Proceedings of the 18th IEEE Workshop on Nonlinear Dynamics of Electronic Systems, which took place in Dresden, Germany, 26 – 28 May 2010.:Welcome Address ........................ Page I Table of Contents ........................ Page III Symposium Committees .............. Page IV Special Thanks ............................. Page V Conference program (incl. page numbers of papers) ................... Page VI Conference papers Invited talks ................................ Page 1 Regular Papers ........................... Page 14 Wednesday, May 26th, 2010 ......... Page 15 Thursday, May 27th, 2010 .......... Page 110 Friday, May 28th, 2010 ............... Page 210 Author index ............................... Page XIII

Die Kartographie ist eine Wissenschaft, die in ihrem Charakter starke interdisziplinäre Züge aufweist. Sie zeigt sich in den verschiedensten Facetten und wird darum in den unterschiedlichsten Wissenschaften angewandt. Markantester Charakter ist, schon per Definition, die Modellierung von geowissenschaftlichen Ereignissen und Sachverhalten. „A unique facility for the creation and manipulation of visual or virtual representations of geospace – maps – to permit the exploration, analysis, understanding and communication of information about that space.“(ICA 2003) Aus dieser Definition wird die Charakteristik einer Kommunikationswissenschaft (Brassel) deutlich. Gerade seit dem Paradigmenwechsel der 1970er Jahre fließen zahlreiche weitere Aspekte wie Informatik, Semiotik und Psychologie in das Verständnis von Kartographie ein. Dadurch wird die Karte nicht mehr als reines graphisches Mittel verstanden, sondern als Träger und Übermittler von Informationen verstanden. Der Kartennutzer und dessen Verständnis von Karten rücken dabei immer weiter in den Vordergrund und werden „Ziel“ der kartographischen Verarbeitung. Aus diesem Verständnis heraus, möchte ich in der folgenden Arbeit einen relativ neuen Einfluss und Aspekt der Kartographie vorstellen. Es handelt sich um das Modell der Self-Organizing Maps (SOM), welches erstmalig Anfang der 1980er Jahre von Teuvo Kohonen vorgestellt wurde und deshalb auch, von einigen Autoren, als Kohonenmaps bezeichnet wird. Dem Typus nach, handelt es sich dabei um künstliche neuronale Netze, welche dem Nervensystem des menschlichen Gehirns nachempfunden sind und damit allgemein als eine Art selbständiger, maschineller Lernvorgang angesehen werden können. Im Speziellen sind Self-Organizing Maps ein unüberwachtes Lernverfahren, das in der Lage ist völlig unbekannte Eingabewerte zu erkennen und zu verarbeiten. Durch diese Eigenschaft eignen sie sich als optimales Werkzeug für Data Mining sowie zur Visualisierung von hochdimensionalen Daten. Eine Vielzahl von Wissenschaftlern hat diesen Vorteil bereits erkannt und das Modell in ihre Arbeit einbezogen oder auf dessen Verwendbarkeit analysiert. Deshalb möchte in dieser Arbeit, einige dieser Verwendungsmöglichkeiten und den daraus resultierenden Vorteil für die Kartographie aufzeigen.:1.) Einleitung ...........................................................................................2 2.) Aufbau und Funktionsweise von SOM ............................................ 5 2.1.) Was sind Self-Organizing Maps? ................................................5 2.2.) Funktionsweise ............................................................................7 2.3.) Visualisierung des trainierten Kohonen-Netz .......................... 11 2.4.) Software ..................................................................................... 12 3. Möglichkeiten für die Kartographie................................................ 14 3.1 Geowissenschaftliches Data Mining ........................................... 15 3.2 Visualisierung von Daten............................................................. 17 4. explorative Datenanalyse geographischer Daten .......................... 19 4.1 SOM als Geovisualisierung .......................................................... 