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.
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
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
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
