Notícia

Cientistas conseguem predizer o que um camundongo vê decodificando sinais cerebrais

Reprodução, EPFL

Fonte

EPFL | Escola Politécnica Federal de Lausanne

Data

domingo, 7 maio 2023 19:35

Áreas

Bioengenharia. Biologia. Ciência de Dados. Computação. Inteligência Artificial. Modelagem Matemática. Neurociências.

É possível reconstruir o que alguém vê com base apenas em sinais cerebrais? A resposta é não, ainda não. Mas os pesquisadores da Escola Politécnica Federal de Lausanne (EPFL), na Suíça, deram um passo nessa direção ao introduzir um novo algoritmo para construir modelos de redes neurais artificiais que capturam a dinâmica do cérebro com um impressionante grau de precisão. O novo algoritmo de aprendizado de máquina, chamado CEBRA, aprende a estrutura oculta no código neural.

As informações que o CEBRA aprende com os dados neurais brutos podem ser testadas após o treinamento por decodificação – um método usado para interfaces cérebro-máquina (BMIs) – e os pesquisadores mostraram que podem decodificar do modelo o que um mouse vê enquanto ele assiste a um filme. Mas o CEBRA não se limita aos neurônios do córtex visual ou mesmo aos dados do cérebro. O estudo também mostra que pode ser usado para prever os movimentos do braço em primatas e para reconstruir as posições dos ratos enquanto correm livremente em uma arena. O estudo foi publicado na revista científica Nature.

“Este trabalho é apenas um passo em direção aos algoritmos apoiados teoricamente que são necessários em neurotecnologia para permitir BMIs de alto desempenho”, disse a Dra. Mackenzie Mathis, pesquisadora de neurociências da EPFL e autora sênior do estudo.

Para aprender a estrutura latente (isto é, oculta) no sistema visual de camundongos, o CEBRA pode prever quadros de filme não vistos diretamente de sinais cerebrais após um período de treinamento inicial mapeando sinais cerebrais e decodificação de vídeo.

Foram usados dados de acesso aberto do Allen Institute em Seattle, EUA, para a decodificação de vídeo. Os sinais cerebrais foram obtidos diretamente medindo a atividade cerebral por meio de sondas de eletrodos inseridas na área do córtex visual do cérebro do camundongo ou usando sondas ópticas em camundongos geneticamente modificados para que os neurônios ativados brilhassem em verde. Durante o período de treinamento, o CEBRA aprende a mapear a atividade cerebral para quadros específicos. O CEBRA funciona bem com menos de 1% de neurônios no córtex visual, considerando que, em camundongos, essa área do cérebro é composta por cerca de 0,5 milhão de neurônios.

“Concretamente, o CEBRA é baseado no aprendizado contrastivo, uma técnica que aprende como os dados de alta dimensão podem ser organizados ou incorporados em um espaço de dimensão inferior chamado espaço latente, de modo que pontos de dados semelhantes fiquem próximos e dados mais diferentes estejam mais distantes”, explicou a Dra. Mathis. “Essa incorporação pode ser usada para inferir relacionamentos e estruturas ocultas nos dados e permite que os pesquisadores considerem conjuntamente dados neurais e rótulos comportamentais, incluindo movimentos medidos, rótulos abstratos como ‘recompensa’ ou recursos sensoriais, como cores ou texturas de imagens”.

“O CEBRA se destaca em comparação com outros algoritmos na reconstrução de dados sintéticos, o que é fundamental para comparar algoritmos”, disse o doutorando Steffen Schneider, coautor do artigo. “Seus pontos fortes também residem na capacidade de combinar dados entre modalidades, como recursos de filmes e dados cerebrais, e ajuda a limitar as nuances, como alterações nos dados que dependem de como foram coletados”.

“O objetivo do CEBRA é desvendar estruturas em sistemas complexos. E, dado que o cérebro é a estrutura mais complexa do nosso universo, é o espaço de teste definitivo para o CEBRA. Também pode nos dar uma visão de como o cérebro processa informações e pode ser uma plataforma para descobrir novos princípios em neurociência, combinando dados entre animais e até espécie. O algoritmo não se limita à pesquisa em neurociência, pois pode ser aplicado a muitos conjuntos de dados envolvendo tempo ou informações conjuntas, incluindo comportamento animal e dados de expressão gênica. Assim, as potenciais aplicações clínicas são empolgantes”, concluiu a Dra. Mackenzie Mathis.

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página da Escola Politécnica Federal de Lausanne (em inglês).

Fonte: Mediacom, EPFL. Imegem: Reprodução, EPFL.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.