Der „funktionale Abdruck“ des Gehirns kann lebenslang als Identifikator dienen.

Der einzigartige neurologische „funktionelle Abdruck“ ermöglicht es Wissenschaftlern, die Auswirkungen auf die Struktur von Gehirnverbindungen zwischen Genetik, Umwelt und Alterung zu untersuchen

Mikaela Cordova , eine Forscherin und Laborleiterin am Oregon Institute of Health and Science, beginnt mit der Demetallisierung: Entfernt Ringe, Uhren, Geräte und andere Metallquellen, prüft Taschen auf vergessene Gegenstände, die, wie sie sagt, "hineinfliegen" können. Dann betritt sie den Raum mit dem Scanner, hebt und senkt das Bett, schwenkt ihre Kopfbedeckung mit Sensoren ungefähr in Richtung des Sichtfensters und der iPad-Kamera, was diese virtuelle Tour ermöglicht (ich beobachte, was in Massachusetts aus einer Entfernung von Tausenden von Kilometern passiert). Ihre Stimme ist ein wenig verzerrt durch das im MRT eingebaute Mikrofon, das aus meiner leicht verschwommenen Sicht nicht wie eine Industrierohre aussieht, sondern eher wie ein Tier mit einem leuchtend blauen Mund. Ich kann nicht anders, als zu glauben, dass diese beängstigende Beschreibung in den Herzen ihrer typischen Kunden mitschwingen kann.

Cordoba arbeitet mit Kindern, beruhigt ihre Ängste, hilft ihnen, in den Scanner einzusteigen und ihn zu verlassen, verführt sie mit einem freundlichen Wort, Pixar-Cartoons und Versprechungen von Süßigkeiten, um das Zappeln zu minimieren. Diese Kinder nehmen an einer Studie teil, die darauf abzielt, die Nervenverbindungen des Gehirns zu markieren.

Die Menge der physischen Verbindungen zwischen Gehirnregionen wird als „Verbindung“ bezeichnet und unterscheidet Menschen von anderen Arten aus kognitiver Sicht. Abgesehen davon unterscheiden uns diese Verbindungen voneinander. Jetzt kombinieren Wissenschaftler Neuroimaging und maschinelles Lernen, um zu verstehen, wie die Struktur und Funktion des Gehirns von Individuen ähnlich sind und wie sie sich unterscheiden, und um zu lernen, wie Veränderungen in einem bestimmten Gehirn im Laufe der Zeit unter dem Einfluss von Genetik und Umwelt vorhergesagt werden können.

Das Labor, in dem Cordoba unter der Leitung von Associate Professor Damien Fair arbeitet, ist mit einer funktionalen Verbindung verbunden - einer Karte von Gehirnregionen, die bestimmte Aufgaben koordinieren und das Verhalten beeinflussen. Fair prägte den Namen der charakteristischen neuronalen Verbindungen der Persönlichkeit: einen funktionalen Abdruck. Wie Fingerabdrücke hat jede Person ihre eigenen funktionalen Fingerabdrücke und kann als eindeutige Kennung dienen.

"Ich kann einen Fingerabdruck von meiner fünfjährigen Tochter nehmen und herausfinden, dass der Fingerabdruck ihr gehört, selbst wenn sie 25 Jahre alt ist", sagte Fair. Und obwohl ihr Finger wachsen kann, ändert er sich irgendwie mit dem Alter und der Erfahrung, "seine Hauptzeichen werden nirgendwo hingehen." In gleicher Weise legt die Arbeit des Faire-Labors nahe, dass die Essenz der funktionellen Verbindung einer Person als Identifikator verwendet werden kann und dass normale Gehirnveränderungen während des Lebens im Prinzip vorhergesagt werden können.

Die Definition, Verfolgung und Modellierung einer funktionellen Verbindung kann Aufschluss darüber geben, wie sich die Gehirnstruktur auf das menschliche Verhalten auswirkt, und in einigen Fällen zum Auftreten bestimmter neuropsychiatrischer Erkrankungen führen. Zu diesem Zweck durchsuchen Fair und das Team systematisch Daten aus Scans, Studien und Fallbeispielen, um nach Mustern in der Verbindung zu suchen.

