doi.org/10.1038/s41593-024-01731-2
Credibilidade: 989
#Redes neurais
Um dos principais objetivos de muitos estudos em neurociência é entender como as dinâmicas de diferentes populações de neurônios levam a comportamentos específicos em humanos e animais. Muitas abordagens atuais para investigar a relação entre a atividade neural e o comportamento baseiam-se em imagens estáticas ou exames do cérebro, em vez de analisar a evolução dinâmica da atividade neuronal ao longo do tempo.
Os modelos dinâmicos são ferramentas matemáticas ou computacionais que descrevem como um sistema muda com o tempo e oferecem uma alternativa valiosa. No passado, muitos desses modelos eram lineares, ou seja, assumiam que as mudanças na atividade neural seguiriam uma estrutura simples.
Embora sejam mais fáceis de implementar e interpretar, os modelos lineares frequentemente não conseguem capturar as dinâmicas neurais mais complexas. Por isso, neurocientistas e cientistas da computação começaram a desenvolver modelos dinâmicos que possam descrever tanto dinâmicas lineares quanto não lineares.
Pesquisadores da Universidade do Sul da Califórnia e da Universidade da Pensilvânia recentemente apresentaram uma nova estrutura de modelagem dinâmica não linear, baseada em redes neurais recorrentes (RNNs), para superar as limitações dos modelos dinâmicos anteriores. Esse novo método, descrito em um artigo publicado na revista *Nature Neuroscience*, pode ser usado para modelar tanto dinâmicas neurais ligadas a comportamentos quanto outras dinâmicas neurais, diferenciando e priorizando aquelas que estão relacionadas ao comportamento.
“Entender como a atividade neural se transforma em comportamento exige novas capacidades para modelar de forma não linear, dissociar e priorizar dinâmicas neurais relevantes para o comportamento, e testar hipóteses sobre a origem dessas não linearidades”, escreveram os pesquisadores Omid G. Sani, Bijan Pesaran e Maryam M. Shanechi. “Apresentamos a análise dissociativa e priorizada de dinâmicas (DPAD), uma abordagem de modelagem dinâmica não linear que possibilita essas capacidades com uma arquitetura de rede neural multisseção e um método de treinamento específico.”
Para treinar o modelo baseado em RNN, os pesquisadores utilizaram um algoritmo de otimização em quatro etapas. Esse algoritmo permite ao modelo priorizar o aprendizado de estados latentes relevantes para o comportamento, enquanto também aprende as dinâmicas neurais remanescentes.
Para demonstrar o potencial dessa nova estrutura de modelagem, os pesquisadores aplicaram o modelo a cinco problemas diferentes em neurociência. Eles usaram o modelo para analisar e modelar dinâmicas neurais em dados que continham registros da atividade neuronal no cérebro de primatas não humanos enquanto realizavam diferentes tarefas.
“Analisando a atividade de disparos corticais e potenciais de campo local em quatro tarefas de movimento, demonstramos cinco aplicações,” relataram os pesquisadores. “O DPAD permitiu previsões mais precisas da relação entre atividade neural e comportamento. Ele identificou transformações dinâmicas não lineares dos potenciais de campo local que foram mais preditivas do comportamento do que características tradicionais. Além disso, o DPAD conseguiu reduzir a dimensionalidade neural de forma não linear e preditiva para o comportamento. Também permitiu testar hipóteses sobre as não linearidades na transformação entre dinâmica neural e comportamento, revelando que, nos nossos dados, essas não linearidades poderiam ser amplamente isoladas no mapeamento das dinâmicas corticais latentes para o comportamento.”
Os resultados dos testes iniciais sugerem que o modelo pode ser uma ferramenta valiosa para pesquisas em neurociência, ajudando a testar hipóteses sobre como dinâmicas neurais e não neurais estão relacionadas a comportamentos específicos. O modelo mostrou-se aplicável ao estudo de comportamentos contínuos (monitorados continuamente por um período), amostrados intermitentemente (registrados em momentos diferentes) e categóricos (que se enquadram em categorias distintas).
Embora os pesquisadores tenham demonstrado principalmente o uso dessa abordagem para modelar a transformação da atividade neural de primatas em comportamento, ela também pode ser usada para modelar outras dinâmicas cerebrais, como as dinâmicas compartilhadas e distintas de diferentes regiões do cérebro ou as dinâmicas neurais provocadas por estímulos sensoriais.
Publicado em 14/10/2024 14h54
Artigo original:
Estudo original: