4. Das menschliche Spiegelneuronensystem (WIN-Programm)

gezielt dem Einfluss von Motivation und Belohnung auf die Aktivierung im Spie-
gelneuronensystem. Zusätzlich überprüfen wir mit einer Adaptationsaufgabe, ob
das Spiegelneuronensystem auch zwischen verschiedenen Emotionen unterschei-
det. Die Erhebung der fMRT- und EEG-Daten fand in dieser Förderphase nicht
simultan statt. Die neuen Paradigmen wurden etabliert und nach einer Pilotie-
rungsphase konnte die Erhebung der fMRT-Daten in Kombination mit der Er-
hebung von Speichelproben im Oktober 2018 abgeschlossen werden. Momenten
werten wir die Ergebnisse der Studie aus. Im Februar 2019 beginnen wir mit der
Erhebung der EEG-Daten. Diese Erhebung sowie die Erhebung zur Validierung
der simultan erhobenen Daten finden an der Universität Konstanz statt, da Daniela
Mier im Verlauf der 2. Förderperiode die Nachfolge von Brigitte Rockstroh auf
den Lehrstuhl für Klinische Psychologie angetreten hat.
Im theoretischen Teil des Projekts konnten wir in diesem Jahr die letzten
Hürden auf dem Weg zu dem vollständigen zweistufigen Modell der Spiegelneu-
ronenaktivität nehmen. Die erste Stufe dieses Modells ist eine modifizierte Ver-
sion des weit verbreiteten Dynamic Causal Modelling (DCM), mit dessen Hilfe
Netzwerkstrukturen zwischen Gehirnregionen aus fMRT-Daten abgeleitet wer-
den können. Die zweite Stufe hingegen modelliert die einzelnen Regionen im
Detail und beinhaltet eine Fülle biophysikalischer Details, die aus Tierexperimen-
ten gewonnen wurden. Das modifizierte DCM dient nun dazu, zum einen die
globale synaptische Verschaltung des biophysikalischen Netzwerks zu bestimmen
und zum anderen die Parameter der Neuronen anzupassen - beides bietet detail-
lierteren Aufschluss über die Physiologie des Spiegelneuronensystems, als es bis-
her möglich war, und legt die Grundlage für die Untersuchung der verschiedenen
Bedingungen des experimentellen Teils.
Auf der globalen Ebene des DCM hatten wir im vorhergehenden Jahr die
zwei verbleibenden Aufgaben (Empathie und Theory of Mind) ausgewertet und
festgestellt, dass anders als bei der Imitationsaufgabe keine eindeutige Netzwerk-
struktur gefunden werden konnte. Es zeigte sich, dass durch die Fülle der simul-
tan verglichenen Modelle teilweise mehrere Modelle gleich gut mit den Daten
vereinbar waren. Wir wichen daher auf zwei alternative Strategien aus: Zum einen
wurden Modelle mit ähnlichen Eigenschaften (z. B. einer bestimmten Verbin-
dungsstruktur, aber verschiedenen synaptischen Gewichten) zu Gruppen zusam-
mengefasst und miteinander verglichen. Dadurch sank die Zahl der jeweils zu
vergleichenden Modelle und ermöglichte eine klarere Auswahl. Zum anderen
wurden Parameter von Modellklassen, zwischen denen nicht eindeutig entschie-
den werden konnte, mithilfe der Technik des Bayesian Model Averaging gewichtet
und gemittelt. Auf diese Weise konnten für alle Bedingungen stabile Modellstruk-
turen gefunden werden: Während die Information über den Gesichtsstimulus in
allen Aufgaben vom superioren temporalen Sulcus (STS) an die Regionen BA44
und inferiorer Parietallappcn (IPL) weitergeleitet werden, kommt es nur bei der

349