Verbindung charakterisieren

Herkömmliche Techniken zur Kennzeichnung funktionaler Konnektivität konzentrieren sich jeweils nur auf zwei Bereiche des Gehirns. Mithilfe der MRT werden Korrelationen zwischen Aktivitätsänderungen in diesen Bereichen gesucht. Bereiche des Gehirns mit sich gleichzeitig ändernden Signalen erhalten 1 Punkt. Wenn das Signal in einem Abschnitt zunimmt und im anderen abnimmt, ist dies -1 Punkt. Wenn zwischen den Standorten keine Beziehung besteht, sind dies 0 Punkte.


Von links nach rechts: Michaela Cordoba, Oscar Miranda Dominguez und Damien Fair

Dieser Ansatz hat seine Grenzen. Zum Beispiel betrachtet er ein ausgewähltes Paar von Gehirnregionen unabhängig von den anderen, obwohl jede von ihnen wahrscheinlich von Daten abhängt, die aus benachbarten Regionen stammen, und diese zusätzlichen Daten können die wahre funktionale Beziehung eines jeden Paares maskieren. Um über diese Annahmen hinauszugehen, war es notwendig, die gleichzeitige Kommunikation aller Teile des Gehirns und nicht nur einiger Beispiele davon zu untersuchen und in ihren Zusammenhängen breitere und informativere Muster zu finden, die wir sonst möglicherweise nicht bemerkt hätten.

Im Jahr 2010 war Fair Mitautor einer in Science veröffentlichten Arbeit , in der die Verwendung von maschinellem Lernen und MRT-Scans beschrieben wurde, um alle verbundenen Paare gleichzeitig zu verfolgen und das Alter eines bestimmten Gehirns zu bestimmen. Und obwohl dies nicht das einzige Team war, das die Muster mehrerer Kommunikationskanäle gleichzeitig analysierte, löste seine Arbeit eine aktive Diskussion in der Forschungsgemeinschaft aus, da es das erste war, das diese Muster verwendete, um das Alter eines Individuums zu bestimmen.

Vier Jahre später entwickelte das Faire-Team in einer Arbeit, in der der Begriff „funktionaler Abdruck“ geprägt wurde, eine eigene Methode, um eine funktionale Verbindung zu markieren und die Aktivität einzelner Gehirnregionen anhand von Signalen vorherzusagen, die nicht nur von einer, sondern von allen anderen Regionen in Kombination miteinander stammen.

In ihrem einfachen linearen Modell ist die Aktivität einer Region des Gehirns gleich dem Gesamtbeitrag aller anderen Regionen, von denen jede ihr Gewicht entsprechend der Stärke der Beziehung zwischen den beiden betrachteten Regionen des Gehirns erhält. Ein relativer funktioneller Abdruck wird durch die relativen Beiträge zur Interaktion jeder der Gehirnregionen erzeugt. Die Forscher benötigten nur 2,5 Minuten pro Person, um ein lineares Modell auf der Grundlage hochwertiger MRT-Bilder zu erstellen.

Nach ihren Berechnungen sind etwa 30% der Verbindung individuell. Die meisten der untersuchten Standorte verwalten in der Regel übergeordnete Aufgaben, die eine kognitive Verarbeitung erfordern - Lernen, Gedächtnis und Aufmerksamkeit - im Vergleich zu einfacheren Funktionen wie sensorisch, motorisch oder visuell.

Die Tatsache, dass diese Websites zwischen den Menschen so unterschiedlich sind, macht Sinn, erklärte Fair, weil die Regionen, die die Funktionen auf höherer Ebene steuern, uns tatsächlich zu dem machen, was wir sind. Tatsächlich traten Gehirnregionen wie die Frontal- und Parietallappen in den späten Stadien der Evolution auf und nahmen mit dem Aufkommen des modernen Menschen zu.

"Wenn Sie darüber nachdenken, was die Menschen wahrscheinlich gemeinsam haben, werden es offensichtlich einige einfachere Funktionen sein", sagte Fair, "wie die Art und Weise, wie ich meine Hände bewege oder wie die visuellen Informationen verarbeitet werden." Diese Gebiete unterscheiden sich nicht so stark zwischen den Menschen.


Näher am blauen Teil des Spektrums - weniger Variationen zwischen verschiedenen Personen, näher am roten - mehr Variationen

In Anbetracht der einzigartigen Aktivitätsmuster verschiedener Teile des Gehirns kann das Modell eine Person anhand neuer Scans bestimmen, die zwei Wochen nach dem ersten durchgeführt wurden. Aber was sind ein paar Wochen in Bezug auf das menschliche Leben? Fair und das Team begannen darüber nachzudenken, ob ein funktionaler Abdruck einer Person über Jahre oder sogar Generationen hinweg existieren kann.

