Effective mean-field variables explain how biophysical parameters control firing rate and regularity in a spiking network

O cérebro é uma vasta rede de bilhões de células, cada uma delas uma pequena unidade elétrica que dispara sinais para suas vizinhas. Para entender como esse sistema massivo produz pensamento, memória e movimento, os cientistas frequentemente constroem modelos computacionais simplificados dessas redes. Esses modelos consistem em milhares de neurônios simulados que recebem entradas, as integram e disparam quando o sinal se torna forte o suficiente. Ao ajustar as configurações desses modelos — como o quão fortes são as conexões, o quão rápido os sinais viajam ou quanta eletricidade uma célula pode conter — os pesquisadores tentam observar como o comportamento da rede muda. Por décadas, a maneira padrão de interpretar essas mudanças tem sido assumir que cada configuração controla uma parte específica do comportamento da rede por conta própria. Se o aumento da força da inibição faz com que a rede dispare menos, a suposição é que a inibição é a causa direta. No entanto, essa visão trata cada botão no painel de controle como uma alavanca independente, ignorando a possibilidade de que girar um botão possa, na verdade, estar fazendo a mesma coisa que girar outro, apenas através de um caminho diferente.

Um novo estudo de Luciano Gonçalves Fernandes, da Universidade Estadual de Washington, desafia essa interpretação direta. O pesquisador realizou simulações massivas de uma rede contendo dez mil neurônios, uma escala grande o suficiente para mimetizar o disparo irregular e complexo visto em cérebros reais. Em vez de apenas observar o que acontecia quando ele girava um dial de cada vez, ele utilizou ferramentas matemáticas avançadas para rastrear como a rede realmente processava informações. Ele descobriu que a maioria dos efeitos aparentes da mudança das configurações do modelo não eram únicos àquelas configurações específicas. Em vez disso, a taxa de disparo da rede e a regularidade de seu ritmo eram controladas por um conjunto muito menor de variáveis ocultas e "efetivas". Essas variáveis descrevem o empuxo total que os neurônios recebem, o equilíbrio de suas conexões internas e o tempo de seus sinais em relação à sua própria velocidade. O estudo descobriu que sete das oito configurações padrão que o pesquisador ajustou eram, na verdade, apenas formas diferentes de alterar essas mesmas poucas variáveis ocultas. Quando o pesquisador alterava as configurações de uma forma que alterava essas variáveis ocultas, o comportamento da rede mudava de forma previsível. Mas quando ele alterava as configurações de uma forma que deixava as variáveis ocultas intactas, o comportamento da rede permanecia exatamente o mesmo, provando que as configurações originais não eram controles independentes, mas sim rotas diferentes para o mesmo destino.

A pesquisa começou com um modelo computacional padrão de uma rede cerebral, consistindo em neurônios excitatórios que incentivam o disparo e neurônios inibitórios que o suprimem. No cérebro real, esses dois tipos de entradas são estritamente equilibrados, criando um estado onde os neurônios disparam irregularmente, muito parecido com gotas de chuva atingindo um telhado. O pesquisador simulou esta rede usando dez mil neurônios e então variou sistematicamente oito parâmetros físicos diferentes, como a força das conexões, a velocidade dos sinais e a capacidade elétrica dos neurônios. Ele realizou mais de cinquenta mil simulações para mapear como a rede respondia a cada possível combinação dessas mudanças. O objetivo era ver se o comportamento da rede poderia ser previsto simplesmente olhando para as configurações brutas, ou se uma descrição mais profunda e abstrata era necessária.

Os resultados revelaram um padrão impressionante. Para a maioria dos parâmetros, a taxa de disparo da rede e a regularidade de seus disparos podiam ser perfeitamente previstas por algumas quantidades simples derivadas das configurações. Essas quantidades incluíam a força do drive externo que empurra os neurônios para disparar, a força líquida das conexões entre os neurônios e a razão entre a velocidade do sinal e o tempo interno do neurônio. O estudo mostrou que mudar a densidade de conexão, a força da inibição ou o limiar de disparo resultava na mesma mudança para essas quantidades ocultas. Consequentemente, a rede reagia exatamente da mesma forma, independentemente de qual botão físico fosse girado. Isso significa que o que parecia uma teia complexa de controles independentes era, na verdade, um sistema muito mais simples onde muitas configurações diferentes eram apenas apelidos para a mesma causa subjacente. O pesquisador demonstrou isso mostrando que uma rede com uma densidade de conexão específica comportava-se identicamente a uma rede com uma densidade de conexão diferente, mas com uma força de inibição diferente, porque ambos os arranjos produziam o mesmo empuxo e tração efetivos nos neurônios.

