Suche

zur Hauptseite

Institut für Neurowissenschaften und Medizin
(leer)

Navigation und Service


Computational Neurology

Ziel dieser Arbeitsgruppe ist es, basierend auf Ableitungen individueller Hirnaktivität (EEG und fMRT), mathematische Netzwerkmodelle zu erstellen, um mit deren Hilfe dieneuronale Dynamik, die motorischem Verhalten im gesunden und pathologischen Fall zu Grunde liegt, zu beschreiben und zu verstehen.

Fast jede motorische Handlung resultiert aus der komplexen Interaktion verschiedener Hirnregionen. In den vergangenen Jahrzehnten wurden die Hirnregionen, die in die Generierung von Bewegungen involviert sind intensiv in Tiermodellen, sowie im Menschenuntersucht. Neuere Theoretische Ansätze erlauben es uns, Informationen über dieInteraktionen zwischen diesen Hirnregionen aus durch Elektroenzephalografie (EEG) und funktioneller Magnetresonanztomografie (fMRT) gewonnenen Daten zu extrahieren. Dadurch geben sie uns erste Einblicke in die Art und Weise, wie sich die oben genannten Hirnregionen abhängig von der motorischen Aufgabe zu funktionalen Netzwerken zusammenschliessen. Ebenso deuten experimentelle und klinische Studien darauf hin, dass bestimmte neuromodulatorische Systeme, wie z.B. das dopaminerge System,
für diemotorische Kontrolle von besonderer Bedeutung sind. Unser Wissen über die neuronalen Mechanismen, die der Kodierung individueller Bewegungen zu Grunde liegen und wie diese Mechanismen im Falle eines
Schlaganfallsgestört werden, ist hingegen relativ gering.

ag_gruhn_2

Ziel dieser Arbeitsgruppe ist es, basierend auf Ableitungen individueller Hirnaktivität (EEG und fMRT), mathematische Netzwerkmodelle zu erstellen, um mit deren Hilfe dieneuronale Dynamik, die motorischem Verhalten im gesunden und pathologischen Fall zuGrunde liegt, zu beschreiben und zu verstehen. Dazu benutzen wir mathematische Modelle neuronaler Oszillatoren, die durchdynamische Synapsen, welche durch die Aktivität von Neuromodulatoren beeinflusst undkontrolliert werden, gekoppelt sind. Mit Hilfe von Simulationen solcher komplexer oszillatorischer Netzwerke und durch Analysen der Modelle können wir Hypothesen darüber aufstellen, wie dysfunktionaleNetzwerkdynamik, und damit motorische Defizite, die im pathologischen Fall auftreten, wieder in den gesunden Zustand überführt werden können. Solche Informationen sind für die Entwicklung neuer Behandlungsstrategien zur Wiederherstellung zerstörter Netzwerkaktivität kritisch.

Publikationen:

Toth, T.I., Schmidt, J., Büschges, A., Daun-Gruhn, S. 2013. A neuro-mechanical model of a single leg joint

highlighting the fundamental physiological role of fast and slow muscle fibres of an insect muscle system.

PLOS ONE, DOI: 10.1371/journal.pone.0078247

Toth, T.I., Grabowska, M., Schmidt, J., Büschges, A., Daun-Gruhn, S., 2013. A neuro-mechanical model

explaining the physiological role of fast and slow muscle fibres at stop and start of stepping of an insect leg.

PLOS ONE, DOI: 10.1371/journal.pone.0078246

Knops, S., Toth, T.I., Guschlbauer, C., Gruhn, M., Daun-Gruhn, S., 2012. A neuromechanical model for

curve walking in the stick insect. Journal of Neurophysiology. J Neurophysiol, 109(3), 679-691

Toth, T.I., Knops, S., Daun-Gruhn, S., 2012. A neuro-mechanical model explaining forward and backward

stepping in the stick insect. Journal of Neurophysiology, 107(12), 3267-80.

Daun-Gruhn, S., Toth, T.I., Borgmann, A., 2011. Dominance of local load signals over inter-segmental

effects in a motor system. II. Simulation studies, Biological Cybernetics, 105(5-6), 413-426.

Daun-Gruhn, S. and Toth, T.I., 2011. An inter-segmental network model and its use in elucidating gait- switches in the stick insect, Journal of Computational Neuroscience, 31(1), 43-60.

Daun-Gruhn, S., 2011. A mathematical modeling study of inter-segmental coordination during stick insect

walking, Journal of Computational Neuroscience, 30(2), 255-278.

Daun, S. Rubin, J., Rybak, I., 2009. Control of oscillation periods and phase durations in half-center central

pattern generators: a comparative mechanistic analysis, Journal of Computational Neuroscience, 27(1), 3-

36.

Zusatzinformationen

Principal Investigator

Dr. Silvia Gruhn


Servicemenü

Homepage