Wenn Forscher den funktionellen Abdruck einer Person mit den Abdrücken ihrer nahen Verwandten vergleichen könnten, könnten sie zwischen den genetischen und Umwelteinflüssen unterscheiden, die unsere neuronalen Verbindungen bilden.

Verfolgung der neuronalen Vererbung

Der erste Schritt beim Herstellen einer Verbindung zwischen Genen und Gehirnorganisation besteht darin, zu bestimmen, welche Aspekte der Verbindung bei Mitgliedern derselben Familie gemeinsam sind. Es gibt Nuancen - es ist bekannt, dass die Gehirnstrukturen von Verwandten in Volumen, Form und Integrität der weißen Substanz ähnlich sind, aber dies bedeutet nicht, dass die Struktur der Bindungen zwischen diesen Strukturen dieselbe ist. Da bestimmte psychische Erkrankungen für eine Familie charakteristisch sind, kann der Wunsch von Fair, vererbbare Beziehungen zu identifizieren, letztendlich dazu beitragen, diejenigen Teile des Gehirns und Gene zu isolieren, die das Risiko bestimmter Krankheiten erhöhen.

Wie in einem im Juni veröffentlichten Artikel beschrieben, wollte das Labor eine Plattform für maschinelles Lernen schaffen, die die Frage beantworten kann, ob die Verbindungen zwischen verschiedenen Teilen des Gehirns bei Verwandten ähnlicher sind als bei zufälligen Personen.

Die Forscher überprüften ihr lineares Modell an einer neuen Reihe von Gehirnbildern, diesmal einschließlich Kinderbildern, um die relative Stabilität des Konnektoms während der Pubertät zu überprüfen. Und es stellte sich heraus, dass das Modell trotz der Veränderungen der neuronalen Verbindungen, die während der Entwicklung des Gehirns über mehrere Jahre auftreten, wirklich empfindlich genug für die Identifizierung von Individuen ist.

Die Untersuchung der Auswirkungen von Genetik und Umwelt auf die Gehirnschaltungen begann mit einem Klassifikator - einem Sortieralgorithmus, der die Probanden anhand ihrer funktionellen Abdrücke in zwei Gruppen unterteilt: „Verwandte“ und „Nicht-Verwandte“. Das Modell wurde an Kindern aus Oregon trainiert und dann an einem anderen Satz von Kinderdaten sowie an einer anderen Stichprobe überprüft, an der Erwachsene aus dem Projekt des menschlichen Konnektoms teilnahmen .


Eines der Bilder der anatomischen Verbindungen zwischen Gehirnregionen, die im Rahmen des Human Connectome-Projekts erhalten wurden

Wie eine Person Verbindungen zwischen Menschen auf der Grundlage von physischen Zeichen wie Augenfarbe, Haarfarbe und Wachstum herstellen kann, führte der Klassifikator ein ähnliches Verfahren auf der Grundlage neuronaler Verbindungen durch. Es stellte sich heraus, dass die funktionalen Abdrücke für eineiige Zwillinge am ähnlichsten sind, dann nehmen die Unterschiede zwischen den unverheirateten Zwillingen, dann zwischen gewöhnlichen Brüdern und Schwestern und schließlich zwischen Menschen zu, die nicht durch familiäre Bindungen verbunden sind.

Associate Professor Oscar Miranda-Dominguez , ein Mitarbeiter des Faire-Labors und Erstautor der Studie, war überrascht, dass sie erwachsene Verwandte anhand von Modellen identifizieren konnten, die in Kindern trainiert wurden. Von Erwachsenen trainierte Modelle konnten dies nicht - möglicherweise, weil Systeme für Erwachsene bereits vollständig entwickelt sind und ihre Merkmale weniger verallgemeinert sind als in einem jungen, sich entwickelnden Gehirn. "Nachfolgende Studien mit zunehmenden Datensätzen und Altersgruppen können Probleme des Erwachsenwerdens klären", sagte Miranda.

Die Fähigkeit des Modells, kleine Unterschiede zwischen Familienmitgliedern zu erkennen, erwies sich als bemerkenswert, da die Forscher den Klassifikator darauf trainierten, schematischer nach „Verwandten“ oder „Nicht-Verwandten“ zu suchen, anstatt Verwandtschaftsgrade zu unterscheiden (ihr Modell von 2014 konnte diese impliziten Unterschiede erkennen , aber traditionellere Korrelationsansätze scheiterten).

