 Was Bestandteile, Anteile angeht? Was passiert, wenn man Channons Informationstheorie mit biologischen Systemmix verbindet? Bitte begrüßt unseren Computations Biology Koch, der uns nun zu diesem Thema einen Vortrag geben wird. Applaus, bitte. Vielen Dank. Vielen Dank, dass ich hier sein darf. Es ist toll, dass ihr alle an diesem Thema Interesse habt. Aber es geht nicht um Informationssysteme im technischen Sinne, sondern um biologische Systeme. Ich arbeite an dieser Universität in Heidelberg und ich beschäftige mich damit, wie Informationen, wie Informationen im biologischen System gespeichert, verarbeitet und transportiert wird. Wir sind daran interessiert, weil es nicht klar ist, wie sie so etwas auf zuverlässige Weise tatsächlich machen. Wir haben viele Bestandteile in der Zelle. Wir haben Proteine. Wir haben Motoren in der Zelle und all diese Dinge ermöglichen, dass die biologischen Prozesse durchführen. Und wenn Informationsübertragungen viel schleck gibt, Krankheiten wie LFC, Krebs und Signalwege spielen eine große Rolle in vielen biologischen Prozessen. Aber nur sehr wenig konzeptionelle Arbeit hat sich mit diesen Dingen beschäftigt und wir verstehen halt nur bedingt, inwieweit diese Prozesse tatsächlich funktionieren. Aber wir wissen nicht wirklich, wie Informationen wirklich auf diesem Weg transportiert wird, auf diesen Pathways. Und wir versuchen, diese Lücke zu schließen und wir müssen da diese Informationsnetzwerke, die es in den Zellen gibt, modellieren und wie wir weitermachen. Aure Zellen, das kann man jetzt hier nicht wirklich sehen, aber in der oberen rechten Ecke kann man verschiedene Bestandteile sehen. Also es gibt in der Zelle halt Compartments, also abgeschottete Bereiche, die halt Teil einer Zelle darstellen. Es gibt dann verschiedene bioschemische Bestandteile, also Proteine, Enzyme und Ionen. Es gibt dann Reaktionen, die halt festlegen, welcher zelluläre Bestandteil mit welchem anderen interagiert und was dabei herauskommt. Und dann ist natürlich noch die Geschwindigkeit der Reaktionen, das nennt man die Reaktionskianetik und es beschreibt auch die Dynamik des Systems und wie schnell das System dann reagiert. Und wenn man das alles in mathematische Modelle übersetzt, sieht man dann Formeln wie diese hier, die sind differenziale Differenzialgleichung und das könnte für euch vielleicht interessant sein, aber es ist einfach nur ein mathematisches Modell und mit diesen Modellen kann man die Systeme dann auch analysieren und man kann Fragen stellen und man kann Simulationen. Und dann kann man Fragen stellen, was sind so die größten Einflussfaktoren, was ist am wichtigsten bei diesen Modellen oder bei den biologischen Systemen in der Realität. Und wir entwickeln auch Software und ihr wisst natürlich, alle Modelle sind falsch, aber einige sind nützlich und man muss es auch nicht per Hand machen, sondern es gibt auch Werkzeuge oder Software dafür. Und wir bauen ein wissenschaftlicher Software, eine Software, die wir bauen ist ein komplexer Fahrt-Simulator, der ist Open Source, ihr könnt auf diese Website hier gehen, könnt den Roter laden und könnt dann damit drum spülen, wenn ihr wollt. Außerdem benutzen wir auch ein bisschen aufwendigere Berechnungen, die wir in Clustern berechnen. Da haben wir auch ein Skripping Interface dafür gebaut, das heißt Cork. Das erlaubt euch das Backend mit all den verschiedenen Tools zu benutzen von eurem Entwicklungsumgebung aus und dann könnt ihr daraus Workflows machen und ihr könnt euch zu diesen Clustern senden. Und wir denken es ist einfach zu benutzen. Wenn ihr Probleme mit diesen Tools habt, dann lasst es mich wissen, ich höre gern Feedback. Und wenn man dann die Modelle hat, dann kann