Neural response patterns during Pavlovian-to-instrumental transfer predict alcohol relapse and young adult drinking

Dr. rer. medic. Maria Sekutowicz, M.Sc.
Preisträgerin des Wilhelm-Feuerlein-Forschungspreises 2018
im Bereich der Grundlagenforschung / Bevölkerungsepidemiologie

Alkoholbezogene Störungen sind in den industrialisierten Ländern sehr verbreitet, allein in Deutschland sind etwa 6 Millionen Personen betroffen. Adoleszenz und frühes Erwachsenenalter weisen ein erhöhtes Risiko für das Auftreten solcher Störungen auf. Gezielte Präventionsmaßnahmen für diese Altersgruppe sind daher erstrebenswert, allerdings sind die erforderlichen Kenntnisse über prädisponierende Faktoren gegenwärtig begrenzt.

Als Teil der DFG-geförderten LEAD (Learning and Alcohol Dependence)-Forschergruppe (Sprecher Prof. Dr. Dr. Andreas Heinz und Prof. Dr. Hans-Ulrich Wittchen) verfolgte unser Projekt das Ziel, neuronale Mechanismen zu identifizieren, die das Risiko für die Entwicklung alkoholbezogener Störungen (riskanter Konsum, Missbrauch und Abhängigkeit) beeinflussen. Basierend auf der Annahme, dass Substanzabhängigkeit eine Folge gestörter Lern- und Entscheidungsprozesse ist, war die Hypothese, dass interindividuelle Unterschiede in den neuronalen Mechanismen dieser Prozesse mit der Vulnerabilität für alkoholbezogene Störungen assoziiert sind.

Zu diesem Ziel wurden junge Erwachsene im Alter von 18 Jahren und Patienten mit einer bestehenden Alkoholabhängigkeit untersucht. Der Alkoholkonsum und der Rückfall zu alkoholbezogenen Verhalten in der Patientengruppe wurden prospektiv erfasst. In einer Baseline-Phase wurde mithilfe von funktioneller Magnetresonanztomographie (fMRT) die Gehirnaktivität während einer belohnungsbasierten Lernaufgabe gemessen. Obwohl bisherige Bildgebungsstudien zur Verlaufsprädiktion von Alkoholabhängigkeit erste vielversprechende Befunde ergaben, ist bei konventionellen statistischen Analysemethoden der prädiktive Wert einzelner Surrogatmarker – wie etwa die Aktivität in einer bestimmten Hirnregion –bislang gering. Ein erfolgversprechender Ansatz zur Verbesserung der prädiktiven Aussagekraft und damit der Sensitivität solcher Vorhersagemodelle ist der Einsatz von Multi-Voxel-Pattern-Analysen (MVPA), bei der über die Aktivität einzelner Bildpunkte oder Gehirnregionen hinaus räumliche Muster von Gehirnaktivität analysiert werden. In einem ersten Schritt wurde basierend auf solchen neuronalen Aktivitätsmustern ein maschinelles Lernmodell entwickelt, mit dem eine prognostische Vorhersage zur Abstinenz der alkoholabhängigen Patientengruppe gemacht wurde. Im Ergebnis konnte im Mittel bei drei von vier Patienten Abstinenz bzw. Rückfall korrekt vorhergesagt werden. Allein basierend Gehirnaktivitätsmustern während einer Lernaufgabe konnte also eine Aussage zur Rückfallwahrscheinlichkeit gemacht werden.  Schließlich wurde in einem zweiten Schritt untersucht, ob der an der Patientengruppe trainierte Klassifikationsalgorithmus auch eine prognostische Aussage zum Trinkverhalten in der Gruppe junger Erwachsenen erlauben würde. Hier zeigte sich, dass junge Erwachsene, die der Algorithmus der Klasse der abstinenten Patienten zuordnete, eine deutlichere Verbesserung des Trinkverhaltens zeigten, als jene, die der Gruppe der rückfälligen Patienten zugeordnet wurden. Die identifizierten Gehirnaktivitätsmuster zeigten also in beiden Gruppen eine prognostische Vorhersagekraft bezüglich des Trinkverhaltens und weisen damit auf einen generischen neuronalen Mechanismus bei der Aufrechterhaltung sowie der Entwicklung der Alkoholabhängigkeit hin. Die Ergebnisse leisten einen wichtigen Beitrag zur Entwicklung pathogenetischer Modelle für die neurobiologischen Mechanismen pathologischen Trinkverhaltens, die als Grundlage für spezifische therapeutische Interventionen dienen könnten.