ABINEP-M2-Projekt 3: Modellierung Dopamin-induzierter neuronaler Netzwerk-Aktivität / "Lernen bedingter Assoziationen: reichhaltiger zeitlicher Kontext und Beteiligung des Hippocampus / medialen Temporallappens"

Tiere, die unbekannte Umgebungen erforschen, sehen sich mit Problemen auf mehreren Zeitebenen konfrontiert: Kurzfristig müssen sie Probleme der Mustererkennung, des Szenenverständnisses, der Entscheidungsfindung und der Handlungsauswahl lösen, während sie langfristig auch Strategien zum Aufbau einer internen Repräsentation der Umgebung als Grundlage für das kausale Verständnis bzw. die generative Modellierung entwickeln müssen. Aus computergestützter Sicht besteht die Hauptschwierigkeit darin, die reichhaltigen zeitlichen Strukturen und Konditionalitäten darzustellen und zu erlernen, die die wechselseitigen Abhängigkeiten zwischen der Umgebung und den Handlungen verkörpern.
Aktuelle Verhaltensaufgaben - z.B. Sequenzlernen, sequenzielle Reaktionszeitaufgaben, bedingtes assoziatives Lernen - berühren diese schwierigen Fragen kaum. Um dieses Problem direkter anzugehen, werden wir das menschliche Lernen willkürlicher sensomotorischer Zuordnungen in einem reichhaltigen zeitlichen Kontext sowie die neuronalen Korrelate eines solchen Lernens in Netzwerken, die den Hippocampus / medialen Temporallappen einbeziehen, untersuchen. [Wir stellen insbesondere die Hypothese auf, dass ein reichhaltiger, quasi-naturalistischer zeitlicher Kontext (i) das Lernen dramatisch erleichtert, indem er (ii) Strukturen des Hippocampus und des medialen Temporallappens anspricht.
Um diese beiden Hypothesen zu untersuchen, werden wir das menschliche Lernen von visuomotorischen Assoziationen in zeitlichen Kontexten unterschiedlicher Komplexität beobachten. Zu diesem Zweck werden wir neuartige, quasi-naturalistische, zeitliche Sequenzen mit statistischer Struktur über mehrere Zeitskalen entwickeln. Um neuronale Korrelate zu untersuchen, werden wir funktionelle Korrelationen der voxelbasierten BOLD-Aktivität in Paaren von (kleinen) Hirnarealen - z.B. Hippocampus und inferiorer temporaler Kortex - unter Verwendung von 3T oder 7T MRI mit hoher Auflösung untersuchen. Jüngste Arbeiten von uns und anderen zeigen, dass funktionelle Korrelationen auf Voxel-Ebene die kortikalen Schaltkreise, die bei verschiedenen Aufgabenzuständen aktiv sind, mit hoher Genauigkeit abgrenzen können.

ABINEP-M2-project 3: Modellierung Dopamin-induzierter neuronaler Netzwerk-Aktivität / "Learning conditional associations: rich temporal context and involvement of hippocampus / medial temporal lobe"

Animals exploring unknown environments face problems at multiple time-scales: in the short run, they must solve problems of pattern recognition, scene understanding, decision making and action selection while, in the long run, they must also develop strategies for building an internal representation of the environment as a basis for causal understanding / generative modelling.  From a computational point of view, the main difficulty is representing and learning the rich temporal structures and conditionalities that encapsulate the co-dependencies between environment and actions.
Current behavioural tasks – e.g., sequence learning, sequential reaction time tasks, conditional associative learning – barely touch upon these difficult issues.  To address this more directly, we will study human learning of arbitrary sensorimotor mappings in the presence of rich temporal context, as well as the neural correlates of such learning in networks involving the hippocampus / medial temporal lobe.  Specifically, we hypothesize that rich, quasi-naturalistic, temporal context will (i) dramatically facilitate learning by means of (ii) engaging hippocampus and medial temporal lobe structures.
To investigate these two hypotheses, we will monitor human learning of visuomotor associations in temporal contexts of different complexity.  To this end, we will develop novel, quasi-naturalistic, temporal sequences with statistical structure over several time-scales.  To investigate neural correlates, we will study functional correlations of voxel-based BOLD activity in pairs of (small) brain areas – e.g., hippocampus and inferior temporal cortex – relying on 3T or 7T high-resolution MRI.  Recent work, by ourselves and others, shows that voxel-level functional correlations can delineate with high fidelity the cortical circuits engaged in different task states.