Um parâmetro, no entanto, destacou-se desta regra: o atraso sináptico, que é o tempo que um sinal leva para viajar de um neurônio a outro. Enquanto as outras configurações mudavam principalmente a taxa média de disparo, o atraso quase não teve efeito sobre a rapidez com que os neurônios disparavam em média. Em vez disso, ele controlava o tempo de atividade do grupo. Quando o atraso era curto, os neurônios disparavam em um padrão espalhado e irregular. À medida que o atraso aumentava, a rede subitamente mudava para um estado onde toda a população disparava em perfeito uníssono, criando um ritmo sincronizado. Essa mudança ocorreu sem alterar a velocidade média do disparo, apenas a coordenação do grupo. O estudo descobriu que essa transição para o disparo sincronizado ocorria quando o atraso atingia cerca de seis milissegundos, um ponto onde a estabilidade da rede entra em colapso e as oscilações coletivas assumem o controle. Esta descoberta destaca uma distinção crucial: a velocidade média da rede é determinada pela força dos inputs e das conexões, mas o tempo e o ritmo da rede são governados pelo tempo que os sinais levam para viajar entre as células.

O estudo também testou se essas descobertas se sustentavam quando as regras do modelo eram alteradas. Em um teste planejado, o pesquisador alterou a forma como o modelo era calibrado, essencialmente mudando o significado dos botões sem mudar a rede em si. Em um cenário, ele manteve o drive externo fixo enquanto alterava o limiar de disparo. Sob as regras padrão, elevar o limiar fazia a rede disparar mais rápido, o que parecia contraintuitivo. Mas quando as regras foram alteradas para que o drive externo não se ajustasse com o limiar, elevar o limiar fez a rede disparar mais devagar, como seria esperado. A teoria matemática desenvolvida no estudo previu essa reversão perfeitamente antes mesmo das simulações serem executadas. Isso provou que a direção do efeito de um parâmetro não é uma propriedade intrínseca desse parâmetro, mas depende inteiramente de como o sistema é configurado. O mesmo botão pode aumentar ou diminuir a atividade dependendo do contexto, confirmando ainda mais que os controles verdadeiros são as variáveis efetivas, não as configurações nominais.

Os pesquisadores também observaram a estrutura das conexões da rede. Quando aumentavam o número de conexões, o grafo da rede tornava-se mais denso e complexo. Alguém poderia assumir que essa mudança na forma da rede era o que causava a mudança na atividade. No entanto, o estudo mostrou que a mudança na atividade era inteiramente explicada pelo aumento na força total das conexões. Quando o pesquisador alterava a força das conexões sem alterar o número de ligações, a rede comportava-se exatamente da mesma forma que quando ele alterava o número de ligações sem alterar a força. Isso sugere que, nesses tipos de redes aleatórias, a forma específica das conexões importa menos do que a quantidade total de sinal fluindo através delas. A estrutura do grafo era um efeito colateral da força da conexão, não o motor primário do comportamento.

Este trabalho oferece uma nova maneira de entender como os modelos cerebrais funcionam. Sugere que, quando os cientistas veem uma mudança na atividade de uma rede após o ajuste de um parâmetro, eles não devem assumir imediatamente que esse parâmetro é a causa direta. Em vez disso, devem verificar se essa mudança é, na verdade, apenas uma forma diferente de ajustar o drive efetivo, o acoplamento ou o ruído. O estudo mostra que, para a maioria das configurações, o comportamento da rede é determinado por essas poucas variáveis efetivas, e a complexidade aparente dos parâmetros é uma ilusão criada pela forma como o modelo é calibrado. A única vez que as regras simples falham é quando a rede se torna instável e começa a disparar em surtos sincronizados, um fenômeno impulsionado pelo atraso dos sinais. Ao separar o comportamento de estado estacionário do tempo coletivo, o estudo oferece uma imagem mais clara e precisa de como as redes biológicas podem operar. Ele nos lembra que, em sistemas complexos, o mesmo resultado pode surgir de muitos pontos de partida diferentes, e os controles verdadeiros estão frequentemente escondidos sob a superfície das configurações que podemos ver.