Neue Studie enthüllt fraktale Struktur des Gehirns in der Nähe des Phasenübergangs – eine Entdeckung, die möglicherweise universell auf alle Arten zutrifft

Wenn ein Magnet erhitzt wird, erreicht er einen kritischen Punkt, an dem er seine Magnetisierung verliert. Dieser als „Kritikalität“ bezeichnete Punkt hoher Komplexität wird erreicht, wenn ein physikalisches Objekt reibungslos von einer Phase in die nächste übergeht.

Eine neue Studie der Northwestern University hat nun herausgefunden, dass die strukturellen Merkmale des Gehirns in der Nähe eines ähnlichen kritischen Punktes liegen – entweder an oder nahe einem strukturellen Phasenübergang. Überraschenderweise sind diese Ergebnisse in den Gehirnen von Menschen, Mäusen und Fruchtfliegen konsistent, was darauf hindeutet, dass die Entdeckung universell sein könnte.

Obwohl die Forscher nicht wissen, zwischen welchen Phasen sich die Struktur des Gehirns bewegt, meinen sie, dass diese neuen Informationen neue Entwürfe für Computermodelle zur Komplexität und emergenten Phänomene des Gehirns ermöglichen könnten.

Die Forschung war veröffentlicht heute in Nachrichtenphysik.

„Das menschliche Gehirn ist eines der komplexesten bekannten Systeme und viele Details seiner Struktur sind noch nicht verstanden“, sagte István Kovács von der Northwestern University, der leitende Autor der Studie.

„Mehrere andere Forscher haben die Kritikalität des Gehirns im Hinblick auf die Neuronendynamik untersucht. Aber wir betrachten die Kritikalität auf struktureller Ebene, um letztlich zu verstehen, wie sie die Komplexität der Gehirndynamik untermauert. Das war ein fehlendes Puzzlestück in unserer Vorstellung über die Komplexität des Gehirns. Anders als bei einem Computer, wo jede Software auf derselben Hardware laufen kann, sind im Gehirn die Dynamik und die Hardware eng miteinander verbunden.“

„Die Struktur des Gehirns auf zellulärer Ebene scheint sich in der Nähe eines Phasenübergangs zu befinden“, sagte Helen Ansell von der Northwestern University, die Erstautorin der Studie. „Ein alltägliches Beispiel hierfür ist, wenn Eis zu Wasser schmilzt. Es sind immer noch Wassermoleküle, aber sie durchlaufen einen Übergang von fest zu flüssig. Wir sagen sicherlich nicht, dass das Gehirn kurz vor dem Schmelzen steht. Tatsächlich haben wir keine Möglichkeit zu wissen, zwischen welchen zwei Phasen das Gehirn wechseln könnte. Denn wenn es sich auf einer der beiden Seiten des kritischen Punkts befände, wäre es kein Gehirn.“

Kovács ist Assistenzprofessorin für Physik und Astronomie am Weinberg College of Arts and Sciences der Northwestern University. Zum Zeitpunkt der Forschung war Ansell Postdoktorandin in seinem Labor; jetzt ist sie Tarbutton Fellow an der Emory University.

Während Forscher die Gehirndynamik schon seit langem mit Hilfe der funktionellen Magnetresonanztomographie (fMRI) und Elektroenzephalogrammen (EEG) untersuchen, haben Fortschritte in der Neurowissenschaft erst vor kurzem umfangreiche Datensätze zur Zellstruktur des Gehirns bereitgestellt. Diese Daten eröffneten Kovács und seinem Team die Möglichkeit, statistische Physiktechniken anzuwenden, um die physikalische Struktur von Neuronen zu messen.

Für die neue Studie analysierten Kovács und Ansell öffentlich zugängliche Daten von 3D-Gehirnrekonstruktionen von Menschen, Fruchtfliegen und Mäusen. Durch die Untersuchung des Gehirns in Nanoauflösung stellten die Forscher fest, dass die Proben Merkmale physikalischer Eigenschaften aufwiesen, die mit Kritikalität in Zusammenhang stehen.

Eine solche Eigenschaft ist die bekannte fraktalartige Struktur von Neuronen. Diese nichttriviale fraktale Dimension ist ein Beispiel für eine Reihe von Observablen, die als „kritische Exponenten“ bezeichnet werden und auftreten, wenn sich ein System einem Phasenübergang nähert.

Gehirnzellen sind in unterschiedlichen Maßstäben in einem fraktalähnlichen statistischen Muster angeordnet. Beim Heranzoomen sind die fraktalen Formen „selbstähnlich“, was bedeutet, dass kleinere Teile der Probe der gesamten Probe ähneln. Auch die Größen der verschiedenen beobachteten Neuronensegmente sind unterschiedlich, was einen weiteren Hinweis liefert. Laut Kovács sind Selbstähnlichkeit, Fernkorrelationen und breite Größenverteilungen allesamt Anzeichen eines kritischen Zustands, in dem die Merkmale weder zu organisiert noch zu zufällig sind. Diese Beobachtungen führen zu einer Reihe kritischer Exponenten, die diese strukturellen Merkmale charakterisieren.

„Das sind Dinge, die wir in allen kritischen Systemen der Physik beobachten“, sagte Kovács. „Es scheint, als befinde sich das Gehirn in einem empfindlichen Gleichgewicht zwischen zwei Phasen.“

Kovács und Ansell stellten erstaunt fest, dass alle untersuchten Gehirnproben – von Menschen, Mäusen und Fruchtfliegen – bei allen Organismen konsistente kritische Exponenten aufweisen, das heißt, sie teilen dieselben quantitativen Merkmale der Kritikalität. Die zugrunde liegenden, kompatiblen Strukturen zwischen den Organismen deuten darauf hin, dass ein universelles Leitprinzip im Spiel sein könnte. Ihre neuen Erkenntnisse könnten möglicherweise helfen zu erklären, warum die Gehirne verschiedener Lebewesen einige derselben Grundprinzipien teilen.

„Zunächst sehen diese Strukturen ganz unterschiedlich aus – ein ganzes Fliegenhirn ist etwa so groß wie ein kleines menschliches Neuron“, sagte Ansell. „Aber dann entdeckten wir überraschend ähnliche Eigenschaften.“

„Wir haben uns bei den vielen Merkmalen, die sich von Organismus zu Organismus stark unterscheiden, auf die Vorschläge der statistischen Physik verlassen, um zu prüfen, welche Maße möglicherweise universell sind, wie etwa kritische Exponenten. Tatsächlich sind diese bei allen Organismen einheitlich“, sagte Kovács.

„Ein noch tieferes Zeichen der Kritikalität ist, dass die erhaltenen kritischen Exponenten nicht unabhängig sind – aus beliebigen drei können wir den Rest berechnen, wie es die statistische Physik vorschreibt. Diese Erkenntnis eröffnet die Möglichkeit, einfache physikalische Modelle zu formulieren, um statistische Muster der Gehirnstruktur zu erfassen. Solche Modelle sind nützliche Eingaben für dynamische Gehirnmodelle und können als Inspiration für die Architektur künstlicher neuronaler Netzwerke dienen.“

Als nächstes wollen die Forscher ihre Techniken auf neue Datensätze anwenden, darunter größere Gehirnabschnitte und mehr Organismen. Sie wollen herausfinden, ob die Universalität auch dann noch gilt.