entender os fluxos de comunicação no cérebro usando aprendizado de máquina

A investigação científica permite-nos compreender melhor como funciona o complexo órgão que é o nosso cérebro e os seus 86-100 mil milhões de neurónios. Pesquisadores da Universidade Carnegie Mellon, da Faculdade de Medicina Albert Einstein e da Fundação Champalimaud trabalham há mais de 10 anos para entender melhor o fluxo de comunicação no cérebro e recentemente desenvolveram um novo método estatístico chamado Delayed Latents Across Groups (DLAG). Eles apresentam seu trabalho no estudo “Desembaraçar o fluxo de sinais entre populações de neurônios”, publicado em 18 de agosto na Nature Computational Science.

O cérebro é essencial para o funcionamento do corpo humano, as correntes de comunicação neural nos permitem interagir com o mundo ao nosso redor: paladar, tato, visão, audição e olfato são assim transmitidos pelos neurônios através de correntes sensoriais. As interações entre grandes coleções de neurônios disparados simultaneamente no cérebro nos permitem ver, ouvir, cheirar ou andar.

Desembaraçar o fluxo simultâneo e bidirecional de sinais entre populações de neurônios

Para desembaraçar os sinais entre as regiões do cérebro, mesmo quando a comunicação entre as regiões do cérebro é bidirecional, a equipe de pesquisa desenvolveu um novo método estatístico chamado Delayed Latents Across Groups (DLAG).

Evren Gokcen, estudante de graduação em engenharia elétrica e de computação da Carnegie Mellon, explica:

“O método que desenvolvemos, DLAG, se enquadra na categoria mais ampla de aprendizado de máquina ou métodos estatísticos que investigam sinais neurais de alta dimensão. O novo aspecto é identificar padrões de atividade que são compartilhados entre diferentes regiões do cérebro.”

Ele adiciona:

“Durante décadas, os estudos se concentraram em registrar um ou um punhado de neurônios de uma região do cérebro por vez. Mas com os avanços na tecnologia de gravação neural, o gargalo mudou para a capacidade de analisar e interpretar gravações de grandes populações de neurônios de várias partes do cérebro. »

Os modelos de atividade nos permitem entender como os neurônios coordenam sua atividade uns com os outros. Identificar os padrões de atividade envolvidos na comunicação entre as diferentes partes do cérebro apresenta vários desafios, um dos quais se deve ao fato de essa comunicação ser geralmente bidirecional e simultânea.

Evren Gokcen explica a abordagem da equipe:

“Para avançar na comunicação desembaraçada, usamos um insight simples: você não pode enviar sinais imediatamente; demora um pouco para a informação fluir. A videoconferência é um ótimo ponto de referência quando se pensa em atraso na comunicação; é semelhante no cérebro. Com DLAG aproveitamos esse atraso, portanto, se o sinal aparecer primeiro na área A e depois na área B, significa que a área A enviou o sinal para a área B. Usando o método DLAG, podemos separar os sinais que são transmitidos ao mesmo tempo. »

Resultados do estudo

Os pesquisadores mostraram que o DLAG funciona bem em conjuntos de dados sintéticos comparáveis ​​na escala de registros neurofisiológicos atuais. Eles então estudaram simultaneamente as populações incluídas nas regiões visuais de primatas V1 e V2, onde DLAG revela assinaturas de comunicação bidirecional, mas seletiva. Sua estrutura estabelece as bases para dissecar o fluxo complexo de sinais através de populações de neurônios e como essa sinalização contribui para a computação cortical.

O DLAG pode ser usado para outras aplicações da neurociência, como entender a interação entre diferentes tipos de células, neurônios ou entre diferentes camadas do cérebro.

Byron YU, professor de engenharia biomédica e engenharia elétrica e de computação da Carnegie Mellon, conclui:

“Introduzir o DLAG é como introduzir um bisturi para obter uma visão mais profunda de como as regiões do cérebro se comunicam umas com as outras. Em conjunto com este artigo, estamos disponibilizando nosso código-fonte para outros membros da comunidade científica. O DLAG pode ser usado para estudar outros sistemas cerebrais fora do sistema visual em que nos concentramos, por exemplo, para estudar memória, tomada de decisão e controle motor. »

Fontes do artigo:

Desembaraçar o fluxo de sinais entre populações de neurônios

Estudo publicado em 18 de agosto de 2022 na Nature Computational Science,
doi.org/10.1038/s43588-022-00282-5

Autores e preferências:

  • Departamento de Engenharia Elétrica e de Computação, Carnegie Mellon University, Pittsburgh, PA, EUA: Evren Gokcen, João D. Semedo e Byron M. Yu;
  • Dominick Purpura Departamento de Neurociência, Albert Einstein College of Medicine, Nova York, NY, EUA: Anna I. Jasper, Amin Zandvakili e Adam Kohn;
  • Departamento de Oftalmologia e Ciências Visuais, Faculdade de Medicina Albert Einstein, Nova York, NY, EUA: Adam Kohn;
  • Departamento de Sistemas e Biologia Computacional, Albert Einstein College of Medicine, Nova York, NY, EUA: Adam Kohn;
  • Programa Champalimaud Neuroscience, Fundação Champalimaud, Lisboa, Portugal: Christian K. Machens;
  • Departamento de Engenharia Biomédica, Carnegie Mellon University, Pittsburgh, PA, EUA: Byron M. Yu.

Fernão Teixeira

"Criador. Totalmente nerd de comida. Aspirante a entusiasta de mídia social. Especialista em Twitter. Guru de TV certificado. Propenso a ataques de apatia."

Deixe uma resposta

O seu endereço de email não será publicado.