Obwohl ihre Zwillingsstichprobe nicht groß genug war, um die Unterschiede zwischen den Auswirkungen von Genetik und Umwelt zu verstehen, sagt Fair, dass „es keinen Zweifel gibt“, dass letztere eine große Rolle bei der Gestaltung des funktionalen Abdrucks spielt. Zusätzlich zu dem Artikel wurde ein Modell beschrieben, das die allgemeine Umgebung von der allgemeinen Genetik unterscheiden kann. Ohne ausreichend große Datenmengen ist das Team jedoch weiterhin vorsichtig, endgültige Schlussfolgerungen zu ziehen. "Das meiste, was wir sehen, dreht sich mehr um Genetik und weniger um die Umwelt", sagte Fair, "aber man kann nicht sagen, dass die Umwelt keinen großen Einfluss auf die Konnektivität hat."

Um die Beiträge einer gemeinsamen Umgebung und der allgemeinen Genetik zu trennen, sagt Miranda: „Sie können beispielsweise die Gehirneigenschaften finden, die eineiige Zwillinge von ihren Uteruszwillingen unterscheiden, da beide Zwillingsarten eine gemeinsame Umgebung teilen, aber nur die identischen Zwillinge den genetischen Beitrag teilen.“

Obwohl alle von ihnen untersuchten Nervenkreise eine gewisse Ähnlichkeit zwischen Verwandten aufweisen, wurden Systeme höherer Ordnung am meisten vererbt. Es stellte sich heraus, dass dies dieselben Standorte waren, die in einer vier Jahre zuvor durchgeführten Studie den größten Unterschied zwischen Verwandten zeigten. Wie Miranda betonte, regulieren diese Websites das Verhalten, das für die soziale Interaktion verantwortlich ist, und bestimmen möglicherweise „Familienmerkmale“. Zur Liste der Familienmerkmale können Sie unmittelbar nach Bluthochdruck, Arthritis und Myopie "verteilte Gehirnaktivität" hinzufügen.

Auf der Suche nach einem vom Gehirn vorhergesagten Alterszeichen

Während Fair und Miranda die genetischen Grundlagen einer funktionellen Konnektivität in Oregon beschreiben, arbeitet James Cole , ein Forscher am King's College London, daran, die Vererbung des Gehirnalters mithilfe von Neuroimaging und maschinellem Lernen zu entschlüsseln. Das Team von Faire bestimmt das Alter des Gehirns anhand der funktionellen Verbindungen zwischen seinen Bereichen, und Cole betrachtet es als Index für Atrophie - eine Kompression des Gehirns im Laufe der Zeit. Im Laufe der Jahre trocknen die Zellen aus oder sterben ab, das Nervenvolumen nimmt ab und der Schädel verändert sich nicht, und der freiwerdende Raum wird mit Liquor cerebrospinalis gefüllt. In gewisser Weise altert das Gehirn nach einem bestimmten Entwicklungsstadium durch Austrocknen.

Als Fair 2010 eine einflussreiche Arbeit in Science veröffentlichte, die eine Welle der Begeisterung für die Verwendung von fMRI- Daten zur Bestimmung des Gehirnalters hervorrief, leitete einer von Coles Kollegen ein ähnliches Projekt, dessen Ergebnisse in NeuroImage veröffentlicht wurden. Er verwendete anatomische Daten, da der Unterschied zwischen dem wahrgenommenen und dem chronologischen Alter des Gehirns („Lückenalter des Gehirns“) biologisch aussagekräftig sein kann.

Laut Cole wirkt sich das Alter auf jeden Menschen, jedes Gehirn und sogar auf jeden Zelltyp etwas anders aus. Woher dieses Mosaik des Alterns kommt, ist noch unbekannt, aber Cole sagt, dass wir in gewissem Sinne immer noch nicht wissen, was Altern im Prinzip ist. Die Genexpression ändert sich im Laufe der Zeit ebenso wie der Stoffwechsel, die Zellfunktion und die Zellveränderung. Organe und Zellen können sich jedoch unabhängig voneinander verändern. Es gibt kein einziges Gen oder Hormon, das den gesamten Alterungsprozess steuert.


