Daher verwenden Neurowissenschaftler einen Ansatz namens „Dimensionsreduktion“, um eine solche Visualisierung zu ermöglichen – sie nehmen Daten von Tausenden von Neuronen und beschreiben ihre Aktivitäten durch die Anwendung cleverer Techniken aus der linearen Algebra mit nur wenigen Variablen. Genau das haben Psychologen in den 1990er Jahren getan, um ihre fünf Hauptbereiche der menschlichen Persönlichkeit zu definieren: Offenheit, Verträglichkeit, Gewissenhaftigkeit, Extraversion und Neurotizismus. Allein durch das Wissen, wie eine Person bei diesen fünf Merkmalen abgeschnitten hat, konnten sie effektiv vorhersagen, wie diese Person Hunderte von Fragen in einem Persönlichkeitstest beantworten würde.
Aber die aus neuronalen Daten extrahierten Variablen können nicht in einem einzigen Wort wie „Offenheit“ ausgedrückt werden. Sie sind eher wie Motive, Aktivitätsmuster, die ganze neurale Populationen umfassen. Einige dieser Motive können die Achsen eines Diagramms definieren, wobei jeder Punkt eine andere Kombination dieser Motive darstellt – sein eigenes einzigartiges Aktivitätsprofil.
Es gibt Nachteile, Daten von Tausenden von Neuronen auf nur wenige Variablen zu reduzieren. So wie das Aufnehmen eines 2D-Bildes einer 3D-Stadtlandschaft einige Gebäude völlig unsichtbar macht, werden durch das Zusammenpacken eines komplexen Satzes neuronaler Daten in nur wenige Dimensionen viele Details eliminiert. Aber das Arbeiten in wenigen Dimensionen ist viel überschaubarer, als Tausende einzelner Neuronen auf einmal zu untersuchen. Wissenschaftler können sich entwickelnde Aktivitätsmuster auf den durch die Motive definierten Achsen darstellen, um zu beobachten, wie sich das Verhalten der Neuronen im Laufe der Zeit ändert. Dieser Ansatz hat sich im motorischen Kortex als besonders fruchtbar erwiesen, einer Region, in der verwirrende, unvorhersehbare Antworten einzelner Neuronen Forscher lange verwirrt hatten. Zusammengenommen verfolgen die Neuronen jedoch regelmäßige, oft kreisförmige Bahnen. Merkmale dieser Trajektorien korrelieren mit bestimmten Aspekten der Bewegung – ihre Position ist beispielsweise im Zusammenhang mit der Geschwindigkeit.
Olsen sagt, er erwartet, dass Wissenschaftler die Dimensionalitätsreduktion verwenden werden, um interpretierbare Muster aus den komplexen Daten zu extrahieren. „Wir können nicht Neuron für Neuron vorgehen“, sagt er. „Wir brauchen statistische Tools, Tools für maschinelles Lernen, die uns helfen können, Strukturen in Big Data zu finden.“
Aber diese Art der Forschung steckt noch in den Anfängen, und Wissenschaftler kämpfen darum, sich darauf zu einigen, was die Muster und Trajektorien bedeuten. „Die Leute streiten sich ständig darüber, ob diese Dinge wahr sind“, sagt John Krakauer, Professor für Neurologie und Neurowissenschaften an der Johns Hopkins University. “Sind sie real? Können sie so einfach interpretiert werden [as single-neuron responses]? Sie fühlen sich nicht so geerdet und konkret.“
Um diese Trajektorien auf den Boden der Tatsachen zu bringen, müssen neue Analysewerkzeuge entwickelt werden, sagt Churchland – eine Aufgabe, die sicherlich durch die Verfügbarkeit von großen Datensätzen wie denen des Allen Institute erleichtert wird. Und die einzigartigen Kapazitäten des Instituts mit seinen tiefen Taschen und seinem riesigen Forschungspersonal werden es ihm ermöglichen, größere Datenmengen zu produzieren, um diese Tools zu testen. Das Institut, sagt Olsen, funktioniert wie ein astronomisches Observatorium – kein einzelnes Labor könnte für seine Technologien bezahlen, aber die gesamte wissenschaftliche Gemeinschaft profitiert von seinen experimentellen Möglichkeiten und trägt dazu bei.
Derzeit, sagt er, arbeite das Allen Institute daran Pilotieren eines Systems wo Wissenschaftler aus der gesamten Forschungsgemeinschaft vorschlagen können, welche Arten von Reizen Tieren gezeigt werden sollten und welche Aufgaben sie erledigen sollten, während Tausende ihrer Neuronen aufgezeichnet werden. Da die Aufzeichnungskapazitäten weiter zunehmen, arbeiten die Forscher daran, reichhaltigere und realistischere experimentelle Paradigmen zu entwickeln, um zu beobachten, wie Neuronen auf die Art von realen, herausfordernden Aufgaben reagieren, die ihre kollektiven Fähigkeiten vorantreiben. „Wenn wir das Gehirn wirklich verstehen wollen, können wir dem Cortex nicht immer nur orientierte Balken zeigen“, sagt Fusi. “Wir müssen wirklich weitermachen.”