O cérebro é um órgão extremamente complexo cujo funcionamento exato permanece difícil de entender. Em média, o cérebro humano contém 100 bilhões de neurônios que disparam ao receber sinais de entrada de vários órgãos sensoriais. Mas, o que é realmente notável em nosso cérebro é a sincronização desse disparo neural quando acionado por uma entrada comum. Simplificando, entradas comuns podem gerar uma resposta coletiva em neurônios que não são apenas separados espacialmente, mas também têm diferentes características de disparo.
A sincronização neural já foi observada anteriormente em experimentos e é comumente demonstrada durante o repouso e atividades envolvendo tarefas. No entanto, as entradas comuns que produzem isso são tipicamente desconhecidas em situações do mundo real. Isso levanta uma questão interessante:é possível reconstruir essa entrada observando a saída dos neurônios?

Em um novo estudo publicado na Physical Review E em 12 de setembro de 2022, uma equipe de pesquisadores do Japão, liderada pelo professor Tohru Ikeguchi da Tokyo University of Science (TUS), se propôs a responder a essa pergunta. A equipe, incluindo o professor associado Ryota Nomura da Universidade Waseda (anteriormente TUS) e o professor associado Kantaro Fujiwara da Universidade de Tóquio, analisaram as taxas de disparo dos neurônios e conseguiram reconstruir o sinal de entrada usando um método chamado "gráfico de recorrência sobreposto". (SRP).

"Desenvolvemos um método que utiliza um gráfico de recorrência (RP). RP foi originalmente introduzido para caracterizar sistemas dinâmicos não lineares, uma vez que contêm informações multidimensionais, apesar de fornecer apenas visualização bidimensional", explica o Prof. Ikeguchi. “Como os neurônios são sistemas dinâmicos não lineares, podemos hipoteticamente obter informações sobre uma entrada comum se equilibrarmos os efeitos da dinâmica neural”.

O método SRP usado pela equipe em seu trabalho é simplesmente um RP no qual um valor de pixel é somado entre os pixels correspondentes de vários RPs e, em seguida, atribuído um valor binário de 0 ou 1 com base no fato de a soma ser igual ou maior que 1.

A equipe usou o modelo padrão de Izhikevich para estudar os disparos de neurônios desacoplados. Eles consideraram três casos distintos de padrões de disparo de neurônios. No primeiro caso, eles reconstruíram a entrada comum para neurônios localizados com taxas de disparo semelhantes. No segundo caso, eles fizeram isso para uma mistura de neurônios com diferentes taxas de disparo de linha de base. Finalmente, no terceiro caso, eles investigaram se o método SRP poderia reconstruir uma entrada comum para uma resposta caótica do modelo de Izhikevich.

Com certeza, eles descobriram que podiam reconstruir o sinal de entrada usando o método SRP para neurônios caóticos. "Quando selecionamos um período de tempo adequado para calcular as taxas de disparo dos neurônios, somos capazes de reconstruir o sinal de entrada com precisão bastante alta", diz o Prof. Ikeguchi. Isso representa um grande avanço não apenas no estudo do cérebro e da ciência neural, mas também em outros sistemas dinâmicos que mostram comportamento caótico.

As implicações potenciais de suas descobertas são enormes para a inteligência artificial, como observa o professor Ikeguchi:"Os modelos atuais de inteligência artificial não podem reproduzir verdadeiramente o poder de processamento de informações de nossos cérebros. Isso ocorre porque os modelos de neurônios usados ​​são muito simplificados e longe de representar o neurônios reais em nossos cérebros. Nossa pesquisa nos traz um passo mais perto de entender como o processo de informação acontece dentro de nossos cérebros. Isso pode abrir caminho para novos dispositivos de computação neuromórfica."

Além disso, pode nos ajudar a entender melhor o aparecimento de distúrbios de saúde mental e a elaborar tratamentos para eles. No geral, o estudo pode abrir os olhos sobre o quão bem (ou pouco) entendemos nosso cérebro. + Explorar mais

Estudo mostra que modelo simples e computacionalmente leve pode simular respostas complexas de células cerebrais