Onderzoekers van de Champalimaud Foundation hebben een belangrijke stap gezet in het ontrafelen van hoe informatie zich door de hersenen verplaatst. Met behulp van een nieuwe Ultrafast MRI-techniek (UF-MRI) konden zij voor het eerst vaststellen in welke richting zenuwimpulsen zich bewegen: van zintuigen naar hogere hersengebieden (feedforward) of juist andersom, vanuit verwachtingen en voorspellingen (feedback).
De studie werd uitgevoerd in rattenhersenen en biedt nieuwe inzichten in fundamentele hersenprocessen. Deze ontdekking kan belangrijke implicaties hebben voor het begrijpen van neurologische en psychiatrische aandoeningen zoals autisme, Alzheimer, schizofrenie en hallucinaties. Volgens hoofdonderzoeker Noam Shemesh gaat het om een nieuwe manier om naar hersenactiviteit te kijken: niet alleen waar activiteit plaatsvindt, maar hoe informatie daadwerkelijk stroomt.
Onzichtbare processen zichtbaar
Centraal in het onderzoek staat een innovatieve beeldvormingstechniek: uFLARE (UltraFast Layer-Resolved Encoding). Deze methode maakt het mogelijk om hersenactiviteit te meten met een ongekend hoge temporele en ruimtelijke resolutie.
De onderzoekers maakten gebruik van een experimentele MRI-scanner met een magnetisch veld van 9,4 Tesla, aanzienlijk krachtiger dan de 1 tot 3 Tesla die gebruikelijk is in klinische settings. Hierdoor konden zij functionele MRI-beelden maken met een resolutie van milliseconden en submillimeterniveau. De resultaten van het onderzoek zijn gepubliceerd in Nature Communications.
Deze snelheid en precisie zijn cruciaal om onderscheid te maken tussen verschillende richtingen van signaaloverdracht in de hersenen. Zelfs spontane activiteit, die continu plaatsvindt, ook in rust, bleek duidelijke, onderscheidende patronen te vertonen voor feedforward- en feedbacksignalen. Toch was beeldvorming alleen niet voldoende. Om de complexe datasets te interpreteren, ontwikkelden de onderzoekers aanvullende computationele modellen die de richting van informatiestromen konden reconstrueren.
Hersenschors als gelaagd netwerk
De analyse richtte zich op de visuele cortex, een hersengebied dat uit zes duidelijk onderscheiden lagen bestaat. Deze structuur maakt het mogelijk om nauwkeurig te bepalen waar verschillende soorten signalen binnenkomen en vertrekken.
Feedforward-signalen, afkomstig van de zintuigen, richten zich voornamelijk op de middelste laag van de cortex. Feedbacksignalen, afkomstig van hogere hersengebieden, projecteren juist naar de oppervlakkige en diepere lagen. Deze anatomische kennis vormde de basis voor het ontwikkelde model.
Het team gebruikte een zogenoemd “layer-based connective field model” om de communicatie tussen neuronen te beschrijven. Dit model voorspelt hoe activiteit in één hersengebied invloed heeft op een ander gebied, afhankelijk van de laag waarin de signalen worden verwerkt. Onderzoeker Joana Carvalho legt uit dat de grootte van het zogenoemde ‘connective field’ aangeeft hoeveel informatie tussen neuronale groepen wordt uitgewisseld. Door deze variatie over de verschillende lagen te analyseren, konden de onderzoekers onderscheid maken tussen opwaartse en neerwaartse signalen.
De resultaten bevestigden de hypothese: de patronen in de MRI-data kwamen overeen met de voorspellingen van het model. Daarmee konden de onderzoekers betrouwbaar vaststellen in welke richting informatie door de hersenen stroomde.
Visuele cortex
Hoewel het onderzoek zich richtte op de visuele cortex, bleek de methode ook toepasbaar op andere hersengebieden, zoals het somatosensorische en motorische systeem. Dit wijst op een mogelijk algemeen principe van hersencommunicatie. De implicaties voor de geneeskunde zijn groot. Veel neurologische aandoeningen worden geassocieerd met verstoringen in de balans tussen feedforward- en feedbackprocessen. Tot nu toe was het echter niet mogelijk om deze veranderingen direct te meten.
Volgens Shemesh biedt de nieuwe methode een kans om dit beter te begrijpen. “We weten dat de communicatiepaden in de hersenen veranderen bij aandoeningen zoals Alzheimer of Parkinson, maar we weten niet precies hoe. Met deze techniek kunnen we die veranderingen nu in kaart brengen.”
Bij autisme bijvoorbeeld wordt aangenomen dat verschillen in perceptie samenhangen met afwijkingen in hoe informatie wordt geïntegreerd. De nieuwe techniek kan helpen bepalen of deze verschillen voortkomen uit veranderingen in feedforward- of feedbacksignalen.
Toepassing in de praktijk
De volgende stap voor het onderzoeksteam is het vertalen van deze bevindingen naar studies bij mensen. Als de methode ook in menselijke hersenen toepasbaar blijkt, kan dit leiden tot nieuwe diagnostische mogelijkheden en behandelstrategieën. Volgens Carvalho ligt daar de echte potentie: “Als we kunnen zien hoe laesies of aandoeningen de richting van hersensignalen beïnvloeden, krijgen we een veel beter begrip van de onderliggende mechanismen.”
Deze ontwikkeling toont de toenemende rol van geavanceerde beeldvorming, data-analyse en computationele modellen in de neurowetenschappen. Door deze technologieën te combineren ontstaat een nieuwe generatie inzichten in hersenfunctie.
De mogelijkheid om niet alleen hersenactiviteit te meten, maar ook de richting van informatieverwerking te bepalen, markeert een belangrijke stap richting precisiegeneeskunde in de neurologie. Het opent de deur naar een toekomst waarin hersenaandoeningen beter begrepen, eerder herkend en gerichter behandeld kunnen worden.
AI-tool verbetert hersenscans
Vorig jaar hebben onderzoekers van de Mayo Clinic een AI-tool ontwikkeld, StateViewer, die de diagnostiek van dementie aanzienlijk kan verbeteren. Op basis van één FDG-PET-hersenscan kan de tool negen verschillende vormen van dementie onderscheiden. In studies identificeerde StateViewer in 88 procent van de gevallen de juiste diagnose en werkte het sneller en nauwkeuriger dan traditionele methoden.
De AI analyseert glucoseverwerking in de hersenen en vergelijkt scans met een uitgebreide referentiedatabase. De resultaten worden weergegeven in intuïtieve, kleurgecodeerde hersenkaarten, waardoor ook niet-specialisten de uitkomsten beter kunnen interpreteren. Een ontwikkeling die kan bijdragen aan en meer gepersonaliseerde diagnoses, wat cruciaal is gezien de groeiende groep mensen met dementie.