James Cole

Obwohl allgemein anerkannt ist, dass verschiedene Menschen unterschiedlich schnell altern, erscheint die Vorstellung, dass verschiedene Facetten derselben Person unterschiedlich altern können, kontroverser. Wie Cole erklärte, gibt es viele Methoden zur Messung des Alters, aber bisher wurden nur wenige verglichen oder kombiniert. Vielleicht können Wissenschaftler durch die Untersuchung verschiedener menschlicher Gewebe eine allgemeinere Schätzung des Alters entwickeln. Coles Arbeit steht am Anfang dieser Reise und untersucht Bilder von Gehirngewebe.

Die theoretische Plattform von Coles Ansatz ist relativ einfach: Füttern Sie die Algorithmusdaten von gesunden Menschen, damit er lernt, das Alter des Gehirns anhand anatomischer Daten vorherzusagen, und testen Sie das Modell an einer neuen Stichprobe, wobei Sie das chronologische Alter der Probanden vom Alter des Gehirns abziehen. Wenn ihr Gehirnalter über chronologisch liegt, deutet dies auf die Anhäufung von altersbedingten Veränderungen hin, die möglicherweise mit Krankheiten wie Alzheimer verbunden sind .

Im Jahr 2017 verwendete Cole die Gaußschen Prozessregressionen (GPR), um das Alter des Gehirns jedes Teilnehmers zu bestimmen. Dies ermöglichte es ihm, seine Altersschätzungen mit anderen vorhandenen zu vergleichen, beispielsweise mit der Untersuchung, welche Teile des Genoms ein- und ausgeschaltet werden, wenn Methylgruppen in verschiedenen Altersstufen hinzugefügt werden. Biomarker wie die DNA-Methylierung wurden bereits verwendet, um die Mortalität vorherzusagen, und Cole vermutet, dass das Alter des Gehirns dafür verwendet werden kann.

In der Tat waren Personen, deren Gehirn älter als das chronologische Alter zu sein schien, aufgrund ihrer schlechten körperlichen und kognitiven Gesundheit einem höheren Risiko ausgesetzt. Cole war überrascht zu erfahren, dass das hohe Alter des Gehirns, das aus Neuroimaging-Daten erhalten wurde, nicht immer mit dem hohen Alter der Methylierung korreliert. Wenn jedoch festgestellt wurde, dass beide Altersgruppen bei dem Probanden hoch waren, war das Mortalitätsrisiko erhöht.

Später in diesem Jahr erweiterten Cole und Kollegen ihre Arbeit mithilfe digitaler neuronaler Netze, um zu untersuchen, ob Schätzungen des Alters des Gehirns von eineiigen Zwillingen näher beieinander liegen als die von vorgeburtlichen Zwillingen. Die Daten wurden aus MRT-Bildern entnommen, einschließlich Bildern des gesamten Kopfes mit Nase, Ohren, Zunge, Rückenmark und in einigen Fällen Fett um den Hals. Nach minimaler Vorbehandlung wurden sie von neuronalen Netzen gespeist, die nach dem Training eine Schätzung des Alters des Gehirns abgeben konnten. Das Alter des Gehirns identischer Zwillinge, das die Hypothese über den Einfluss der Genetik bestätigte, unterschied sich weniger als das von monotonen Zwillingen.

Obwohl diese Ergebnisse darauf hindeuten, dass das Alter des Gehirns höchstwahrscheinlich durch die Genetik bestimmt wird, warnt Cole, dass Umwelteinflüsse nicht zurückgewiesen werden sollten. "Selbst wenn Sie genetisch veranlagt sind, Ihr Gehirn älter aussehen zu lassen", sagte er, "besteht die Möglichkeit, dass Sie durch eine Veränderung der Umwelt den durch die Genetik verursachten Schaden vollständig abmildern können."

Die Hilfe neuronaler Netze bei der Beurteilung des Alters des Gehirns hat - zumindest für heute - ihre Nachteile. Neuronale Netze durchsuchen MRT-Daten und finden Unterschiede zwischen Individuen, während die Forscher noch nicht sicher sind, welche Unterschiede für das Thema relevant sind. Ein häufiger Nachteil des tiefen Lernens ist jedoch, dass niemand weiß, welche Merkmale des Datensatzes das neuronale Netzwerk erkennt.In rohen MRT-Bildern ist der gesamte Kopf sichtbar, daher gibt Cole zu, dass wir vielleicht über das „Alter des Kopfes als Ganzes“ und nicht nur über das Alter des Gehirns sprechen können. Er sagte, sie hätten ihn bereits darauf hingewiesen, dass sich die Nase einer Person im Laufe der Zeit ändert. Wie können Sie also feststellen, ob der Algorithmus diese Funktion nicht tatsächlich verfolgt?