man, es gibt halt Repositories wie bymodels.net, wo man Modelle runterladen kann. Und momentan haben sie fast 800 manuell kurierte Modelle und man kann diese Modelle runterladen im SBML Format, was die Systembiologie Markup Language ist und Kompasi und auch andere Software kann damit arbeiten, weil es ein standardisiertes Format ist. Und eines unserer Lieblingssysteme ist das Calcium Signal System. Es funktioniert ungefähr so. Die ovalen Dinge sind, das ovalen Ding ist eine Zelle und man hat dann Hormone und andere Signalstoffe oder Substanzen, die die außerhalb der Zelle dann an die schwarzen Dinger binden, die eine Kaskade von Prozessen initiierend in der Zelle. Und das führt dazu, dass diese Calciumion, die vom endoplasmatischen Rettikulum in die Hauptkomponenten, in die Zytoplasma wandern, so dass und dann auch aus die Zelle herausströmen. Und dann wird es rausgepumpt. Da gibt es Pumpen, die das Calciumion nehmen und aus der Zelle rauspumpen in die Zellflüssigkeit. Also Calcium ist ein sehr vielsechtiges Signal. Es regelt eine Menge von wichtigen interzellulären Prozessen. Zum Beispiel die Muskelkontraktion ist darüber gesteuert oder Lernen. Also die Betreuung in Neuronen im Gehirn wird damit gesteuert. Fruchtbarkeit wird dadurch gesteuert. Viele Sachen werden aus dem Übergalzium gesteuert. Und wenn ihr diese dynamischen Prozesse simuliert, dann seht ihr so was wie das hier. Ihr seht es auszuliert. Das sind regelmäßige Spitzen. Das ist die Calciumkonzentration über die Zeit. So jetzt, wenn man das tatsächlich misst in echten Zellen, das sind Informationen, die sind so in einer Kooperation entstanden. Und ihr seht, dass es nicht so glatt. Es gibt Unterschiede in den Amplituden und es gibt halt sekundäre Ausschläge. Und das ist weil es zufällige Flukulationen im System gibt und weil es aufgrund der Zeitpunkte unterschiedliche Reaktionen gibt. Und um das halt abzubilden, muss man um diese Information zu erfassen, weil das wichtig ist. Verwenden wir halt verschiedene Methoden und wir benutzen den Gillespie Algorithmus dafür. Man kann dann diese sekundären Peaks ebenfalls erfassen und damit auch Informationen erfassen. Das ist jetzt eine Monte Carlo Simulation. Ich sage, das ist einfach nur so, dass es wäre halt sehr zeitintensiv alles zu berechnen und daher machen wir sowas mit einem Computer Cluster. Und wir haben auch Sekundär Messenger in der Zelle. Es gibt halt verschiedene Mediatoren in der Zelle, die halt die Calciumreaktionen erzeugen. Und wir haben diese ... Wie kann es sein, dass die Proteine, ich wollte kurz zurückgehen, die tatsächlich all diese Sachen machen, die diese ganze Zylinder in Funktionen ausführen, diese grünen Zylinder, die das Calcium binden und dann aktiviert werden oder deaktiviert werden? Wie kann es sein, dass die wissen, welche Stimulationen von außerhalb der Zelle kommt jetzt rein? Die sehen das ja nicht. Es gibt ja die Zellmembranen in der Zwischen. So, Leute haben spekuliert, ist da irgendwie mehr Information, die sozusagen in das Calcium einprogrammiert, also in die Schwingung in dem Calcium? Und wie kann es sein, dass die Proteine das dekodieren können, also diese Kodierung? Es ist mittlerweile relativ gut sichergestellt, dass Calcium verschiedene Amplitudenmodulationen zeigt. Das heißt, je höher die Amplitude ist, umso aktiver werden manche Proteine. Das zeigt außerdem eine Frequenzmodulation. Das heißt, je höher die Frequenz ist, umso aktiver werden manche Proteine. Aber vielleicht gibt es da auch andere Informationen, die da drin sind in der Wellenfunktion, zum Beispiel die Dauer und so weiter. Und ein Doktor Rante meiner Gruppe hat sich mit dieser Frequenzmodulation beschäftigt und hat schnell