Forschungsbeispiele

Impulsivität bei ADHD und Abhängigkeit

Es ist unwahrscheinlich, dass die Verhaltensphänotypen häufiger psychiatrischer Störungen einzigartige Psychopathologien darstellen. In der Tat spiegeln die mangelnden Fortschritte bei der Identifikation von biologischen Prozessen, die einer großen Bandbreite von Psychopathologien zugrunde liegen, vermutlich das Hintergrundsrauschen der Heterogenität wider. Ein Ansatz zur Entschlüsselung der wesentlichen Prozesse entstammt der Anwendung formaler Modelle. Kürzlich haben wir ein Modell intertemporaler Enscheidung beschrieben, das das Verhalten von Studienteilnehmern erfasst, wenn sie gezwungen sind, zwischen sofortigen und verzögerten Belohnungen zu entscheiden. In diesem Kontext kann Impulsivität als Neigung beschrieben werden, eher kleinere baldige als größere verzögerte Belohnungen auszuwählen [1]. Auf der phänomenologischen Ebene kann Impulsivität auf ein breites Spektrum von zugrunde liegenden Prozessen zurückgehen, einschließlich einer Verzerrung der Kurve einer Nutzenfunktion oder einer Veränderung eines Diskontierungskontrollparameters. Wir zeigten, dass die Steigerung der Impulsivität von Studienteilnehmern mithilfe pharmakologischer Manipulation ihrer dopaminergen Neurotransmission Auswirkungen auf den Diskontierungskontrollparameter hat [2]. Im Kontext der MPG-UCL-Initiative wollen wir diesen Ansatz erweitern, um die computationale Basis von Impulsivität bei Menschen mit ADHD oder Abhängigkeit von Substanzen wie Amphetaminen und Kokain zu untersuchen und damit ein tieferes Verständnis der Kernprozesse, die bei diesen Störungen fehlerhaft sind, erzielen.

[1] Pine, A., Seymour, B., Roiser, J. P., Bossaerts, P., Friston, K. J., Curran, H.V., & Dolan, R. J. (2009). Encoding of marginal utility across time in the human brain. Journal of Neuroscience, 29, 9575–9581. doi:10.1523/jneurosci.1126-09.2009

[2] Pine, A., Shiner, T., Seymour, B., & Dolan R. J. (2010). Dopamine, time and impulsivity in humans. Journal of Neuroscience, 30, 8888–8896. doi: 10.1523/jneurosci.6028-09.2010.

Entscheidungsfindung bei Normalem Altern

Bei der Entscheidungsfindung werden Auswahldimensionen verglichen und integriert. Die Neurowissenschaft der Entscheidung hat wesentliche Fortschritte bei der Entdeckung der neurobiologischen und computationalen Grundlagen von Vergleichs- und Integrationsprozessen im erwachsenen menschlichen Gehirn gemacht [1, 2]. Insbesondere wurden Variationen der dopaminergen und serotonergen Systeme mit individuellen Unterschieden der Entscheidungsfindung in Verbindung gebracht. In Erweiterung des allgemeinen Rahmens von Bäckman et al. [3] haben wir eine triadische Beziehung zwischen ökonomischer Entscheidungsfindung, dopaminerger und serotonerger Neuromodulation sowie normalem kognitiven Altern vorgeschlagen [4]. Um diese triadische Beziehung wirksamer zu beschreiben, muss die etablierte Schwerpunktsetzung auf Mittelwertsunterschiede zwischen Gruppen jüngerer und älterer Erwachsener durch Methoden ersetzt werden, die sowohl den Heterogenitätsgrad innerhalb von Altersgruppen als auch den Invarianzgrad der Mechanismen, die effiziente Entscheidungsfindung über Altersgruppen hinweg fördern, erfassen [5]. Eine Kombination von Erkennung genetischer Variation in transmitter-bezogenen Genen und bildgebenden Methoden wird dazu beitragen zu klären, wie sich Unterschiede in dopaminerger and serotonerger Neuromodulation auf Antwortmusterunterschiede im Gehirn bei der Verarbeitung von Risiken und Belohnungsverzögerung auswirken. Sie wird auch helfen, die Art der Integration von Belohnung, Risiko und Belohnungsverzögerung und der Beeinflussung von Integrationsmechanismen durch normales Altern zu untersuchen. Die MPG-UCL-Zusammenarbeit kann eine computationale Plattform für die Modellierung individueller und altersassoziierter Variationen bei der Entscheidungsfindung und ihrer Implikationen für Entscheidungen im Alltag bieten.

[1] Heekeren, H. R., Marrett, S., & Ungerleider, L. G. (2008). The neural systems that mediate human perceptual decision making. Nature Reviews Neuroscience, 9, 467-479. doi: 10.1038/nrn2374

[2] Philiastides, M. G., Biele, G., & Heekeren, H. R. (2010). A mechanistic account of value computation in the human brain. Proceedings of the National Academy of Sciences of the United States of America, 107, 9430–9435. doi: 10.1073/pnas.1001732107

[3] Bäckman, L., Nyberg, L., Lindenberger, U., Li, S.-C., & Farde, L. (2006). The correlative triad among aging, dopamine, and cognition: Current status and future prospects. Neuroscience & Biobehavioral Reviews, 30, 791-807. doi: 10.1016/j.neubiorev.2006.06.005

[4] Mohr, P. N. C., Li, S.-C., & Heekeren, H. R. (2010). Neuroeconomics and aging: Neuromodulation of economic decision making in old age. Neuroscience & Biobehavioral Reviews, 34, 678–688. doi: 10.1016/j.neubiorev.2009.05.010

[5] Nagel, I. E., Preuschhof, C., Li, S.-C., Nyberg, L., Bäckman, L., Lindenberger, U., et al. (2009). Performance level modulates adult age differences in brain activation during spatial working memory. Proceedings of the National Academy of Sciences of the United States of America, 106, 22552-22557. doi: 10.1073/pnas.0908238106