Ein internationales Forschungsteam, bekannt als MICrONS, hat innovative KI-Modelle entwickelt, die darauf abzielen, die neuronale Verarbeitung visueller Reize im Gehirn zu analysieren. Diese bahnbrechenden Ergebnisse wurden in den renommierten Fachzeitschriften Nature und Nature Communications veröffentlicht. Die Universität Göttingen ist maßgeblich an dieser Studie beteiligt, die unter dem Titel „Foundation Model of Neural Activity Predicts Response to New Stimulus Types and Anatomy“ firmiert und die Lernfähigkeit von Modellen aus großen Datensätzen demonstriert.
Im Rahmen dieser Studie wurden über 135.000 Nervenzellen im Mäusegehirn analysiert. Das entwickelte KI-Modell kann zuverlässig vorhersagen, wie Neuronen auf neue Reize reagieren, selbst wenn diese Reize zuvor unbekannt waren. Prof. Dr. Fabian Sinz, einer der führenden Wissenschaftler, hebt hervor, dass das Modell genauere Antworten auf verschiedene visuelle Reize bieten kann. Eine weitere Forschungsarbeit untersucht detailliert die Form und Struktur von Nervenzellen im visuellen Kortex. Diese Studie mit dem Titel „An unsupervised map of excitatory neurons’ dendritic morphology in the mouse visual cortex“ zeigt, dass die Pyramidenzellen fließende Übergänge zwischen Zelltypen aufweisen und nicht klar abgegrenzte Typen besitzen.
Erweiterte Forschung mit maschinellem Lernen
Zur tiefergehenden Analyse der Nervenzellen haben die Forscher ein Verfahren des maschinellen Lernens entwickelt, das die 3D-Form dieser Zellen kodiert. Das MICrONS-Projekt involviert zahlreiche angesehene Forschungseinrichtungen wie das Baylor College of Medicine, das Allen Institute for Brain Science und die Princeton University. Im Zuge dessen wurde der „MICrONS Multi-Area Datensatz“ erstellt, der bezüglich Struktur, Vernetzung und Reaktionseigenschaften der Nervenzellen der größte Datensatz dieser Art, der in einem Säugetiergehirn gesammelt wurde, ist.
Diese digitalen Zwillinge der Nervenzellen konnten mit Erfolg die Form und Struktur vorhersagen. Die gewonnenen Erkenntnisse bieten nicht nur tiefere Einblicke in die Organisation des Gehirns, sondern könnten auch dazu beitragen, neurowissenschaftliche Experimente effizienter zu gestalten. Dabei besteht die Möglichkeit, in-silico-Experimente durchzuführen, bevor tatsächlich in-vivo-Studien durchgeführt werden.
Die Rolle von Künstlicher Intelligenz
Künstliche Intelligenz (KI) ist ein Teilbereich der Informatik, der sich mit der Entwicklung von Algorithmen beschäftigt, die menschliche kognitive Fähigkeiten imitieren. Wie im Bericht von bpb.de beschrieben wird, kann KI große Datenmengen analysieren, Muster erkennen und daraus Erkenntnisse gewinnen. Der Begriff KI, von amerikanischen Wissenschaftlern geprägt, bezeichnet Systeme, die zunehmend komplexe Aufgaben übernehmen, die einst Menschen vorbehalten waren.
Insbesondere ganze Klassen von Lernalgorithmen, wie das maschinelle Lernen, haben sich seit den 1950er Jahren weiterentwickelt. Dabei werden diese Algorithmen mit große Datensätzen trainiert, um Muster zu erkennen und Wahrscheinlichkeiten zu berechnen. Eine spezielle Form ist das Deep Learning, welches auf künstlichen neuronalen Netzen basiert und durch seine Fähigkeit, enorm komplexe Datenmuster zu verarbeiten, zunehmend an Bedeutung gewinnt.
Neuronale Netze sind inspiriert von den Verbindungen der Nervenzellen im menschlichen Gehirn. Diese Netzwerke bestehen aus Schichten von Datenknoten, die durch gewichtete Verbindungen miteinander verknüpft sind, und sind in der Lage, Muster in Daten zu erkennen. Das Training dieser Netzwerke erfolgt durch wiederholte Präsentation von Daten, und durch diese Prozesse verbessern sie ihre Fähigkeit, diese Daten zu klassifizieren und zu verarbeiten.
Die fortschreitende Entwicklung und Anwendung von KI bringt jedoch auch Herausforderungen mit sich, wie die Möglichkeit von Verzerrungen durch fehlerhafte Trainingsdaten, Datenschutzbedenken und den steigenden Energieverbrauch, wie die Fraunhofer IKS anmerkt. Die Effizienz und die ethischen Implikationen von KI-Technologien stellen somit ein wichtiges Forschungsthema dar.