gezeigt, dass Proteine existieren, in diesem Fall M-Fat. Die wichtig sind für das Immunsystem. Sie reagieren nur auf Calcium-Ostzillationen von einer bestimmten Frequenziert, also und sie werden nur aktiviert, wenn diese Oszillationsfrequenz eingehalten wird. Deswegen nehmen wir sie Baseband, also Elektronebenenaktivierung. Das sind, wir quantifizieren Informationen, dass Calcium signalisieren ist ungefähr auf 0,4 Bit pro Sekunde, in der das mittechnischen System vergleicht. Das scheint sehr langsam zu sein, aber vielleicht reicht das ja aus. Okay, also wie sind wir da angekommen bei diesem Ergebnis? Also wir haben Informationstheorie benutzt, klassische Informationstheorie, angefangen von Leuten wie Claude Shannon in den 40ern, außer dabei Hartley oder Taki und bei ein paar anderen Leuten. So, die haben das technische System angeschaut und die haben diese... Und eine Informationsquelle auf der linken Seite und dann gibt es einen bestimmten Code, so dass die Nachricht übertragen wird, aber sie wird halt verfälscht durch Einflüsse und dann gibt es einen Dekodierungsprozess, der hoffentlich die ursprüngliche Nachricht wiederherstellt und in unserem Fall haben wir an Calcium als Informationsquelle genommen und wir haben uns angeschaut, wie viel Informationen werden tatsächlich übertragen. Wie bringt man das fertig? In Informationstheorie 101, eine kleine Einführung in der Informationstheorie nach Shannon schaut man nach Zufallswariablen und diese beschreiben Ergebnisse mit einer bestimmten Wahrscheinlichkeit, dass sie eintreten. Und die Wahrscheinlichkeit, dass das eintritt, Shannon sagte, dass der Informationsinhalt von diesen Zufallswariablen ist der negative Logorhythmus von der Wahrscheinlichkeit. Das heißt, wenn ein Ergebnis, ein Ereignis immer wieder auftritt, dann ist der Informationsinhalt niedrig, weil es wenig Überraschungseffekte gibt, wenig Informationen übertragen werden. Aber wenn man zu niedrigeren Wahrscheinlichkeiten geht, dann kommt auch die Überraschung, ist die Überraschung auch größer, wenn man solche Ereignisse sieht. Und dadurch auch die Informationsdichte, hier sind mehrere Events. Und wenn man dann den Durchschnitt von all diesen möglichen Events nimmt, dann kommt man bei etwas raus, was Shannon Entropy nennt. Das ist noch immer nicht Information, denn Information ist eine Unterschied in Entropy. Also muss man den Unterschied in der Entropy ausrechnen. Und das, was dann noch übrig bleibt, nachdem man es beobachtet hat. Und diese Unterschied, der dann übrig bleibt, das ist die Information, die man durch die Beobachtung bekommen hat. Jetzt zum einfachen Beispiel, wir haben ein einfaches Wettersystem, wo man entweder regnerische oder sonderige Tage haben kann. Wir sagen, wir sind die beiden gleichwahrscheinlich. Man hat z.B. eine Wahrscheinlichkeit von einer Hälfte, also 50 Prozent. Der Durchschnitt des negativen Lognomus ist eins. Also bekommst du, wenn du das Wetter beobachtet in diesem System, ein Bit an Information pro Observierung. Und die Menge Information, die eine Zelle braucht, um zu entscheiden, also bei einer Jahr, dann eine Einfrage. Also wenn es immer sonnig ist und es gibt nie Regen, dann bekommst du null Informationen aus der Information heraus. Wenn man das Wetter beobachtet und man sieht, dass es in der Saat, also in der Wüste immer trocken ist. Also in dem Fall sind das, wenn es sich unterscheidet, für Leipzig machen. Leipzig hat eine 99 Regnerische Tage pro Jahr, laut dem Deutschen Wetterdienst. Und das gibt euch Informationen von 1.8 Bit an Informationen pro Tag. In einer Generalisierung könnte man sagen, man hat eine Wahrscheinlichkeit für P und dann hat man auch eine andere Wahrscheinlichkeit für 1-P. Und