In the electroencephalography (EEG) and magnetoencephalography (MEG) studies of brain cognition functions and cortical networks, dynamic causal modeling (DCM) provides an useful tool to explore the effective coupling among brain regions. DCM is a computational method that enables the best brain models as well as parameters to be identified from the observed EEG/MEG data. One main challenge of DCM is how to construct a reasonably realistic model that can capture the important microscopic generative mechanisms of brain functions, at the same time can predict those macroscopic effects like observable oscillations or evoked responses in EEG/MEG. Such a model will allow for the integration of data from different sources, both microscopic (i.e. anatomical and physiological features of neurons) and macroscopic (i.e. measurable brain activity), as well as enabling us to test hypotheses and quantify microscopic dynamics for given macroscopic observations. In order to achieve a more biological plausible model for DCM, this thesis contributes to the development of a biologically realistic local cortical circuit model (LCCM), based on neural masses that incorporates important aspects of the functional organization of the brain that have not been covered by previous models: 1. activity dependent plasticity of excitatory synaptic couplings via depleting and recycling of neurotransmitters and 2. realistic inter-laminar dynamics via laminar-specific distribution of and connections between neural populations. The potential of the LCCM was demonstrated by accounting for the processes of auditory as well as somatosensory neural response adaptation of repetitive stimulation. The model parameters were specified using Bayesian inference. Our evaluation demonstrated that the novel features of the LCCM are of crucial importance for mechanistic explanations of brain functions. The incorporation of these features into a neural mass model makes it applicable to modeling the macroscopic data like EEG/MEG, which are usually available in human experiments. Our LCCM is therefore a valuable building block for future realistic models of human cognitive function.
Neuronale Massenmodelle sind sparsam hinsichtlich der verwendeten Parameter und biologisch plausible in ihrer Struktur. Sie sind gut geeignet für die Modellierung der Kortikalen Aktivität, die durch extrakranielle Messungen wie Elektroenzephalographie (EEG) oder Magnetoenzephalographie (MEG) erfasst werden. Die in bisherigen Studien verwendeten Modelle machen jedoch starke Annahmen und Vereinfachungen. So wird zum Beispiel die synaptische Plastizität, wichtig für Gehirnfunktionen wie Gedächtnis und Lernen, bisher nicht repräsentiert. Weiterhin wird die Vielfalt aller kortikalen Neuronen häufig nur durch drei verschiedene Populationen berücksichtigt. Um die lokale Informationsverarbeitung besser zu verstehen ist es außerdem notwendig, die Organisation der Neuronen und ihre synaptischen Verbindungen hinsichtlich der Laminas des Kortexes detailliert darzustellen. Das Forschungsvorhaben dieser Doktorarbeit ist es, ein solches neuronales Massenmodell mit synaptischer Plastizität und detaillierten synaptischen Verbindungen zu konstruieren und dessen Simulationen mit klinisch relevanten Messungen (Habituation von auditorisch und somatosensorisch evozierter Aktivität) zu vergleichen. Insbesondere wird gezeigt, dass das Modell eine Möglichkeit bietet, den Informationsfluss zwischen verschiedenen kortikalen Laminas und den Grad der Plastizität in verschiedenen Verbindungen zu ermitteln. Die Studie ist relevant für die Erforschung von Erkrankungen des Gehirns, die auf der Pathologie der neuronalen Konnektivität beruhen, zum Beispiel im Falle einer Alzheimererkrankung. Da das entwickelte Modell die kognitiven Prozessen des Gehirns zur Generation von EEG/MEG-Daten erklärt, ist der wissenschaftliche Beitrag dieser Studie nicht nur für Entwickler neuronaler Massenmodelle relevant, sondern auch für ein breites Feld von Neurowissenschaftlern.