Alexandre Soares, PUC-Rio e Alberto Barbosa Raposo, PUC-Rio
Há décadas, neurocientistas buscam entender como os neurônios produzem pensamentos, memórias e emoções. E os avanços recentes em simulações computacionais, inteligência artificial e modelos matemáticos têm revolucionado esse conhecimento. A área, conhecida como neurociência computacional, está ampliando as ferramentas teóricas sobre como o cérebro processa informações.
Ela estuda desde os mecanismos elétricos e químicos que fazem um único neurônio funcionar até as redes complexas de milhões deles trabalhando em conjunto. E relaciona os processos biológicos às funções cognitivas, como aprendizado e tomada de decisão. Isso permite criar simulações digitais de partes do cérebro e testar hipóteses que não poderiam ser investigadas diretamente em laboratório.
Assim, a neurociência computacional tem possibilitado novas tecnologias capazes de, por exemplo, prever crises epilépticas e restaurar movimentos em pessoas paralisadas. Além disso, também inspira novos avanços na computação, em inteligência artificial, robótica e sistemas inteligentes.
Um sistema complexo
O cérebro humano é composto por bilhões de neurônios interligados por trilhões de sinapses. Cada um deles recebe sinais (elétricos e químicos) de centenas de outros ao mesmo tempo. Quando esses sinais se acumulam e ultrapassam um certo limite, o neurônio dispara um impulso elétrico que transmite a mensagem dele adiante. Essa comunicação acontece nas sinapses. O neurônio emissor libera neurotransmissores que se encaixam no receptor como uma chave numa fechadura.
Uma das características mais fascinantes desse sistema é sua capacidade de se reorganizar. Conexões usadas com frequência se fortalecem, enquanto as ociosas enfraquecem. É esse mecanismo — conhecido como plasticidade sináptica — que nos permite aprender e memorizar coisas. Embora cada neurônio execute tarefas relativamente simples, a interação coletiva dá origem a comportamentos sofisticados, como reconhecer rostos, sentir medo e planejar uma viagem.
Cérebros simulados
Para estudar toda essa complexidade, os neurocientistas computacionais criam simuladores digitais que imitam o comportamento dos neurônios e das redes neurais, suportados por novas arquiteturas de software. O ponto de partida para eles foi o trabalho revolucionário dos fisiologistas britânicos Alan Hodgkin e Andrew Huxley, que em 1952 descreveram matematicamente como um neurônio dispara um sinal elétrico, trabalho que rendeu o Prêmio Nobel e até hoje serve de base para a área.
Um dos modelos mais usados atualmente de simuladores digitais de neurônios é conhecido como “integrador e disparador”. Nele, o neurônio funciona como um balde sendo enchido por gotas de água. Cada sinal recebido adiciona algumas gotas. Quando o nível ultrapassa o limite, o balde entorna e se esvazia, disparando o seu conteúdo para os outros neurônios. Em seguida, o processo recomeça. Esse modelo é computacionalmente eficiente, pois permite simular milhares de neurônios ao mesmo tempo.
Uma das pesquisas mais ambiciosas nessa área hoje é o Blue Brain Project, na Suíça, que tenta reconstruir digitalmente pedaços do córtex de ratos com enorme detalhe biológico. Mesmo assim, o resultado ainda representa apenas uma pequena fração do que um cérebro real faz.
Simular os 86 bilhões de neurônios humanos e seus 100 trilhões de conexões ainda está muito além de qualquer tecnologia atual. Por isso, cientistas trabalham com diferentes níveis de abstração, escolhendo o nível mais correto de detalhamento necessário para responder a cada pergunta que surge.
A inspiração da IA moderna
A relação entre neurociência computacional e inteligência artificial é uma via de mão dupla. Ainda nos anos 1940, o neurofisiologista Warren McCulloch e o cientista cognitivo Walter Pitts criaram o primeiro modelo abstrato de neurônio artificial, inspirado diretamente no neurônio biológico.
Décadas depois, empilhando camadas dessas unidades artificiais, os cientistas desenvolveram os modelos computacionais de redes neurais artificiais. Essa é a base do aprendizado profundo que move tecnologias como reconhecimento de voz, diagnóstico por imagem e modelos de linguagem.
A troca também revelou diferenças importantes: o cérebro aprende com pouquíssimos exemplos e consome cerca de 20 watts, menos do que uma lâmpada. No entanto, treinar um grande modelo de IA pode consumir energia equivalente à de centenas de casas por dias. Entender como o cérebro consegue ser tão eficiente ainda é uma das grandes perguntas da área. A resposta pode transformar a forma como construímos inteligência artificial.
Aplicações na saúde
Na prática, essas pesquisas já mudam vidas. Em experimentos que usam interfaces cérebro-computador (ou seja, com sensores implantados no cérebro), pessoas completamente paralisadas conseguiram controlar braços robóticos apenas pensando em se mover. Embora os movimentos não sejam muito rápidos e precisos, mostram que é viável serem recuperados, mesmo após anos de uma lesão no sistema nervoso central.
Alguns modelos computacionais já conseguem identificar padrões cerebrais que indicam a aproximação de uma crise epiléptica, oferecendo minutos ou até horas de antecedência. Para quem tem epilepsia resistente a medicamentos, esse aviso prévio pode trazer uma grande melhora na rotina e autonomia.
No Parkinson, a Estimulação Cerebral Profunda ajuda a controlar os sintomas motores da doença quando os medicamentos não são suficientes. Nesse caso, o implante de um eletrodo em áreas motoras do cérebro funciona de forma semelhante a um marca-passo. Isso pode reduzir tremores, rigidez, lentidão e movimentos involuntários, melhorando a qualidade de vida dos pacientes.
Outros modelos também são usados para mapear os sintomas de Alzheimer no cérebro. A doença é causada pelo acúmulo de algumas proteínas tóxicas e resulta em perda de memória, dificuldade de comunicação e confusão. Os modelos facilitam o diagnóstico, pois associam melhor os padrões dos exames aos sintomas clínicos.
Além disso, na saúde mental, pesquisadores vêm criando simulações de circuitos cerebrais envolvidos em transtornos como depressão, transtorno bipolar e esquizofrenia. Elas ajudam a identificar quais redes neurais podem estar funcionando de forma diferente em cada condição. No futuro, esse tipo de abordagem pode contribuir para diagnósticos mais precisos e tratamentos personalizados, direcionados aos circuitos cerebrais mais afetados em cada indivíduo.
Ainda estamos muito longe de simular um cérebro humano completo, mas os avanços recentes são impressionantes. Cada nova equação e simulação tem o potencial de transformar a vida de alguém. No fundo, o que a neurociência computacional pretende é nos aproximar de nós mesmos e das respostas que a humanidade busca há séculos. Quem somos, como pensamos, o que nos faz conscientes? É uma jornada científica e profundamente humana. E ela está apenas começando.
Alexandre Soares, Doutorando no departamento de informática, PUC-Rio e Alberto Barbosa Raposo, Diretor, Departamento de Informática, PUC-Rio
This article is republished from The Conversation under a Creative Commons license. Read the original article.