19 4.1.1 U-Matrix-Darstellung .............................................................22 4.1.2 Projektionen (Netzdarstellungen) ........................................26 4.1.3 2D & 3D-Plots .........................................................................28 4.1.4 Komponentenebenen ...........................................................29 4.2 Geo-SOM & andere Möglichkeiten zur Verarbeitung von geowissenschaftlichen Daten ................................................... 32 4.2.1 Hierarchische SOMs ...............................................................33 4.2.2 Geo-enforced SOM ................................................................34 4.2.3 Geo-SOM ................................................................................35 4.3 SOM & GIS .................................................................................... 38 5. Datenverarbeitende Anwendungen ............................................... 40 5.1 Klassifizierung von Fernerkundungsdaten................................. 40 5.2 Kantendetektion in Satellitenbildern......................................... 43 5.3 Auswertung von Zeitreihen & Monitoring................................. 47 5.4 Klassifikation von SAR-Daten...................................................... 49 5.5 Generalisierung............................................................................ 50 5.6 Problem des Handlungsreisenden (Travelling Salesman Problem)..................................................................................... 52 6. SOM als Kartenmetapher zur Visualisierung nicht-geographischer Daten .............................................................................................. 54 7. Zusammenfassung............................................................................ 62 X. Quellenverzeichnis ........................................................................... 63 X.I Literaturnachweise ....................................................................... 63 X.II Lehrinhalte aus dem Internet ..................................................... 69 X.III Softwarelösungen ...................................................................... 69

Im Beitrag werden Forschungsergebnisse zum numerischen Entwurf textilbewehrter Verstärkungsschichten zusammengefasst. Die Ergebnisse resultieren im Wesentlichen aus den Arbeiten der Teilprojekte D2-Numerische Simulation, E3-Sicherheitsbeurteilung und E4-Numerische Langzeitprognose des Sonderforschungsbereichs 528. Zusätzlich wird auf Transferleistungen verwiesen. / The paper provides a summary of research results concerning numerical design approaches for textile reinforced structures. The outcome mainly results from the work done in the subprojects of the Collaborative Research Centre 528: D2-Numerical Simulation, E3-Reliability Assessment und E4-Numerical Long-term Prognosis. Further, the paper also points out the transfer potential.

Aus der Einleitung: The calculation and prediction of river flow is a very old problem. Especially extremely high values of the runoff can cause enormous economic damage. A system which precisely predicts the runoff and warns in case of a flood event can prevent a high amount of the damages. On the basis of a good flood forecast, one can take action by preventive methods and warnings. An efficient constructional flood retention can reduce the effects of a flood event enormously.With a precise runoff prediction with longer lead times (>48h), the dam administration is enabled to give order to their gatekeepers to empty dams and reservoirs very fast, following a smart strategy. With a good timing, that enables the dams later to store and retain the peak of the flood and to reduce all effects of damage in the downstream. A warning of people in possible flooded areas with greater lead time, enables them to evacuate not fixed things like cars, computers, important documents and so on. Additionally it is possible to use the underlying rainfall-runoff model to perform runoff simulations to find out which areas are threatened at which precipitation events and associated runoff in the river. Altogether these methods can avoid a huge amount of economic damage.:List of Symbols and Abbreviations S. III 1 Introduction S. 1 2 Process based Rainfall-Runoff Modelling S. 5 2.1 Basics of runoff processes S. 5 2.2 Physically based rainfall-runoff and hydrodynamic river models S. 15 3 Portraying Rainfall-Runoff Processes with Neural Networks S. 21 3.1 The Challenge in General S. 22 3.2 State-of-the-art Approaches S. 24 3.3 Architectures of neural networks for time series prediction S. 26 4 Requirements specification S. 33 5 The PAI-OFF approach as the base of the system S. 35 5.1 Pre-Processing of the Input Data S. 37 5.2 Operating and training the PoNN S. 47 5.3 The PAI-OFF approach - an Intelligent System S. 52 6 Design and Implementation S. 55 6.1 Design S. 55 6.2 Implementation S. 58 6.3 Exported interface definition S. 62 6.4 Displaying output data with involvement of uncertainty S. 64 7 Results and Discussion S. 69 7.1 Evaluation of the Results S. 69 7.2 Discussion of the achieved state S. 75 8 Conclusion and FutureWork S. 77 8.1 Access to real-time meteorological input data S. 77 8.2 Using further developed prediction methods S. 79 8.3 Development of a graphical user interface S. 80 Bibliography S. 83

Aus den Mängeln bisher verwendeter Modelle zur Abbildung des Wellenablaufes zu Prognosezwecken im Hochwasserfall wird in dieser Arbeit eine Methodik entwickelt, die die Schnelligkeit und Robustheit künstlicher neuronaler Netze mit der Zuverlässigkeit hydrodynamisch-numerischer Modellierung verbindet. Ein eindimensionales hydrodynamisches Modell beinhaltet die genaue Kenntnis der Geometrie des Flußlaufes und der Vorländer und berücksichtigt die physikalischen Prozesse des Wellenablaufes. Mit diesem deterministischen Modell ist eine Grundlage für umfangreiche Szenarienrechnungen zur Erstellung einer Datenbasis geschaffen, die die weite Spanne theoretisch möglicher Hochwasserereignisse abdeckt. Mit dieser Datenbasis können dann künstliche neuronale Netze trainiert werden, die auch im Bereich extremer Hochwasserereignisse zuverlässige Prognosen liefern. In dieser Arbeit werden mit Multilayer-Feedforward-Netzen und selbstorganisierenden Merkmalskarten zwei Netztypen als Vertreter überwacht und unüberwacht lernender neuronaler Netze auf ihre diesbezügliche Eignung untersucht und beurteilt. Desweiteren wurde die Methodik auf die Einbeziehung von Merkmalen für die Niederschlags-Abfluß-Prozesse im unbeobachteten Zwischengebiet zur Berücksichtigung lateraler Zuflüsse entlang der modellierten Fließstrecken erweitert. Die Datenbasis wurde hierfür mit einem Niederschlags-Abfluß-Modell erstellt. Ein Hauptschwerpunkt liegt in der Überführung der Eingangsdaten in charakteristische Merkmale zur Abbildung der Zielgrößen, in diesem Falle des Durchflusses und Wasserstandes am Zielpegel. So dienen die deterministischen Modelle nicht nur zur Erstellung einer verläßlichen Datenbasis für das Training der Netze, sondern ermöglichen – sowohl für die Niederschlags-Abfluß-Prozesse, als auch für die hydrodynamischen Prozesse – Analysen betreffs der Sensitivität der Modellergebnisse infolge von Änderungen der Inputdaten. Mit Hilfe dieser Analysen werden wichtige Informationen zur Findung der relevanten Merkmale erlangt. Ein Schlüssel für die erfolgreiche Eingliederung der Niederschlags-Abfluß-Prozesse in das Prognosenetz ist die Einführung eines einzigen Zustandsmerkmals, welches die gesamte meteorologische Vorgeschichte des Ereignisses zur Charakterisierung des Gebietszustandes vereinigt. Die entwickelte Methodik wurde anhand des Einzugsgebietes der Freiberger Mulde erfolgreich getestet.

This paper inspired by simulation by Artificial Neural Networks (ANNs) applied recently for evaluation of phonics methodology to teach children "how to read". A novel approach for teaching a mathematical topic using a computer aided learning (CAL) package applied at educational field (a children classroom). Interesting practical results obtained after field application of suggested CAL package with and without associated teacher''s voice. Presented study highly recommends application of a novel teaching trend based on behaviorism and individuals'' learning styles. That is to improve quality of children mathematical learning performance.

