Modelo Computacional Mimético do Cérebro Aprende Tarefas Visuais como Animais
Um novo modelo computacional foi desenvolvido para imitar circuitos neurais reais. Com isso, ele aprendeu uma tarefa de categorização visual tão bem quanto animais de laboratório, sem ter sido treinado com dados de experimentos. O modelo conseguiu reproduzir padrões de aprendizado, mostrando regularidades na atividade neural que estão presentes em cérebros reais. Através da combinação de regras sinápticas e uma arquitetura ampla abrangendo córtex, estriado e tronco encefálico, o modelo replicou comportamentos típicos de aprendizado. Um desses comportamentos incluía a sincronização de ritmos cerebrais, especificamente na banda beta, durante decisões corretas.
Além disso, o modelo revelou uma classe de neurônios, chamada de “neurônios incongruentes”, que indicavam erros durante as tarefas. Essa descoberta foi reconhecida apenas depois que o modelo a expôs, mesmo estando presente nos dados reais de animais, mas sem ter sido notada antes. Essa plataforma biomimética é uma nova ferramenta poderosa para explorar mudanças em circuitos relacionados a doenças e testar intervenções terapêuticas virtualmente, abrindo um caminho para o desenvolvimento de novos neuroterapêuticos.
Fatos Principais
- Design Biológico: O modelo incorpora regras reais de conectividade neuronal e dinâmicas de neurotransmissores, recriando a computação biológica.
- Realismo Emergente: Produziu comportamentos de aprendizado e padrões de decisão que se igualavam aos de animais de laboratório, mesmo sem treinamento anterior com dados biológicos.
- Sinais Ocultos Expostos: A descoberta dos “neurônios incongruentes” revelou uma atividade preditiva de erro que estava presente mas não havia sido analisada em cérebros reais.
Desenvolvimento do Modelo
Para descrever melhor os detalhes, o postdoc da Dartmouth, Anand Pathak, foi o responsável pela criação do modelo. Diferente de muitos outros, ele incorpora tanto pequenos detalhes, como a forma como pares de neurônios se conectam, quanto a arquitetura em grande escala do cérebro. Isso inclui como os processos de informação são afetados por substâncias químicas como a acetilcolina. A equipe trabalhou para garantir que o modelo obedecesse a várias regras observadas em cérebros reais, como a sincronização neuronal.
As “árvores” do modelo, chamadas de “primitivas”, são pequenos circuitos de neurônios que se conectam com base em princípios elétricos e químicos, realizando funções computacionais básicas. Por exemplo, em uma das primitivas do córtex, neurônios excitatórios recebem informações do sistema visual e competem com neurônios inibitórios, regulando o processamento de informações como acontece nos cérebros reais.
Processamento de Informações
O modelo abrange quatro regiões cerebrais essenciais para tarefas básicas de aprendizado e memória: o córtex, o tronco encefálico, o estriado e uma estrutura chamada “neurônio tonicamente ativo”. Este neurônio pode adicionar um pouco de “ruído” ao sistema, ajudando o modelo a explorar diferentes ações e seus resultados.
À medida que o modelo se envolvia na tarefa de categorizar padrões de pontos, o neurônio tonicamente ativo inicial garantiu certa variação nas ações. Com o tempo, as conexões entre córtex e estriado se tornaram mais fortes, permitindo que o modelo agisse com maior consistência nas decisões baseadas no que estava aprendendo.
Sincronização e Erros
Um aspecto interessante do modelo que se destacou durante os processos de aprendizado foi a sincronia crescente entre o córtex e o estriado. Essa sincronia era principalmente na banda beta das oscilações cerebrais, correlacionando momentos em que o modelo (e os animais) tomaram decisões corretas sobre o que estavam vendo. Durante a pesquisa, a equipe também notou a presença de neurônios incongruentes, cuja atividade estava fortemente ligada a erros nas decisões do modelo.
No início, pensaram que essa atividade peculiar era um erro do próprio modelo, mas ao examinar dados de cérebros reais, perceberam que esse padrão de atividade já existia, só não havia sido notado antes. Esses neurônios incongruentes poderiam ser importantes para que o cérebro mude sua estratégia quando as regras de uma tarefa mudam, permitindo flexibilidade na resolução de problemas.
Expansão do Modelo
Apesar de o modelo ter superado as expectativas iniciais da equipe, a pesquisa continua. Eles estão expandindo o modelo para que ele possa lidar com uma variedade maior de tarefas e situações. Isso inclui a adição de novas regiões cerebrais e diferentes substâncias químicas que influenciam a atividade cerebral. Também começaram a testar como intervenções, como medicamentos, afetam seu comportamento.
Os pesquisadores envolvidos no desenvolvimento deste modelo, como Richard Granger e Earl Miller, fundaram a empresa Neuroblox.ai. O objetivo é avançar nas aplicações biotecnológicas do modelo, criando uma plataforma para o desenvolvimento e teste de novos tratamentos. Miller destaca que essa abordagem pode agilizar o processo de descoberta de novos medicamentos antes de enfrentar os riscos e custos de testes clínicos.
Conclusão
O novo modelo computacional representa um avanço significativo na compreensão de como o cérebro processa informações e aprende. Com uma abordagem que respeita a complexidade da biologia real, ele não apenas conseguiu reproduzir comportamentos observados em animais, mas também ajudou a descobrir novos padrões de atividade neuronal que podem ter implicações importantes para a pesquisa em neurociência.
Com o modelo sendo aprimorado constantemente, espera-se que ele possa contribuir significativamente para entender melhor as doenças cerebrais e testar possíveis intervenções, criando um futuro promissor para novos tratamentos e terapias.