dann kriegt man diese Kurve, welche einem zeigt, welche Informationskonternte eigentlich, wenn man maximale Unsicherheit hat. Und wenn man mehr Möglichkeiten hat, dann z.B. vier Möglichkeiten. Sonnig, Regen, Gewitter, und weiteres, dann logarithmiert man es, weil alle Dinge gleich verschleiß sind. Dann... Da kommt man dadurch mehr Informationen. Ich habe hier niemanden verloren bis jetzt. Okay, wir schauen immer darauf, was für Prozesse die ganze Zeit sich verändern. Und wenn wir auf Prozesse schauen, dann müssen wir auf die Wahrscheinlichkeit anschauen, dass sich das verändert. Also die Veränderung von einem in der anderen Zustand. Und man kann das zusammenfassen in einer Matrix. Also lasst uns z.B. sagen, wir haben heute einen sonnigen Tag. Das ist also wahrscheinlicher, dass es morgen auch sonnig ist. Und das ist weniger wahrscheinlich, dass es regnet. Vielleicht nur 25 Prozent. Und wenn es jetzt schon regnerisch ist, dann kannst du es nicht sagen, weil es morgen wird. Und diese Prozesse werden auch Markov-Prozesse genannt. Markov war ein russischer Mathematiker. Und man hat die überall, diese markowischen Prozesse, werden in deinem Handy benutzt, in deiner... In der Alphasparte für Error-Korrigierung der Google-Suchergrhythmus, das ist ein gigantischer Markov-Prozess. Ihr benutzt es die ganze Zeit. Nichts Technologisches würde heutzutage ohne diese Algorithmen funktionieren. Okay, weil wir Informationen über das heutige Wetter haben, ist die Wahrscheinlichkeit, wird das Wetter morgen... Also es wird sicherer, was wir über das Wetter morgen wissen. Und die Differenz ist... Wieder die Informationen, die man bekommt, wenn man das heutige Wetter anschaut. Also man kann die Mathematik machen. Unserer Beispiel wäre die Entropie 0.9 Bit pro Tag. Und die Entropirate wäre angenommen. Wir wissen, das Wetter von heute wäre weniger. Es wäre 0.87 Bit pro Tag. Okay, um mal Sachen noch ein bisschen komplizierter zu machen. Vielleicht schauen wir mal auf den zweiten Prozess in dem Fall. Und wir schauen uns Luftdruck an. Und man kann Luftdruck mit diesem Gerät messen. Und wenn es heute vielleicht sonnig ist und der Luftdruck höher ist, dann ist es auch relativ wahrscheinlich, dass es morgen sonnig ist. Und in unserem Fall, wir haben einen hohen Luftdruck. Und in unserem kleinen Modellsystem sagen wir voraus, dass wir sehen, dass es sonnig ist. Und Information ist eine Reduktion der Unsicherheit. Und wie können wir jetzt mit dem Luftdruck vorhersagen treffen? Und anstatt eines Barometers? Hey, sagen wir, wir bekommen 0.39 Bit pro Tag, wenn wir auf den Luftdruck schauen. Okay, was hat das mit biologischem System zu tun? Also wir haben zwei Prozesse. Ein für Calcium, der manche Dynamiken zeigt. Und ein, der ein Protein, das aktiviert wird in der Zelle. Und wir können auf beides drauf schauen. Und dann können wir uns ausrechnen, wie viel Information wirklich von dem Calcium zu dem Protein übertragen wird. Wie viel Information, wie viel Unwahrscheinlichkeit verlieren wir dadurch. Und das ist mathematisch exakt das, was wir machen. Und das wird Transferentropie genannt. Es ist eine informationsteoretische Methode der Messung, die von Thomas Schreiber im Jahr 2000 entwickelt wurde. Da gibt es auch ein paar praktische Komplikationen, an denen wir arbeiten wir gerade. Und das benutzen wir aktuell für die Berechnungen. Also in unserem Fall haben wir Daten von Experimenten, wo wir Modelle benutzen von Calcium-Ostylationen. Und dann kombinieren wir die mit diesen Modellen der Calcium Dynamik. Das gibt uns Zeitverläufe, statistische Zeitverläufe, die die zufälligen Geschmackungen beinhalten. Und da benutzen wir die informationsteoretische Maschinerie, um die zu