Die sequenzielle Aktivität von Ortszellen im Hippocampus entspricht vielfach früheren Erlebnissen, was auf eine Rolle in Gedächtnisprozessen hinweist. Jüngere experimentelle Befunde zeigen allerdings, dass Zielorte in sequenzieller Aktivität überrepräsentiert sind. Dies legt eine Rolle dieser Aktivitätsmuster in der Verhaltensplanung nahe, wobei ein detailliertes Verständnis sowohl des Ursprungs als auch der Funktion von Ortszellsequenzen im Hippocampus bislang fehlt. Insbesondere ist nicht bekannt, welcher Mechanismus solche Sequenzen auf adaptive und konstruktive Weise generiert, wodurch effizientes Planen ermöglicht würde.
Um der Beantwortung dieser Fragen näher zu kommen, stelle ich ein neu entwickeltes pulscodiertes Netzwerkmodell vor, in dem räumliches Lernen und die Generierung von Sequenzen untrennbar voneinander abhängig sind. Anhand von Simulationen zeige ich, dass dieses Modell die Erzeugung von noch nicht erlebten Sequenztrajektorien in bekannten Umgebungen erklärt, was deren Nutzen für flexible Pfadplanung hervorhebt.
Zusätzlich stelle ich die Ergebnisse eines detaillierten Vergleichs zwischen simulierten neuronalen Pulsfolgen und experimentellen Daten auf der Ebene der Populationsdynamik vor. Diese Resultate zeigen, wie sequenzielle räumliche Repräsentationen durch die Interaktion zwischen lokaler oszillatorischer Dynamik und externen Einflüssen geprägt werden.

Abstract englisch:

Hippocampal place-cell sequences observed during awake immobility often represent previous experience, suggesting a role in memory processes. However, recent reports of goals being overrepresented in sequential activity suggest a role in short-term planning, although a detailed understanding of the origins of hippocampal sequential activity and of its functional role is still lacking. In particular, it is unknown which mechanism could support efficient planning by generating place-cell sequences biased toward known goal locations, in an adaptive and constructive fashion.
To address these questions, I propose a spiking network model of spatial learning and sequence generation as interdependent processes. Simulations show that this model explains the generation of never-experienced sequence trajectories in familiar environments and highlights their utility in flexible route planning.
In addition, I report the results of a detailed comparison between simulated spike trains and experimental data, at the level of network dynamics. These results demonstrate how sequential spatial representations are shaped by the interaction between local oscillatory dynamics and external inputs.