Die vorliegende Arbeit widmet sich der Untersuchung und Weiterentwicklung selbständig lernender maschineller Lernverfahren (Reinforcement Lernen) in der Anwendung auf visuelle Wahrnehmungen. Zuletzt wurden mit der Einführung speicherbasierter Methoden in das Reinforcement Lernen große Fortschritte beim Lernen an realen Systemen erzielt, aber der Umgang mit hochkomplexen visuellen Eingabedaten, wie sie z.B. von einer digitalen Kamera aufgezeichnet werden, stellt weiterhin ein ungelöstes Problem dar. Bestehende Methoden sind auf den Umgang mit niedrigdimensionalen Zustandsbeschreibungen beschränkt, was eine Anwendung dieser Verfahren direkt auf den Strom von Bilddaten bisher ausschließt und den vorgeschalteten Einsatz klassischer Methoden des Bildverstehens zur Extraktion und geeigneten Kodierung der relevanten Informationen erfordert. Einen Ausweg bietet der Einsatz von so genannten `tiefen Autoencodern'. Diese mehrschichtigen neuronalen Netze ermöglichen es, selbstorganisiert niedrigdimensionale Merkmalsräume zur Repräsentation hochdimensionaler Eingabedaten zu erlernen und so eine klassische, aufgabenspezifische Bildanalyse zu ersetzen. In typischen Objekterkennungsaufgaben konnten auf Basis dieser erlernten Repräsentationen bereits beeindruckende Ergebnisse erzielt werden. Im Rahmen der vorliegenden Arbeit werden nun die tiefen Autoencodernetze auf ihre grundsätzliche Tauglichkeit zum Einsatz im Reinforcement Lernen untersucht. Mit dem ``Deep Fitted Q''-Algorithmus wird ein neuer Algorithmus entwickelt, der das Training der tiefen Autoencodernetze auf effiziente Weise in den Reinforcement Lernablauf integriert und so den Umgang mit visuellen Wahrnehmungen beim Strategielernen ermöglicht. Besonderes Augenmerk wird neben der Dateneffizienz auf die Stabilität des Verfahrens gelegt. Im Anschluss an eine Diskussion der theoretischen Aspekte des Verfahrens wird eine ausführliche empirische Evaluation der erzeugten Merkmalsräume und der erlernten Strategien an simulierten und realen Systemen durchgeführt. Dabei gelingt es im Rahmen der vorliegenden Arbeit mit Hilfe der entwickelten Methoden erstmalig, Strategien zur Steuerung realer Systeme direkt auf Basis der unvorverarbeiteten Bildinformationen zu erlernen, wobei von außen nur das zu erreichende Ziel vorgegeben werden muss.

Krebs ist die zweithäufigste Todesursache weltweit und zählt damit zu den größten Plagen der Menschheit. Jährlich sterben Menschen an den Folgen bösartiger Tumore und stellen Ärzte vor scheinbar unlösbare Aufgaben. Um Krebsgeschwüre effizient bekämpfen oder sogar vollständig beseitigen zu können, ist es enorm wichtig diese früh genug zu diagnostizieren. Oft stellt jedoch genau das in der Praxis ein großes Problem dar und Tumore werden erst dann als solche erkannt, wenn das Zellwachstum schon sehr weit fortgeschritten ist. Eine große Chance für die frühzeitige Erkennung von Krebs bieten unterdessen Deep Learning Algorithmen. Die vorliegende Seminararbeit stellt diese Verfahren und ihre Anwendung in der Krebsdiagnostik vor. Es wird hierbei genauer auf Convolutional Neural Networks eingegangen, die besonders gut geeignet für die Analyse von Gewebebildern sind und unter anderem auch im System von Google's DeepMind zum Einsatz kommen. Die Arbeit analysiert Chancen und Risiken des Einsatzes von Deep Neural Networks bei der Diagnose von bösartigen Tumoren und verschafft dem Leser damit einen ganzheitlichen Überblick über die Anwendung von Deep Neural Networks im Bereich der Onkologie.:1 Einleitung 2 Vom Neuronalen Netz zum Deep Learning Algorithmus 2.1 Grundlagen Künstlicher Neuronaler Netze 2.1.1 Allgemeiner Aufbau 2.1.2 Das Neuron als Grundbaustein 2.1.3 Lernen in neuronalen Netzen 2.1.4 Loss Function und Optimizer 2.2 Convolutional Neural Networks 2.2.1 Convolutional Layer 2.2.2 Pooling Layer 2.2.3 Fully Connected Layer 2.2.4 Lernen und Aktivierung in CNN’s 3 DeepMind als Deep Learning Multitalent 3.1 Bisherige Erfolge 3.2 DeepMind Health 4 Chancen und Risiken in der Krebsdiagnostik 4.1 Aktueller Stand der Brustkrebsdiagnostik 4.2 Chancen von Deep Learning Algorithmen 4.3 Ethische Risiken 4.3.1 False Positives 4.3.2 False Negatives 4.4 Fazit der Risikoanalyse 5 Ausblick

Epilepsy is the most common neurological disorder and an accurate forecast of seizures would help to overcome the patient’s uncertainty and helplessness. In this contribution, we present and discuss a novel methodology for the classification of intracranial electroencephalography (iEEG) for seizure prediction. Contrary to previous approaches, we categorically refrain from an extraction of hand-crafted features and use a convolutional neural network (CNN) topology instead for both the determination of suitable signal characteristics and the binary classification of preictal and interictal segments. Three different models have been evaluated on public datasets with long-term recordings from four dogs and three patients. Overall, our findings demonstrate the general applicability. In this work we discuss the strengths and limitations of our methodology.