studieren. Und ein paar unserer Ergebnisse möchte ich euch jetzt zeigen. Zum Beispiel, wenn du die Systemgröße verringerst, wenn du die Anzahl der Partikel verringerst, wenn du die Zelle größer machst. Dann wird die Information, die du bekommst, höher. Das bedeutet, wenn die Zelle mehr Energie investiert und mehr Proteine produziert, kann sie tatsächlich ein zuverlässiger Informationstransfer bereitstellen, was für die Zelle von Voteles. Und diese komplizierteren Dynamiken, die auch nicht nur Ausschläge haben, sondern wirklich starke Ausschläge haben, dann ist es schwieriger, damit umzugehen. Und es gibt halt verschiedene Eigenschaften, die bei so einem komplexeren System auftreten. Und ich denke, dass Proteinverbindungen gewisse Eigenschaften haben, dass sie diese Proteine aktivieren nur bei einem bestimmten Signal. Diese Pathways erlauben nur ein Informationstransfer, wenn ein bestimmtes Signal eintrifft. Und das bedeutet, dass die 3D-Struktur eines Proteins auch bestimmt, wie das Proteinsicht auf dynamischer Ebene verhält. Und dieses Verhalten legt dann auch fest, auf welche Art von Eingabesignale das Protein reagieren kann. Und diese Ausschläge zeigen bestimmte Proteine, zum Beispiel das Kalmedolin-like Protein. Und man sieht halt durch verschiedene Parameter, hat man auch verschiedene Modelle und verschiedene Verhalten. Und dadurch können wir alle verschiedene Proteine betrachten. Und wir sehen halt dann, dass nur die Proteine, die einen bestimmten Input kriegen, dann auch aktiviert werden. Wenn man auf mehr komplizierte Vorgänge sich anschaut, also jetzt zum Beispiel Protein Kinasu C ist ein mehr komplizierteres Protein. Sie zeigen ein zweifahriges Verhalten. Und sie bekommen, sie werden aktiviert und dann gibt es eine zweite Phase der Aktivierung. Und wieder diese komplizierteren Proteine ist zwar aufwendiger für die Zelle, aber es bringt halt auch einen gewissen Mehrwert. Und hier sehen wir halt die Aktivierung und die Inhibierung der Proteine. Und man sieht dann auch einen entsprechenden Informationstransfer. Nun kommen wir zu einem anderen System, ganz schnell. Für andere Systeme zum Kalzom-Signal. Wir schauen uns Bakterien an. Das ist Ecoli. Ein sehr berühmtes Modellsystem für Biologen. Die können sich bewegen, weil sie kleine Propeller am Ende haben. Die suchen nach Nahrungsquellen und schwimmen dann in eine bestimmte Richtung. Und dann entscheiden sie, ob sie weiterhin in diese Richtung schwimmen oder ob sie die andere Richtung wechseln, um woanders hin zu schwimmen. Das große Problem für sie ist, dass sie zu klein sind. Sie können also den Konzentrationsgradienten nicht erkennen, der zwischen dem Ende und dem Anfang der Zelle besteht. Sie müssen also in eine Richtung schwimmen und es sich dann merken, wo die Nahrungsmittel, Nahrungskonzentration am höchsten sind und müssen es jetzt vergleichen, ob jetzt in dem Gradienten die Nahrungskonzentration steigt oder sinkt und dann umkehren, wenn es notwendig ist. Und ermöglicht ihnen so, dass sie in die Richtung der Nahrungsquellen schwimmen können. Und sie müssen sich auch merken, wo die Nahrungsquellen sind. Sie müssen auch wissen, wie viele Nahrungsmittel da waren und dafür haben sie ein kleines Gedächtnis. Das Gedächtnis ist eigentlich in der linken Seite dieser Rezeptor und diese Rezeptoren können verändert werden, also sie können mituliert werden, indem man eine Methiogruppe hinzufügt. Es gibt verschiedene Zustände, also fünf Zustände der Methiolierung und das erzeugt ein Gedächtnis. Wir haben uns das angeschaut, wir haben es quantifiziert mit Informationstheorie und es ist statische Information und ihr könnt sehen, dies ist die Menge an Informationen, die über die Nahrungsmittel