisiert mit dem Marker NF200, aber nicht mit dem Rezeptor TRPV1. Für verschiedene Patienten mit Fibromyalgiesyndrom wurden unterschiedliche Bindungsmuster gefunden. Bildquelle: C. Sommer/S. Seefried / UKW

So fand die Medizindoktorandin Anastasia Barcic heraus, dass bei über 35 Prozent der vom FMS Betroffenen Autoantikörper vorliegen, die gegen Strukturen des peripheren Nervensystems gerichtet sind. Sabine Seefried, naturwissenschaftliche Doktorandin, untersuchte mithilfe von Immunmarkierungen, an welche Strukturen des peripheren Nervensystems die Autoantikörper binden. Sie identifizierte dabei unterschiedliche Bindungsmuster, die bestimmte Patientengruppen kennzeichneten. So war bei Betroffenen mit Antikörperbindung an Satellitenzellen die Schmerzintensität höher, während Bindungen an hitze- und schärfeempfindliche Nervenzellen häufiger mit Brennschmerzen einhergingen. Weitere Erkenntnisse könnten neue, gezieltere Therapien ermöglichen.

Weitere Informationen liefert die Pressemeldung.

Seefried, Sabine; Barcic, Anastasia; Grijalva Yepez, Maria Fernanda; Reinhardt, Lena; Appeltshauser, Luise; Doppler, Kathrin; Üçeyler, Nurcan; Sommer, Claudia^*. Autoantibodies in patients with fibromyalgia syndrome. PAIN ():10.1097/j.pain.0000000000003535, February 5, 2025. | DOI: 10.1097/j.pain.0000000000003535

Zur Publikation

Zur Detailansicht

MARBLE analysiert Hirnaktivitäten

Um neuronale Aktivitätsmuster im Gehirn zu analysieren und zu interpretieren entwickelte Robert Peach, Physiker und Computational Neuroscientist in der Neurologischen Klinik, gemeinsam mit befreundeten Kollegen aus Wien, London und Lausanne eine KI-Methode namens MARBLE MAnifold Representational Basic Learning.

Robert Peach, Physiker und Computational Neuroscientist aus der Neurologischen Klinik des Universitätsklinikums Würzburg (UKW) entwickelte mit ehemaligen Kollegen aus London und Lausanne MARBLE – ein computergestütztes Werkzeug, das Signale der Gehirnzellen in charakteristische Aktivitätsmuster zerlegt und ihre Bewegung in Raum und Zeit analysiert. © Kirstin Linkamp / UKW

Graphical Abstract aus 5 Bildern, die in Nature Methods erschienen sind. — Darstellung und Entschlüsselung der neuronalen Aktivität im Gehirn eines Affen während er seinen Arm bewegt: a) Bewegung der Hand in sieben verschiedene Richtungen; b) Aktivitätsmuster einzelner Nervenzellen im prämotorischen Kortex für drei dieser Bewegungen, der schattierte Bereich zeigt die analysierten Spuren nach dem GO-Hinweis für den Affen; c) Darstellung der neuronalen Daten als ein Vektorfeld, das die Veränderungen der Feuerraten über die Zeit zeigt; d) vereinfachte Darstellung der neuronalen Daten in einer einzigen Sitzung; MARBLE zeigt eine latente, kreisförmige Anordnung der Daten in zirkulärer und zeitlicher Ordnung, die die räumlichen Bewegungen widerspiegelt; e) präzise lineare Dekodierung der Handbewegungen aus den latenten Repräsentationen. © Gosztolai & Peach et al. et al. MARBLE: interpretable representations of neural population dynamics using geometric deep learning. Nat Methods (2025). https://doi.org/10.1038/s41592-024-02582-2

MARBLE nutzt geometrisches Deep Learning, um komplexe, hochdimensionale Daten auf einfachere Strukturen, sogenannte Mannigfaltigkeiten, zu reduzieren. Dadurch kann MARBLE gemeinsame Denkstrategien zwischen verschiedenen Individuen erkennen, ohne die individuellen Unterschiede zu vernachlässigen. Die Methode wurde an künstlichen neuronalen Netzen, simulierten Systemen und echten Hirndaten von Primaten und Nagetieren getestet. Die Ergebnisse zeigen, dass MARBLE wiederkehrende Muster identifizieren kann, die mit Denkprozessen wie Entscheidungsfindung oder Anpassung an neue Situationen zusammenhängen. Diese Erkenntnisse könnten zur Entwicklung fortschrittlicher Gehirn-Computer-Schnittstellen beitragen, die insbesondere Menschen mit motorischen Einschränkungen zugutekommen. Die Forschung wurde im Rahmen des von der Deutschen Forschungsgemeinschaft geförderten Sonderforschungsbereichs TRR 295 ReTune durchgeführt.

Details zum Projekt finden Sie in der Pressemeldung.

Gosztolai, A., Peach, R.L., Arnaudon, A. et al. MARBLE: interpretable representations of neural population dynamics using geometric deep learning. Nat Methods (2025). https://doi.org/10.1038/s41592-024-02582-2

Zur Publikation

Zur Detailansicht

Zum Archiv