- Novo modelo biomimético de circuitos cerebrais aprendeu tarefa simples de categorização visual com desempenho similar ao de animais, sem usar dados de experimentos com eles.
- O modelo foi criado do zero para representar com fidelidade conexões neuronais e a comunicação elétrica e química entre regiões, incluindo cortex, tronco encefálico, estriado e uma estrutura de neurônio tonicamente ativo.
- Durante o aprendizado, houve sincronização entre cortex e estriado na faixa beta, associada a decisões corretas na tarefa.
- Cerca de 20 por cento das neurônios mostraram atividade “incongruente” preditiva de erro; dados reais de animais revelaram esse padrão ainda não observado.
- O objetivo é entender o funcionamento do cérebro e possibilidades de intervenções, com a Neuroblox.ai desenvolvendo aplicações biotecnológicas; apoio financeiro do Baszucki Brain Research Fund, Office of Naval Research e Freedom Together Foundation.
Um novo modelo computacional de cérebro, inspirado pela biologia e pela fisiologia real, aprendeu uma tarefa de categorização visual com a mesma precisão mostrada por animais de laboratório. O estudo, conduzido por pesquisadores de Dartmouth, MIT e State University of New York at Stony Brook, foi publicado na Nature Communications.
A equipe desenvolveu o modelo a partir do zero, simulando como as conexões entre neurônios formam circuitos e como há comunicação elétrica e química entre regiões cerebrais para sustentar cognição e comportamento. Sem treino com dados de experimentos com animais, o modelo foi submetido à mesma tarefa que os animais haviam realizado.
Os resultados mostraram atividade neural e padrões comportamentais muito próximos aos observados em animais, com progressão de aprendizagem quase idêntica. O pesquisador Richard Granger destaca que as correspondências entre simulações e dados laboratoriais foram surpreendentes.
Como funciona o modelo biomimético
Anand Pathak, pós-doutorando em Dartmouth, criou o modelo que integra detalhes finos de conectividade entre pares de neurônios e a arquitetura ampla entre regiões cérébrais. A aproximação usa neurotransmissores para regular interações entre neurônios excitadores e inibitórios, simulando uma rede de competição tipo “winner-take-all”.
Em escala maior, o modelo abrange quatro regiões cerebrais necessárias para aprendizagem básica: córtex, tronco encefálico, estriado e uma estrutura de neurônio tonicante que introduz ruído com bursts de acetilcolina. O ruído inicial facilita a exploração de ações durante o aprendizado.
À medida que a tarefa de categorização de padrões de pontos avança, o córtex e o estriado fortalecem conexões que reduzem a influência do neurônio tonicante, levando a respostas mais estáveis. O comportamento emergente observa padrões de sincronização em ritmos beta.
Descobertas surpreendentes e aplicações
Entre as descobertas está um grupo de neurons chamados de “incongruentes”, responsáveis por prever erros. Quando esses neurônios influenciam circuitos, a tarefa pode seguir um caminho incorreto. Ao analisar dados de cérebros de animais, os pesquisadores detectaram pela primeira vez esse comportamento.
Segundo Miller, esse tipo de neurônio pode manter a flexibilidade para cenários com regras mudadas, permitindo testar estratégias alternativas. Estudos recentes indicam que humanos e outros animais também recorrem a abordagens diferentes mesmo após aprenderem a ideia central.
A equipe planeja ampliar o modelo, incluindo mais regiões e neuromoduladores, além de testar como intervenções, como fármacos, afetam a dinâmica cerebral simulada. O objetivo é apoiar descoberta, desenvolvimento e avaliação de neuroterapias mais eficientes.
Parcerias e financiamento
Além de Granger e Miller, contribuíram 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.
Entre na conversa da comunidade