gespeichert wird. Das ist in Nutz und nicht in Bits, das ist einfach anders. Es ist einfach eine andere Einheit für Informationen. Ihr könnt euch die verschiedenen Methiolusion-Stadien sehen und wie sie aktiviert werden mit verschiedenen Konzentrationen. Das ist ein aktiver Forschung von uns und um das abzuschließen, wir haben auch Zeitverläufe angeschaut und Zeitskalen. Das System muss sich anpassen auf verschiedene Haare. Die Zelle geht aus dem Zustand der unterschiedlichen Nährstoffkonzentrationen hin und her und dann müssen diese Konzentrationen verglichen werden. Das ist wie sie die verschiedenen Zeitskalen berücksichtigen müssen und damit klarkommen müssen. Um das zusammenzufassen, ich hoffe, ich konnte euch überzeugen, dass Informationstheorie auf Biologie angewendet werden kann und das ist ein faszinierendes Gebiet und dass wir erst am Anfang stehen, uns damit zu beschäftigen. Ich habe euch ebenfalls gezeigt, dass in Signal wegen die Komponenten können auf ihre Eingabe angepasst werden, adaptiert werden können und dadurch kann man gezielt bestimmte Proteine mit einem bestimmten Signal aktivieren. Wir haben während wir das alles erforscht haben, haben wir uns auch angeschaut, welche Aspekte die Informationen dann übertragen und wir wollen uns anschauen, wie sich diese Dinge bei Krankheiten ändern, z.B. bei Krebs, wie sich die Signalwege verändern und was dann an Mechanismen zusammenbrechen. Und inwieweit auch die Fähigkeiten in der Zelle Information zu übertragen, mit Krankheiten zusammenhängen kann. Es kann sehr schwierig sein, das alles zu erforschen, was wir momentan machen, ist, wir versuchen uns damit zu beschäftigen, wie man diese Informationen zu interpretieren kann, die die Zelle überträgt. Ich möchte auch mich bedanken bei vielen Mitarbeitern, natürlich bei meiner eigenen Gruppe und Leuten, die mitgearbeitet haben und damit möchte ich natürlich auch euch danken für eure Aufmerksamkeit und wenn ihr Fragen habt, bin ich gerne bereit, zu beantworten. Wenn ihr Fragen habt, es gibt zwei Mikrofone, Mikrofon Nummer 1, Mikrofon Nummer 2, bitte sprechen laut. Wurde schon an Modellen für Protein-Coupling gearbeitet? Ja, das machen wir, denn das Calcium-Signal wird tatsächlich ausgelöst von so einer Kaskade, die dieses T-Protein involviert und die meisten Proteine sind T-Coupled Rezeptoren. Ja, das ist das, was wir machen. Okay, danke für den Talk. Ich wollte dich was fragen, red mal ein bisschen darüber, wie verschiedene Proteine aktiviert werden bei verschiedenen Signalen und könntest du ein bisschen ins Detail gehen, was für Qualität die Signale haben, die die Proteine haben oder bei was genau werden die getriggert, bei gewissen Frequenzen oder Verfallsraten, also was für Charakteristiken der Signale können wir bei den verschiedenen Proteinen rauspecken. Ah, genau das untersuchen wir. Wir haben noch ein anderes Paket, das hier noch verlinkt ist, dieser Oscillator Generator, das ermöglicht ist, künstliche Eingänge zu kreieren, weil man also alle Parameter kontrollieren kann, z.B. die Tower des Peaks und der Höhepunkte und die Unterschiede zwischen den Höhepunkten und so weiter. Man hat also komplette Kontrolle. Im Moment führen wir auch Scans durch, um rauszufinden, worauf Proteine sensibel sind. Was wir von Calcium schon wissen, ist über das Calcium Modeling Tour im Nervensystem, da diese zeigen Frequenzmodulationen. Wir haben das Protein genommen, haben das auf einer Platte immobilisiert und haben das dann mit verschiedenen Lösungen von verschiedenen Calcium Konzentrationen benutzt. Dann haben Sie das gemessen oder haben Sie gesehen, dass die Frequenz größer wird und außerdem zeigt, dass die Amplitude, das bedeutet die absolute