Inhaltszusammenfassung:
Unsere Wahrnehmung und alle unsere Handlungen werden durch unsere Sinne bestimmt. Die sensorische Information, die in neuronaler Aktivität kodiert ist, wird sowohl durch Verhaltens- als auch durch Erregungszustände beeinflusst. In den Neurowissenschaften werden eine Vielzahl von statistischen Modellen verwendet, um Daten zu analysieren und Vorhersagen zu treffen. Statistische Modelle erklären Beziehungen zwischen relevanten Variablen und ermöglichen es, zugrunde liegende Mechanismen zu verstehen.
Diese Dissertation enthält vier Studien, in denen die neuronale Aktivität von Mäusen untersucht wurde. Die erste Studie untersucht die Verarbeitung kortikaler Rückkopplungssignalen im Thalamus mithilfe eines generalisierten linearen Modells.
Die zweite Studie verwendet einen Gruppierungsalgorithmus, um die zelluläre Heterogenität in der lateralen Habenula und die Verarbeitung aversiver Informationen zu untersuchen. Die dritte Studie erforscht genauer, welche neuronalen Mechanismen den Bedrohungsassoziationen in der Habenula zugrunde liegen. In der letzten Studie werden Neurone im Locus coeruleus basierend auf ihren unterschiedlichen elektrophysiologischen Eigenschaften in noradrenerge und nicht-noradrenerge Neuronen klassifiziert. Die Ergebnisse weisen auf neurotransmitter-spezifische Dynamiken bei der Stressregulation hin.
Die Synergien zwischen Statistik und Neurowissenschaften bieten enormes Potenzial. Erkenntnisse über neuronale Mechanismen können auch helfen die Robustheit von künstlichen Systemen und die Interpretierbarkeit von maschinellen Lernmodellen zu verbessern. Insgesamt stellt diese Dissertation ein innovatives Beispiel für Forschung an der Schnittstelle von Biologie und Datenwissenschaft dar und zeigt, wie wir durch die Anwendung von statistischen Analysen unser Gehirn besser verstehen können.
