iCal
salle :
Plenarsaal (Arena)
Thème:
Présentations principales
Forme de présentation:
Présentation principal
Durée:
45 minutes
<p><img src="https://sgp17.organizers-congress.org/frontend/organizers/media/SGP17/cms/Referenten/Herzog.jpg" alt="" ></p>
Komplexe psychiatrische Krankheiten und das Human Brain Project
Michael H. Herzog | EPFL
Détails
Auteur:
Michael H. Herzog | EPFL
Die Erforschung psychiatrischer Krankheiten, wie Schizophrenie und Depression, konzentriert sich meistens auf monokausale Erklärungsmuster wie der Suche nach single nucleotide polymorphisms (SNPs), abnormalen molekularen Mechanismen, oder aberranter Kognition. Eine große Anzahl von detaillierten Mechanismen wurde postuliert, die aber nicht zu wissenschaftlichen Durchbrüchen geführt haben. Es scheint, dass die meisten psychiatrischen Krankheiten genetisch, neurobiologisch und phänomenologisch zu komplex für einfache, monokausale Mechanismen sind. Multifaktorielle Erklärungen sind nicht nur komplexer, sondern führen zu kombinatorischen Problemen, die nicht mit isolierten Forschungsstrategien gelöst werden können. Was für psychiatrische Krankheiten gilt, gilt auch für die Gehirnforschung. Das menschliche Gehirn enthält mehr als eine Million Neurone mit Billiarden von neuronalen Verbindungen. Das Human Brain Projekt hat zwei Hauptansätze, um mit der Komplexität des Gehirns und seiner Krankheiten umzugehen. Erstens wird ein realistisches Modell des Gehirns, basierend auf detaillierten neurowissenschaftlichen und genetischen Daten, nachgebaut. Computersimulationen erlauben detaillierte Vorhersagen von neurophysiologischen Prozessen auf allen Ebenen, einschließlich genetischer Expression, molekularen Interaktionen und neuronaler Aktivität. Simulationen können zeigen, wie abnormale Neurotransmitterausschüttung zu abnormalen Hirnaktivitäten führt, wie sie z.B. in Zusammenhang mit Schizophrenie und Depression stehen. Das zweite Ziel ist es, große Datenmengen von vielen Aspekten einer Krankheit in einem Datenformat zusammen zu bringen. Moderne Techniken aus dem Bereich der modernenen Statistik wie Support-Vektor -Maschinen oder Deep Networks erlauben, diese Daten in hochdimensionalen Räumen zu klassifizieren und Muster und Komorbiditäten zu finden, die mit monokausalen Ansätzen unsichtbar sind. Das letztendliche Ziel ist es, beide Ansätze zu kombinieren und komplexe genetische und neurophysiologische Ursachen psychiatrischer Krankheiten mit den damit einhergehenden komplexen Phänotypen zu liieren und so zu vollkommen neuartigen Erklärungsansätzen zu kommen.