Höhe der Konzentrationen. Dankeschön. Und wieder Nummer zwei, bitte. Ihr habt eine Menge über An- und Aus-Könetik geredet. Wenn man über Naronen redet, die ja nicht nur An- und Aus haben, sondern es viele Zwischenamplituden, die eine große Rolle spielen bei der Entwicklung von Zellen und Synapsen, wie misst man die Grundlinie von Calcium? Ja, in unserem Fall gibt es verschiedene Methoden, das Calcium zu messen, das machen wir aber nicht. Ich meine nicht messern, aber eher integrieren in Systeme. Nicht, dass das wirklich eine An- und Ausreaktion ist, sondern eher, dass das eine sporadische... Ja, ich meine, im Fall von Calcium gibt es diese... was? Also den Zeitverlauf. Wir haben also Proben von den Calcium-Konventionen aller Sekunden oder halben Sekunden und unsere Kollaborationspartner nutzen verschiedene Einfärbungsmittel, die Fluorescent sind oder Bioluminescent zeigen. Im Nervensystem ist es ein bisschen anders. Da bekommt man auch so einen Analog-Modus, wo die Neuronen direkt verbunden sind und Substanzen austauschen. Aber in den meisten Fällen gibt es Aktionspotenzial, die funktionieren nicht nach Neuralen. Neuralen Systemen, die sind ganz anders, die haben eigentlich alle dieselbe Dauer, dieselbe Amplitude und dann Leute oder Berechnungen in Neurologie versuchen, diese Timings runter zu bekommen von diesen Spitzen. Und mathematisch ist das ein Punktprozess. Und man kann verschiedene Mechaniken mit dazu studieren. Wir sind noch nicht soweit in Neuron zu schauen. Wir sind eher in nicht anregbaren Zellen interessiert, z.B. Leberzellen oder Pancreaszellen und so weiter. Zellen, die nicht aktiviert, die nicht massive Dipolarisierung zeigen wie Neuron, zum Beispiel. Danke schön. Vielen Dank. Und jetzt wieder mit Mikro 2. Hi. Du hast auch Kamsinasis und dass du nicht an Neuroscience Arbeit hast gesagt. Aber du hast sicher eine große Menge an Informationen über das Gebiet. Was glaubst du über die Hypothese, sag ich mal? Das Bipolare, v.a. in der amerikanischen Sphäre, dass das Zytoskeletzron von Neuronen inkudieren und dekandieren kann, was bei der Kiasse im Zytoskelet passiert wie Bits in einem Computer. Du meinst also wie in einer Festplatte. Darüber will ich jetzt gar nicht speziell Hypothesen ausstellen. Ich weiß, dass viele Leute sich darauf räumliche Effekte konzentrieren. Was wir hier verwendet haben, ist ein räumlich homogenes Modell. Unsere Zellen sind homogen, aber andere Leute tun das. Dann kann man sich natürlich andere Sachen anschauen, z.B. morphologische Verarbeitung. Also kann man dann auch räumliche Berechnungen durchführen. Wenn sie das interessiert, dann können wir natürlich offline darüber reden. Da kann ich ein paar Tipps geben. Hast du ein gutes Gefühl bei diese Theorien oder glaubst du, die sind hofflungslos? Ich glaube, der räumliche Aspekt ist ja wichtig. Und ich denke, wir sollten da auch weiter daran forschen. Zufällige Schwankungen sind sehr wichtig. Die kann man von der Dynamik des Systems nicht unbedingt einfach trennen. Und die räumlichen Effekte sind sehr wichtig, weil nicht nur die verschiedenen Abteilungen wichtig sind und dann natürlich diese Konzentrationsgradienten innerhalb der Zelle vorhanden sind und sich verändern. Und wie sich die Kalziumwellen verändern? Z.B. wenn man direkt in diesem Kanal schaut, hat man eine deutlich höhere Konzentration. Und in manchen Wellen hat man Wellen, die sich über die Zelle ausbreiten. Und für mich klingt es wahrscheinlich, dass das auch einen großen Einfluss auf den Informationsprozess hat. Okay, danke schön. Okay, danke Jürgen für deinen Talk. Bitte gibt einen warmen Applaus für Jürgen. Und damit verabschiedelt sich auch das Übersetzer-Team von Englisch nach Deutsch.