Einleitung: Die Dystonie ist eine neurologische Bewegungsstörung, bei der durch unwillkürliche anhaltende oder intermittierende Muskelkontraktionen schraubenartige Bewegungen oder Haltungen auftreten. Die häufigste genetische Form ist die DYT1 Dystonie, bei der eine Deletion von drei Basenpaaren im TOR1A-Gen zur Expression eines mutierten TorsinA-Proteins führt. Die unzureichende Aufklärung der Pathophysiologie von Dystonien erschwert die Entwicklung geeigneter Therapien. Studien an Tiermodellen und humanen Patienten deuten darauf hin, dass der Dystonie Fehlfunktionen innerhalb der Basalganglienschleife zugrunde liegen, an denen die Basalganglien, der Cortex, der Thalamus und das Kleinhirn beteiligt sind. Eine anerkannte Hypothese besagt, dass die Dystonie aus einem Ungleichgewicht zwischen Erregung und Hemmung resultiert. Eine abnorme neuronale Plastizität, z.B. eine erhöhte Langzeitpotenzierung und eine verminderte Langzeitdepression im Striatum, der Eingangsstruktur der Basalganglien, ebenso wie eine beeinträchtigte GABAerge Hemmung bei verschiedenen Arten von menschlicher Dystonie stützen die Hypothese des Verlustes der Hemmung im Striatum. Ziele der Untersuchungen: Striatale GABAerge Parvalbumin-reaktive Interneurone (PV+) nehmen eine zentrale Rolle in der hemmenden Kontrolle ein, indem sie die Aktivität striataler Projektionsneurone (MSN) und somit das Gleichgewichts zwischen Erregung und Hemmung im Striatum regulieren. Die Bedeutung eines Hemmungsverlustes im Striatum, ausgelöst durch eine mögliche Fehlfunktion striataler PV+, sollte in einem Tiermodell der DYT1 Dystonie untersucht werden. Mithilfe einer in-vivo-optogenetischen Inhibition striataler PV+ in dem DYT1 Knock-in-Mausmodell (DYT1 KI), ein ätiologisches Mausmodell ohne Ausprägung eines dystonen Phänotyps, wurden die Auswirkungen auf das lokomotorische Verhalten, auf die Entwicklung dystoner Symptome und auf die neuronale Aktivität untersucht. Tiere, Material und Methoden: Zu diesem Zweck wurde eine Mauslinie etabliert, welche die lichtsensitive Chloridionenpumpe Halorhodopsin (eNpHR3.0) in PV+ exprimiert und entweder heterozygot oder Wildtyp (WT) für die DYT1-Mutation ist. Dafür wurden unter Verwendung des Cre-LoxP Systems verschiedene Mauslinien miteinander gekreuzt. Die Untersuchungen wurden an männlichen sechs Monate alten DYT1 KI (n = 7) und WT-Mäusen (n = 8) durchgeführt, da diese geschlechts- und altersabhängig signifikante Verhaltensänderungen zeigten. Die Expression von Halorhodopsin wurde mittels Genotypisierung und Immunhistochemie verifiziert. Durch bilaterale stereotaktische Implantation optischer Fasern in das murine dorsale Striatum konnten Lichtimpulse an das eNpHR3.0 übertragen werden. Anregung mit gelbem Licht führt zur Aktivierung des eNpHR3.0, welches einen Chloridioneneinstrom ermöglicht und zu einer Hyperpolarisation der striatalen PV+ führt. Es wurden verschiedene Stimulationsprotokolle verwendet, welche sich in der Länge und dem Intervall der Lichtimpulse sowie der Dauer der Stimulation unterschieden. Dabei befanden sich die Mäuse im „open field” und ihre lokomotorische Aktivität sowie weitere Parameter, z.B. Thigmotaxis und Putzverhalten, wurden beurteilt. Untersuchungen zur neuronalen Aktivität wurden sowohl an den stimulierten (DYT1 KI n = 7, WT n = 6) als auch an