Um novo modelo computacional de c\u00e9rebro, inspirado pela biologia e pela fisiologia real, aprendeu uma tarefa de categoriza\u00e7\u00e3o visual com a mesma precis\u00e3o mostrada por animais de laborat\u00f3rio. O estudo, conduzido por pesquisadores de Dartmouth, MIT e State University of New York at Stony Brook, foi publicado na Nature Communications.<\/p>\n
A equipe desenvolveu o modelo a partir do zero, simulando como as conex\u00f5es entre neur\u00f4nios formam circuitos e como h\u00e1 comunica\u00e7\u00e3o el\u00e9trica e qu\u00edmica entre regi\u00f5es cerebrais para sustentar cogni\u00e7\u00e3o e comportamento. Sem treino com dados de experimentos com animais, o modelo foi submetido \u00e0 mesma tarefa que os animais haviam realizado.<\/p>\n
Os resultados mostraram atividade neural e padr\u00f5es comportamentais muito pr\u00f3ximos aos observados em animais, com progress\u00e3o de aprendizagem quase id\u00eantica. O pesquisador Richard Granger destaca que as correspond\u00eancias entre simula\u00e7\u00f5es e dados laboratoriais foram surpreendentes.<\/p>\n
Anand Pathak, p\u00f3s-doutorando em Dartmouth, criou o modelo que integra detalhes finos de conectividade entre pares de neur\u00f4nios e a arquitetura ampla entre regi\u00f5es c\u00e9r\u00e9brais. A aproxima\u00e7\u00e3o usa neurotransmissores para regular intera\u00e7\u00f5es entre neur\u00f4nios excitadores e inibit\u00f3rios, simulando uma rede de competi\u00e7\u00e3o tipo \u201cwinner-take-all\u201d.<\/p>\n
Em escala maior, o modelo abrange quatro regi\u00f5es cerebrais necess\u00e1rias para aprendizagem b\u00e1sica: c\u00f3rtex, tronco encef\u00e1lico, estriado e uma estrutura de neur\u00f4nio tonicante que introduz ru\u00eddo com bursts de acetilcolina. O ru\u00eddo inicial facilita a explora\u00e7\u00e3o de a\u00e7\u00f5es durante o aprendizado.<\/p>\n
\u00c0 medida que a tarefa de categoriza\u00e7\u00e3o de padr\u00f5es de pontos avan\u00e7a, o c\u00f3rtex e o estriado fortalecem conex\u00f5es que reduzem a influ\u00eancia do neur\u00f4nio tonicante, levando a respostas mais est\u00e1veis. O comportamento emergente observa padr\u00f5es de sincroniza\u00e7\u00e3o em ritmos beta.<\/p>\n
Entre as descobertas est\u00e1 um grupo de neurons chamados de \u201cincongruentes\u201d, respons\u00e1veis por prever erros. Quando esses neur\u00f4nios influenciam circuitos, a tarefa pode seguir um caminho incorreto. Ao analisar dados de c\u00e9rebros de animais, os pesquisadores detectaram pela primeira vez esse comportamento.<\/p>\n
Segundo Miller, esse tipo de neur\u00f4nio pode manter a flexibilidade para cen\u00e1rios com regras mudadas, permitindo testar estrat\u00e9gias alternativas. Estudos recentes indicam que humanos e outros animais tamb\u00e9m recorrem a abordagens diferentes mesmo ap\u00f3s aprenderem a ideia central.<\/p>\n
A equipe planeja ampliar o modelo, incluindo mais regi\u00f5es e neuromoduladores, al\u00e9m de testar como interven\u00e7\u00f5es, como f\u00e1rmacos, afetam a din\u00e2mica cerebral simulada. O objetivo \u00e9 apoiar descoberta, desenvolvimento e avalia\u00e7\u00e3o de neuroterapias mais eficientes.<\/p>\n
Al\u00e9m de Granger e Miller, contribu\u00edram Pathak, Mujica-Parodi e outros colegas como Scott Brincat, Haris Organtzidis, Helmut Strey, Sageanne Senneff e Evan Antzoulatos. O projeto recebeu apoio do Baszucki Brain Research Fund, do Office of Naval Research e da Freedom Together Foundation.<\/p>\n","protected":false},"excerpt":{"rendered":"