AG Netzwerkneurowissenschaften und Maschinelles Lernen

Leitung: Dr. rer. medic. J. Kruschwitz, habil., Dipl.-Psych 
Mitglieder: Johann Kruschwitz, Emin Serin, Lea Waller, Justin Böhmer, Pablo Reinhard, Dominik Göller​​​​​​

Forschungsansatz
Netzwerk-Theorien des Gehirns und die Konnektomik gewinnen bei der Betrachtung des menschlichen Gehirns als ein zusammenhängendes Netzwerk immer mehr an Bedeutung und stellen mittlerweile entscheidende Werkzeuge dar, um die funktionelle und strukturelle Komplexität des Gehirns zu erfassen. Mit Hilfe der Konnektomik kann die strukturelle und funktionelle Architektur des menschlichen Gehirns mittels Definition von Netzwerken untersucht werden, die aus relevanten Gehirnregionen ("Knoten") und interregionalen strukturellen oder funktionellen Verbindungen ("Kanten") bestehen. In diesem Zusammenhang bietet die Graphentheorie, als mathematische Betrachtung von Netzwerken, einen mächtigen und umfassenden Formalismus, um globale und lokale Netzwerkeigenschaften komplexer struktureller oder funktioneller Hirnkonnektivität darzustellen. So konnte die Anwendung graphentheoretischer Maße in klinischen Populationen Unterschiede in diesen Eigenschaften bei vielen neurologischen und psychiatrischen Störungen aufzeigen. Neben der Beschreibung topologischer Netzwerkeigenschaften bietet die Graphentheorie auch einen Rahmen für die Identifizierung anatomisch lokalisierter Subnetzwerke im gesamten Gehirn, die mit bestimmten Effekten assoziiert sind (z. B. Gruppenunterschiede zwischen Genotypen oder Korrelationen mit neuropsychologischen Testergebnissen). Aufgrund ihres reichhaltigen, vielschichtigen und hochdimensionalen Merkmalsraums bieten Netzwerkmodelle des Gehirns (d. h. das Konnektom) vielversprechende Ansatzpunkte für die Suche nach neuronalen Biomarkern. Hier ermöglicht die Anwendung von Machine-Learning- und Deep-Learning-Modellen, d.h. Dekodierungsmodellen, eine musterorientierte Erschließung des Konnektoms und liefern eine vielversprechende Lösungsmöglichkeit zur Identifizierung von bisher übersehenen Mechanismen der Hirnfunktion. 

In unserer Gruppe wenden wir computergestützte Techniken aus dem Bereich der Konnektomik und des maschinellen Lernens an, um rigorose neurowissenschaftliche Schlussfolgerungen über ein breites Spektrum von Themen abzuleiten (siehe aktuelle Projekte). Außerdem arbeiten wir an der Entwicklung von Methoden und Techniken zur Untersuchung und Beschreibung der intrinsischen Architektur des Gehirns (Connectomics Methoden: GraphVar & NBS-Predict).