naiven Tieren (DYT1 KI n = 6, WT n = 8) aus derselben Mauslinie durchgeführt. Effekte auf die neuronale Aktivität wurden anhand der Expression des neuronalen Markers c-Fos untersucht. Die gesamte neuronale Aktivität wurde durch stereologisches Zählen c-Fos-positiver Neurone analysiert. Die Aktivität striataler PV+ und cholinerger Interneurone (CIN) wurde durch Doppelmarkierungen mit c-Fos- und eNpHR3.0 bzw. Cholinacetyltransferase (ChAT) beurteilt. Die grafische Darstellung und statistische Auswertung wurde mit SigmaPlot14.0 durchgeführt und erfolgte mittels Varianzanalyse (ein- und zweifaktorielle ANOVA, mit und ohne Messwiederholung) gefolgt von einem Post-Hoc-Test für Mehrfachvergleiche (Holm-Sidak). Das Signifikanzniveau wurde bei p < 0,05 festgesetzt. Ergebnisse: Die optogenetischen Stimulationen mit gelben Lichtimpulsen bei unterschiedlichen Impulsdauern und Intervalllängen und mit einer Stimulationsdauer von bis zu 60 Minuten lösten in den Mäusen keine abnormalen Bewegungen, wie dystone Symptome, aus. Weiterhin waren sowohl das lokomotorische Verhalten als auch die weiteren analysierten Parameter unter Stimulation unverändert. Dagegen zeigten immunhistochemische Untersuchungen Genotyp-abhängige Unterschiede zur neuronalen Aktivität. Im Gegensatz zu stimulierten WT-Mäusen zeigten stimulierte DYT1 KI eine verringerte striatale neuronale Gesamtaktivität (p = 0,002), d.h. weniger c-Fos reaktive Neurone, welches sich über das gesamte Striatum erstreckt. Weiterhin zeigten stimulierte DYT1 KI-Mäuse eine geringere Aktivität eNpHR3.0-positiver Neurone als stimulierte WT (p = 0,31), also eine anhaltende Hemmung der PV+, sowie eine erhöhte Aktivierung cholinerger Interneurone nach optogenetischer Hemmung von PV+ (vs. WT p < 0,001, vs. naive DYT1 KI p < 0,001). Schlussfolgerungen: Da die in-vivo-optogenetische Hemmung striataler PV+ nicht ausreichte, um in DYT1 KI-Mäusen dystone Symptome hervorzurufen, scheinen zumindest kürzere hemmende Defizite über PV+ für die Ausprägung der DYT1 Dystonie keine zentrale Rolle zu spielen. Ebenso hatte die optogenetische Hemmung von PV+ keinen Einfluss auf das lokomotorische Verhalten von WT und DYT1 KI-Mäusen. Dennoch deuten die Genotyp-bezogenen Unterschiede in der neuronalen Aktivität zwischen stimulierten Mäusen auf eine abnorme Reaktion auf die optogenetische Hemmung von PV+ und eine striatale Fehlfunktion bei den DYT1 KI-Mäusen hin. Weiterführende Studien aus einer Kombination von optogenetischen Manipulationen von PV+ und elektrophysiologischen Untersuchungen bzw. Neurotransmittermessungen können Erklärungsansätze für Veränderungen in der neuronalen Aktivität liefern und Einblicke in Neurotransmitterimbalancen, die der Dystonie zugrunde liegen, geben.:Abkürzungsverzeichnis 1. Einleitung 2. Literaturübersicht 2.1 Definition und Einteilung von Dystonien 2.1.1 Die primäre DYT1 Torsionsdystonie 2.2 Diagnose und Therapieoptionen von Dystonien 2.3 Tiermodelle primärer Dystonien 2.3.1 Das DYT1 Knock-in-Mausmodell 2.4 Die Basalganglien: Neuroanatomie und Physiologie 2.4.1 Nervenzellen des Striatums 2.4.1.1 Striatale Projektionsneurone 2.4.1.2 Striatale Interneurone 2.4.2 Basalganglien und Dystonie: pathophysiologische Veränderungen 2.4.3 Striatale Parvalbumin-reaktive Interneurone 2.4.3.1 Physiologische Eigenschaften 2.4.3.2 Bedeutung