Aber Cole ist sich sicher, dass dies in diesem Fall nicht der Fall ist, da sein neuronales Netzwerk sowohl mit Rohdaten als auch mit Bildern, in denen alle Merkmale des Kopfes außerhalb des Gehirns gelöscht wurden, gleich gut funktioniert hat. Er erwartet, dass echte Vorteile aus dem Verständnis dessen, worauf das neuronale Netzwerk achtet, erzielt werden können, wenn man versteht, welche bestimmten Teile des Gehirns die Beurteilung seines Alters am meisten beeinflussen.


Tobias Kaufman

Tobias Kaufman, ein Forscher am norwegischen Zentrum für psychische Krankheitsforschung an der Universität Oslo, schlug vor, dass die zur Vorhersage des Gehirnalters verwendeten Technologien für maschinelles Lernen von geringem Wert sind, wenn das Modell richtig trainiert und abgestimmt wird. Die Ergebnisse verschiedener Algorithmen stimmen normalerweise überein, wie Cole herausfand, und vergleichen die Ergebnisse des GPR-Algorithmus mit einem neuronalen Netzwerk.

Der Unterschied besteht laut Kaufman darin, dass durch die gründliche Trainingsmethode von Cole keine zeitaufwändige und zeitaufwändige vorläufige Datenverarbeitung mit MRT erforderlich ist. Die Reduzierung dieses Schritts wird eines Tages die Diagnose in Kliniken beschleunigen, schützt die Wissenschaftler jedoch bisher vor dem Einfluss von Vorurteilen auf Rohdaten.

Eine Zunahme der Datensätze kann komplexere Vorhersagen ermöglichen, um beispielsweise Muster im Zusammenhang mit der psychischen Gesundheit zu bestimmen. Kaufman sagte daher, dass vollständige Informationen in einem Datensatz ohne Konvertierung und Reduzierung der Wissenschaft helfen können. "Ich denke, dies ist ein großer Vorteil der Deep-Learning-Methode."

Kaufman ist der Hauptautor der Arbeit, die derzeit einer Expertenbewertung unterzogen wird, in der die bislang größte Studie zum Alter des Gehirns anhand von Bildern beschrieben wird. Die Forscher verwendeten maschinelles Lernen für strukturierte MRT-Daten, um herauszufinden, welche Bereiche des Gehirns die offensichtlichsten Zeichen des Alterns bei Menschen mit psychischen Erkrankungen aufweisen. Dann machten sie den nächsten Schritt und untersuchten, welche Gene die Muster der Gehirnalterung bei gesunden Menschen bestimmen. Sie waren sehr interessiert an der Tatsache, dass viele Gene, die das Alter des Gehirns beeinflussten, auch an der weit verbreiteten Störung seiner Arbeit beteiligt waren, was möglicherweise auf die Ähnlichkeit ihrer biologischen Wege hinweist.

Er sagte, dass ihr nächstes Ziel darin bestehen würde, über die Erblichkeit hinauszugehen und bestimmte Nervenbahnen und Gene zu installieren, die an der Bestimmung der Anatomie des Gehirns und seiner Signalnetzwerke beteiligt sind.

Obwohl sich Kaufmans Ansatz ebenso wie der von Cole auf die Anatomie konzentriert, betonte er, wie wichtig es ist, das Alter des Gehirns im Hinblick auf seine Verbindungen zu messen. "Ich denke, diese beiden Ansätze sind sehr wichtig", sagte er. "Wir müssen die Erblichkeit und die grundlegende genetische Architektur sowohl der Struktur als auch der Funktionalität des Gehirns verstehen."

An weiteren Forschungsideen mangelt es Cole nicht. Um unsere Intelligenz zu verstehen, müssen wir künstliche Intelligenz einsetzen. Dies zeigt sich daran, wie wir die Zusammenhänge zwischen Genen, Gehirn, Verhalten und Vererbung entdecken. Es sei denn natürlich, es stellt sich heraus, dass wir die ganze Zeit über das Alter der Nasen untersucht haben.