Unterstützten die Stabilität der exzitatorischen synaptischen Konnektivität und die neuronaler Darstellungen im Hippocampus das räumliche Lernen?

• Antragsteller: Dr. Alessio Attardo; Professor Dr. Andreas Kist
• Fachliche Zuordnung: Kognitive, systemische und Verhaltensneurobiologie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 554586006

Ortszellen, Pyramidenneuronen im Hippocampus, kodieren räumliche Positionen durch lokalisierte Feuerungsmuster. In Studien an Menschen und bei Tieren wurde gezeigt, dass der Hippocampus eine entscheidende Rolle beim räumlichen und episodischen Gedächtnis spielt. Mehrere Theorien versuchen zu erklären, wie der Hippocampus diese Funktionen unterstützt, und betrachten Ortszellen als grundlegende Substrate des langfristigen räumlichen Gedächtnisses. In vielen dieser Theorien besteht ein zentraler Grundsatz darin, dass das langfristige räumliche Gedächtnis aus Zellgruppen entsteht, die ihre räumlichen Kodierungseigenschaften über für das Langzeitgedächtnis relevante Zeiträume beibehalten. Räumliche Darstellungen im Hippocampus weisen jedoch ein überraschendes Maß an Instabilität oder Drift auf. Dieses Phänomen scheint für eine für die Gedächtnisbildung wichtige Gehirnregion kontraintuitiv zu sein. Es gibt einige Hypothesen zur Funktion dieses Phänomens, aber die zellulären und Schaltkreismechanismen, die dem Drift der hippocampalen Darstellungen zugrunde liegen, sind völlig unbekannt. Indem wir longitudinale Zwei-Photonen-Aufnahmen verwenden, um gleichzeitig die exzitatorische strukturelle Plastizität und Aktivitätsmuster derselben Pyramidenneuronen über mehrere Tage im Hippocampus lebender Mäuse zu verfolgen, werden wir die Verbindung zwischen der Stabilitätskonnektivität und dem Drift der hippocampalen Darstellungen untersuchen. Darüber hinaus werden wir auch die Beziehung zwischen struktureller Plastizität, Darstellungsumsatz und Lernen untersuchen, indem wir eine Verhaltenslernaufgabe verwenden, die die Bildgebung begleitet, und indem wir die Aktivitätsmuster von dCA1 Pyramidenneuronen durch Erhöhung der lokalen Hemmung stören. Parallel dazu – und um die Effizienz und Zuverlässigkeit unserer Datenanalyse zu erhöhen – werden wir eine Methode auf der Grundlage von maschinellem und tiefem Lernen entwickeln, um dendritische Dornen in longitudinalen Zwei-Photonen-Bildmaterial konsistent und automatisch zu verfolgen und diese mit der Aktivität einzelner Pyramidenneuronen in dCA1 abzugleichen.

• DFG-Verfahren: Sachbeihilfen