für Verhalten, Motorik und Dystonien 2.4.3.3 Inhibition Parvalbumin-reaktiver Interneurone mithilfe der In-vivo-Optogenetik 3. Fragestellung 4. Publikation 5. Diskussion 5.1 Methodische Aspekte 5.2 Ergebnisse 5.2.1 Verhaltensuntersuchungen 5.2.2 Neuronale Aktivität 5.3 Schlussfolgerungen und Ausblick 6. Zusammenfassung 7. Summary 8. Literaturverzeichnis 9. Danksagung / Introduction: Dystonia is a movement disorder characterized by abnormal involuntary movements or postures due to sustained or intermittent muscle contractions. The most common inherited form is DYT1 dystonia, in which a deletion of three base pairs in the TOR1A gene leads to the expression of a mutant torsinA protein. The insufficient elucidation of the pathophysiology of dystonia hampers the development of effective treatments. Studies in animal models and in human patients suggest that dystonia underlies dysfunction within the basal ganglia loop involving the basal ganglia, cortex, thalamus and cerebellum. An accepted hypothesis is that dystonia results from an imbalance between excitation and inhibition. Abnormal neuronal plasticity, e.g., increased long-term potentiation and decreased long-term depression in the striatum, the input structure of the basal ganglia, as well as impaired GABAergic inhibition in various types of human dystonia support the hypothesis of a loss of inhibition in the striatum. Aim: Striatal GABAergic parvalbumin-reactive interneurons (PV+) play a central role in inhibitory control by regulating the activity of striatal projection neurons (MSN) and consequently the balance between excitation and inhibition in the striatum. The importance of a loss of inhibition in the striatum, triggered by possible dysfunction of striatal PV+, should be investigated in an animal model of DYT1 dystonia. Using in vivo optogenetic inhibition of striatal PV+ in the DYT1 knock-in mouse model (DYT1 KI), a genetic mouse model without manifestation of a dystonic phenotype, the effects on locomotor behavior, on the development of dystonic symptoms and on neuronal activity were investigated. Animals, material and methods: A mouse line expressing the light-sensitive chloride ion pump halorhodopsin (eNpHR3.0) in PV+ and either heterozygous or wildtype (wt) for the DYT1 mutation was established. For this, different mouse lines were crossed using the Cre-LoxP system. Studies were performed in male six-month-old DYT1 KI (n = 7) and wt mice (n = 8), as they showed significant behavioral abnormalities in a sex- and age-dependent manner. Halorhodopsin expression was verified by genotyping and immunohistochemistry. After bilateral stereotactic implantation of optical fibers into the murine dorsal striatum, light pulses could be transmitted to eNpHR3.0. Excitation with yellow light leads to activation of eNpHR3.0, which leads to chloride ion influx and results in hyperpolarization of striatal PV+. Different stimulation protocols were used, differing in the length and interval of light pulses and the duration of stimulation. During optogenetic stimulation, mice were in the 'open field' and their locomotor activity and other parameters, e.g., thigmotaxis and grooming behavior, were assessed. Studies on neuronal activity were performed on both stimulated (DYT1 KI n = 7, WT n = 6) and naive animals (DYT1 