Von Genen zur Landkarte des Gehirns

Bild: Pixabay, CC0

Wiener ForscherInnen vom Zentrum für Virtual Reality und Visualisierung (VRVis) und vom Institut für Molekulare Pathologie (IMP) haben eine neue Methode entwickelt, mit der Genomdaten und Hirnfunktion verknüpft werden können. Ergebnisse erster Analysen wurden in der wissenschaftlichen Fachzeitschrift NeuroImage veröffentlicht.

Gene beeinflussen Hirn

Zu verstehen, wie Gene die Entwicklung, Struktur und Funktion vom Gehirn beeinflussen, ist noch immer eine der großen Herausforderungen der Neurowissenschaften. Auch Verhaltensweisen werden durch das komplexe Zusammenwirken vieler Gene gelenkt. Wie Variationen in unseren Genen das Verhalten- unter anderem auch Verhaltensänderungen bei psychiatrischen Erkrankungen- bestimmen, ist heute eine der wichtigen Fragen der Hirnforschung. Wiener ForscherInnen sind der Beantwortung dieser Frage nun einen Schritt näher gekommen.

Erstellung von neuroanatomischen Landkarten

Mithilfe eines neu entwickelten Analyseverfahrens konnten die WissenschaftlerInnen aus dem Team von Wulf Haubensack, Gruppenleiter am IMP, nun von Genen auf neuroanatomische Landkarten schließen. Die ForscherInnen haben eine neue Methode entwickelt: GWCA- „genetically weighted connectivity analysis“ oder übersetzt „genetisch gewichtete Netzwerkanalyse“. Diese verbindet Genexpressionsdaten- das heißt, Information darüber, welche Gene, wann, wo und mit welcher Intensität aktiv sind- mit Daten über Konnektome, wie die netzwerkartigen Verbindungen zwischen einzelnen Nervenzellen im Gehirn genannt werden. Ein mathematischer Algorithmus analysiert deren Zusammenspiel und ermöglicht so die Kartierung von Gehirnfunktionen am Computer, also in silico.

Big Data in den Wissenschaften

Für ihre Analysen verwendeten die ForscherInnen bereits vorhandene, öffentlich zugängliche Daten, die in den letzten Jahren in der Neurowissenschaft und der Genetik gesammelt wurden. In der heutigen Zeit ist es in den Wissenschaften üblich, sich „Big Data“bei der Entwicklung neuer, innovativer Methoden zu Nutze zu machen. Als „Big data“ wird die Flut an komplexen Datenmengen bezeichnet, die durch den Anstieg an digital gesammeltem Datenvolumen aus vielen verschiedenen Quellen nicht mehr mit herkömmlichen Methoden analysiert werden kann. Bei der genetisch gewichteten Netzwerkanalyse können nun so mithilfe von frei verfügbaren Daten Zusammenhänge zwischen neuronalen Schaltkreisen, die bestimmten Verhaltensweisen zu Grunde liegen, und den verantwortlichen Genen entschlüsselt werden. „Die Visualisierung von neurobiologischen Zusammenhängen beginnt bereits bei den Rohdaten, weshalb der Fokus bei diesem Projekt auf der Erstellung der mathematischen Methode lag,“ so Florian Ganglberger, Doktorand am VRVis und Erstautor der Studie.

Methode bereits getestet

Um die Zuverlässigkeit der neuen Methode zu testen, verwendeten die WissenschaftlerInnen genetische Daten und berechneten mit dem Algorithmus bereits bekannte neuronale Schaltkreise psychiatrischer Erkrankungen. GWCA hielt dem Test stand und macht den ForscherInnen nun Hoffnung auf zahlreiche Anwendungen.

Die WissenschaftlerInnen um Wulf Haubensack hoffen, die Methode in Zukunft einsetzen zu können, um die Zusammenhänge zwischen Genen und komplexen Verhaltensstörungen besser zu verstehen. Die Charakterisierung psychiatrischer Erkrankungen wird verbessert, indem vorhergesagt werden kann, über welche Schaltkreise Gene bestimmte Verhaltensweisen beeinflussen. Dies macht beispielsweise die gezielte Erforschung der Grundlagen von Autismus und Angststörungen möglich.

GWCA soll weiters dafür verwendet werden, um mithilfe von Big Data bis jetzt bekannte neuroanatomische Landkarten in silico zu verbessern und den Einfluss von Genen auf Struktur und Funktion des Gehirns weiter aufzuklären.

 

Quellen:

Der Standard, abgerufen am 08.05.2018

APA OTS, abgerufen am 08.05.2018

IMP, abgerufen am 08.05.2018

 

Originalpublikation:

Ganglberger F., Kaczanowska J., Penninger JM et al.: Predicting functional neuroanatomical maps from fusing brain networks with genetic information. Neuroimage. 2018 Apr 15;170:113-120. doi: 10.1016/j.neuroimage.2017.08.070. Epub 2017 Sep 4.

 

Artikel erstellt am 19.06.2018 von JA