// SCINEXX — SPAZIO & SCIENZA
Wie blenden Elefantenrüsselfische ihre eigenen Strompulse aus?
Elefantenrüsselfische senden elektrische Pulse aus, die ihren eigenen passiven Elektrosinn eigentlich überlagern müssten. Eine hochauflösende Verschaltungskarte zeigt nun, wie schnelle und langsame Lernprozesse in ihrem Gehirn zusammenarbeiten. Das Zusammenspiel ermöglicht eine rasche Vorhersage eigener Signale, ohne dass zufälliges Rauschen das System destabilisiert.
New York (U.S.A.). Wer die Umwelt aktiv abtastet, erzeugt dabei oft Sinnesreize, die wichtige Signale von außen verdecken können. Schwach elektrische Elefantenrüsselfische lösen dieses Problem, indem ihr Gehirn vorhersagbare Folgen der eigenen Strompulse aus dem eintreffenden Sinnesstrom herausrechnet.
Forscher der Columbia University um Salomon Z. Muller haben nun untersucht, wie diese fortlaufende Anpassung auf der Ebene einzelner Zelltypen und ihrer Verbindungen organisiert ist. Dazu rekonstruierten sie mit serieller Elektronenmikroskopie die Verschaltung im elektrosensorischen Lobus, kurz ELL, und verknüpften die Connectom-Daten mit früheren elektrophysiologischen Messungen und einem stark durch diese Daten eingeschränkten Rechenmodell.
Elefantenrüsselfische der Art Gnathonemus petersii erzeugen kurze elektrische Organentladungen zur aktiven Orientierung und Kommunikation und besitzen zugleich einen passiven Elektrosinn, mit dem sie schwache elektrische Felder etwa von Beutetieren erfassen. Die eigenen Entladungen stören diesen Kanal, weshalb der ELL eine zeitlich passende Vorhersage des selbst erzeugten Signals bildet und sie vom sensorischen Eingang abzieht.
Die neue Verschaltungskarte zeigt dafür stark geordnete hemmende und enthemmende Eingangswege sowie präzise Verbindungen zwischen mehreren Verarbeitungsebenen. Besonders wichtig ist, dass synaptische Plastizität nicht nur an einer Stelle stattfindet, denn schnell anpassbare MG-Zellen und langsamer lernende Ausgangszellen übernehmen unterschiedliche Teile derselben Vorhersageaufgabe.
„Die schnelleren Zellen können zwar rasch lernen, aber sie sind anfälliger für zufälliges, weniger gleichmäßiges Rauschen. Die langsameren Zellen sorgen für Stabilität und helfen dabei, jene Signale auszulöschen, die letztlich die beständige Störung verursachen“, erklärt Salomon Z. Muller.
Die Connectom-Analyse ergab zudem, dass die beiden Typen der MG-Zellen sehr gezielt mit passenden Ausgangszellen und untereinander verschaltet sind. Diese Struktur leitet gelernte Vorhersagen an die richtige nachgeschaltete Stelle weiter und löst damit ein sogenanntes Credit-Assignment-Problem, bei dem ein mehrstufiges Netzwerk bestimmen muss, welche Verbindungen für einen Vorhersagefehler verantwortlich sind und angepasst werden sollen.
Im datenbasierten Modell beschleunigen die MG-Zellen die Anpassung an ein regelmäßiges, vorhersagbares Störsignal, während zufälliges Rauschen bei alleiniger schneller Plastizität unnötige Änderungen auslösen könnte. Die langsamere Plastizität der Ausgangszellen stabilisiert die Verarbeitung und hält die Auslöschung des wiederkehrenden Eigenreizes auch unter verrauschten Bedingungen genauer.
„Alles andere, was erkannt wird, hebt sich dann ab und ist leicht wahrnehmbar“, sagt Krista E. Perks von der Columbia University.
Das Ergebnis ist kein einfacher Filter mit einer festen Einstellung, denn der ELL lernt fortlaufend, welche Bestandteile des eintreffenden Signals zuverlässig aus den eigenen elektrischen Entladungen vorhergesagt werden können. Neue oder unvorhersagbare Reize sollen dadurch im verbleibenden Sinnesstrom deutlicher hervortreten.