KI n = 6, WT n = 8) from the same mouse line. For neuronal activity studies, the expression of the neuronal marker c-Fos was examined. Overall neuronal activity was analyzed by stereological counting of c-Fos-positive neurons. Activity of striatal PV+ and cholinergic interneurons (CIN) was determined by colabeling with c-Fos- and eNpHR3.0 or choline acetyltransferase (ChAT). All plots and statistical analyses were performed using SigmaPlot14.0 and analyzed by analysis of variance (one-way and two-way ANOVA, with and without repeated measures) followed by a multiple comparison post-hoc test (Holm-Sidak). Significance was assigned at p < 0.05. Results: In stimulated mice, optogenetic inhibition using yellow light pulses at different pulse durations and interval lengths and with a stimulation duration up to 60 minutes did not induce abnormal movements, such as dystonic signs. Furthermore, both locomotor behavior and other parameters analyzed remained unchanged under stimulation. In contrast, immunohistochemical studies revealed genotype-dependent differences in neuronal activity. In contrast to stimulated wt mice, stimulated DYT1 KI showed reduced overall striatal neuronal activity (p = 0.002), i.e., fewer c-Fos reactive neurons, spreading over the entire striatum. Likewise, stimulated DYT1 KI mice showed decreased activity of eNpHR3.0-positive neurons than stimulated wt (p = 0.31), indicating lasting inhibition of PV+, as well as increased activation of cholinergic interneurons after optogenetic inhibition of PV+ (vs. WT p < 0.001, vs. naive DYT1 KI p < 0.001). Conclusions: Since in vivo optogenetic inhibition of striatal PV+ was not sufficient to elicit dystonic symptoms in DYT1 KI mice, at least short-time inhibition seems not to play a central role in the manifestation of DYT1 dystonia. Similarly, optogenetic inhibition of PV+ had no effect on locomotor behavior in wt and DYT1 KI mice. Despite this, genotype differences in neuronal activity between stimulated mice suggest an abnormal response to optogenetic inhibition of PV+ and striatal dysfunction in the DYT1 KI mice. Further studies combining optogenetic manipulations of PV+ and electrophysiological or neurotransmitter measurements may provide explanatory approaches to changes in neuronal activity and give insights into neurotransmitter imbalances underlying dystonia.:Abkürzungsverzeichnis 1. Einleitung 2. Literaturübersicht 2.1 Definition und Einteilung von Dystonien 2.1.1 Die primäre DYT1 Torsionsdystonie 2.2 Diagnose und Therapieoptionen von Dystonien 2.3 Tiermodelle primärer Dystonien 2.3.1 Das DYT1 Knock-in-Mausmodell 2.4 Die Basalganglien: Neuroanatomie und Physiologie 2.4.1 Nervenzellen des Striatums 2.4.1.1 Striatale Projektionsneurone 2.4.1.2 Striatale Interneurone 2.4.2 Basalganglien und Dystonie: pathophysiologische Veränderungen 2.4.3 Striatale Parvalbumin-reaktive Interneurone 2.4.3.1 Physiologische Eigenschaften 2.4.3.2 Bedeutung für Verhalten, Motorik und Dystonien 2.4.3.3 Inhibition Parvalbumin-reaktiver Interneurone mithilfe der In-vivo-Optogenetik 3. Fragestellung 4. Publikation 5. Diskussion 5.1 Methodische Aspekte 5.2 Ergebnisse 5.2.1 Verhaltensuntersuchungen 5.2.2 Neuronale Aktivität 5.3 Schlussfolgerungen und Ausblick 6. Zusammenfassung 7. Summary 8. Literaturverzeichnis 9. Danksagung