Digitaler Gehirnzwilling generiert personalisierte Verhaltensvorhersagen

Forscher des National Center of Neurology and Psychiatry in Japan und der Tohoku University haben ein digitales Zwillingsmodell des Gehirns entwickelt, das das individuelle Konnektom des Gehirns in hochpräzise Vorhersagen von Verhalten über multiple Aufgaben hinweg übersetzen kann.

Die personalisierte Psychiatrie verfolgt seit Langem das Ziel, Modelle zu entwickeln, die aus der individuellen Gehirnstruktur verlässliche Vorhersagen für Verhalten und neuronale Reaktionen über verschiedene Funktionsbereiche hinweg – etwa Emotionsverarbeitung und kognitive Kontrolle – ableiten können. Bisherige Ansätze scheitern jedoch häufig daran, die Lücke zwischen statischen Konnektomen und dynamischem, aufgabenübergreifendem Verhalten zu schließen, was ihre klinische Anwendbarkeit einschränkt.

Zur Überwindung dieser Limitation entwickelten die Forschenden in ihrer Studie eine neuartige zweikomponentige Architektur: Ein sogenanntes Hypernetzwerk nutzt das individuelle Ruhezustands-Konnektom (resting-state functional connectome), um personalisierte Parameter für ein übergeordnetes rekurrentes neuronales Netzwerk (RNN) zu generieren. Dieses Hauptnetzwerk simuliert anschließend teilnehmerspezifische Verhaltensentscheidungen, Reaktionszeiten sowie BOLD-Signale (blood-oxygen-level-dependent) in Aufgaben, die sowohl affektive als auch kognitive Domänen adressieren.

Validierungsanalysen an 228 Probandinnen und Probanden – darunter Personen mit psychiatrischen Erkrankungen und gesunde Kontrollpersonen – zeigen eine hohe Vorhersagegenauigkeit. Das System erreichte eine Genauigkeit von über 90 % bei der Vorhersage von Verhaltensentscheidungen über verschiedene Aufgaben hinweg, während die Korrelationen für Reaktionszeiten bei über r > 0,85 lagen. Besonders bemerkenswert ist die Vorhersage der BOLD-Signalmuster mit einer Korrelation von r = 0,84, validiert mittels gruppenbasierter General Linear Model (GLM)-Analysen. Diese Kennzahlen belegen die Fähigkeit des Systems, komplexe neurobehaviorale Dynamiken mit hoher Präzision abzubilden.

Ein wesentlicher Vorteil des End-to-End-Ansatzes – der Konnektome direkt mit Verhalten verknüpft – liegt darin, dass mittels Gradienten-Backpropagation gezielte Modulationen im Konnektom identifiziert werden konnten. In silico durchgeführte Interventionen führten zu spezifischen Veränderungen, etwa der Aktivität der Amygdala (als affektiver Marker) sowie der Verarbeitungsgeschwindigkeit (als kognitiver Marker). Dabei zeigte sich eine realistische interindividuelle Variabilität der simulierten Therapieeffekte, abhängig vom jeweiligen Ausgangszustand des Konnektoms.

Trotz Einschränkungen, etwa hinsichtlich Stichprobengröße und Aufgabenvielfalt, eröffnet das digitale Zwillingsmodell durch seine Fähigkeit, flexibel aus sensorischen Eingaben und Verhaltensdaten zu lernen, neue Möglichkeiten zur Abbildung alltagsnaher neurokognitiver Dynamiken. Zukünftige Arbeiten könnten durch die Integration mikroskopischer Ebenen – beispielsweise molekularer Prozesse – sowie größerer Datensätze auch Simulationen pharmakologischer Interventionen ermöglichen.

Insgesamt stellt dieser Ansatz einen wichtigen Schritt in Richtung einer mechanistisch fundierten, individualisierten Psychiatrie dar und bietet eine leistungsfähige Plattform zum besseren Verständnis pathophysiologischer Prozesse sowie zur Entwicklung personalisierter Therapiestrategien.

(lj/BIERMANN)

Außerdem interessant zu dem Thema:

Software optimiert Simulationen des Gehirns