Visual Universitätsmedizin Mainz

Arbeitsgruppe: „Theorie der neuronalen Dynamik“ (Prof. Tchumatchenko)

Das langfristige Ziel unserer Arbeit ist es herauszufinden, wie der neuronale Code funktioniert und welche Rechenstrategien Neuronen zur Verfügung haben. Wir sind ein Computerteam, das eng mit experimentellen Gruppen zusammenarbeitet. Diese Zusammenarbeit ist essenziell für unsere Projekte und mehrere Teammitglieder gehören beiden Gruppen an.

Bild_001.jpg

Wir glauben, dass mathematische Modelle und quantitative Methoden den Fortschritt vorantreiben

Die Entwicklung neuer Modelle und Analysetechniken, die sich auf mathematische, physikalische und computerwissenschaftliche Kenntnisse stützen treibt unser Verständnis der neuronalen Netze voran. Wir sind der Meinung, dass ein gutes Modell oder eine gute Analyse aus ersten Prinzipien abgeleitet wird und einen Gültigkeitsbereich hat, innerhalb dessen es genaue Vorhersagen macht und interpretiert. Ein biologisches Modell kann auf verschiedenen abstrakten Ebenen arbeiten, von der Mikroebene der Proteininteraktion bis hin zur Makroebene der Netzwerkdynamik. Wir konzentrieren uns auf die Netzwerkebene und erstellen Modelle, die sich mit der Frage beschäftigen, wie Neuronen eingehende Informationen kodieren und wie sie ihre globale Netzwerkdynamik organisieren, um diese Aufgabe zu erfüllen. Obwohl wir uns auf die neuronale Signalverarbeitung spezialisiert haben, verfolgen wir das Ziel, unsere Modelle und Methoden auch auf andere Disziplinen anzuwenden. Wir hoffen, Anwendungen wie maschinelles Lernen und Gehirn-Computer-Schnittstellen beeinflussen zu können.

Die Rolle von Computermodellen

Die Erforschung des Gehirns war in der Vergangenheit eine von der Biologie dominierte Disziplin, in der Experimente im Mittelpunkt standen.  Obwohl wir im Grunde unseres Herzens Theoretiker sind, legen wir großen Wert darauf, unsere Modelle mit experimentellen Daten zu verifizieren. Wir arbeiten mit exzellenten Gruppen zusammen, die diese Experimente durchführen und die Rückkopplungsschleife zwischen Theorie und Experiment angenehm und unterhaltsam gestalten.

Projekte

Modellierung der Dynamik von AMPA-Rezeptoren in neuronalen Dendriten

Synapsen gelten als die grundlegende Einheit für die Informationsübertragung und die Gehirnfunktionen. Synapsen haben die außergewöhnliche Fähigkeit, ihre Übertragungsstärke über synaptische Plastizitätsmechanismen zu verändern. Die Langzeitplastizität (LTP) (Bliss und Lømo, 1973) ist eine gut untersuchte Form der synaptischen Plastizität, und ein ionotroper Glutamatrezeptor, der als α-Amino-3-hydroxy-5-methyl-4-isoxazolpropionat-AMPA-Rezeptor (AMPAR) bekannt ist. Er ist einer der Hauptakteure bei der Modulation der LTP. Bei der LTP führt eine wiederholte synaptische Stimulation zu einer erhöhten AMPAR-Anzahl an der postsynaptischen Dichte (PSD) und stärkt folglich die Synapse. In ähnlicher Weise wird eine Langzeitdepression (LTD), die zur Schwächung einer Synapse führt, durch eine Verringerung der Anzahl der an der PSD verankerten AMPARs erreicht (Park, 2018). LTP und LTD haben synaptische Korrelate mit vielen Gehirnfunktionen wie Gedächtnis und Lernen (Malenka, 2003).

Die Verankerung von AMPARs in der Membran am PSD beinhaltet ein spezifisches Zusammenspiel zwischen dem Rezeptor und mehreren Gerüstmolekülen (siehe Abb. 1). Studien haben gezeigt, dass AMPAR über endosomales Recycling und Oberflächendiffusion zwischen intrazellulären und extrasynaptischen Membrankompartimenten verkehren kann (Newpher und Ehlers, 2008). Diese bidirektionale Bewegung von AMPARs moduliert ihre Spiegel im PSD und beeinflusst LTP und LTD. Um die synaptische Plastizität zu verstehen, ist es daher unerlässlich, den AMPAR-Transport zu untersuchen.

Bild_002.jpg
Schematische Darstellung der verschiedenen Mechanismen, die am AMPAR-Trafficking beteiligt sind.

Referenzen:

  1. Bliss, T.V.P., Lømo, T., 1973. Long-lasting potentiation of synaptic transmission in the   dentate area of the anaesthetized rabbit following stimulation of the perforant path. J. Physiol. 232, 331–356. doi.org/10.1113/jphysiol.1973.sp010273
  2. Fonkeu, Y., N. Kraynyukova, A.S. Hafner, L. Kochen, F. Sartori, E.M. Schuman, and T. Tchumatchenko. 2019. How mRNA Localization and Protein Synthesis Sites Influence Dendritic Protein Distribution and Dynamics. Neuron. 103:1109-1122.e7. doi:10.1016/j.neuron.2019.06.022.
  3. Malenka, R.C., 2003. The long-term potential of LTP. Nat. Rev. Neurosci. 4, 923–926. doi.org/10.1038/nrn1258
  4. Newpher, T.M., Ehlers, M.D., 2008. Glutamate Receptor Dynamics in Dendritic Microdomains. Neuron 58, 472–497. doi.org/10.1016/j.neuron.2008.04.030
  5. Park, M., 2018. AMPA Receptor Trafficking for Postsynaptic Potentiation. Front. Cell. Neurosci. 12. doi.org/10.3389/fncel.2018.00361
  6. Sartori, F., A.S. Hafner, A. Karimi, A. Nold, Y. Fonkeu, E.M. Schuman, and T. Tchumatchenko. 2020. Statistical Laws of Protein Motion in Neuronal Dendritic Trees. Cell Rep. 33:108391. doi:10.1016/j.celrep.2020.108391.
Weitere Informationen zur Arbeitsgruppe