Em Tempo Real: IA Identifica Neurônios Pelo Seu "Sinal Elétrico" Com 95% de Precisão

Cientistas desenvolveram uma inteligência artificial capaz de identificar com mais de 95% de precisão quais tipos de neurônios estão ativos durante comportamentos, apenas analisando sinais elétricos do cérebro. Usando técnicas como optogenética e aprendizado profundo, o sistema reconhece padrões específicos de atividade elétrica e anatomia das células cerebrais. Esse avanço pode ajudar a entender melhor como diferentes neurônios funcionam em conjunto e acelerar pesquisas sobre o cérebro e doenças neurológicas.

O cérebro é formado por uma enorme diversidade de neurônios, cada um com funções, formas e propriedades específicas. Entender quais tipos de neurônios estão ativos durante determinadas tarefas ou comportamentos é essencial para decifrar como o cérebro funciona. 

No entanto, identificar esses tipos celulares com precisão, especialmente em registros feitos em animais vivos e acordados, é um grande desafio.

Normalmente, os cientistas usam sondas eletrofisiológicas que registram a atividade elétrica de muitos neurônios ao mesmo tempo, mas essas sondas não conseguem revelar diretamente o tipo de célula envolvida, apenas mostram os "picos" de atividade elétrica.

Para resolver esse problema, os pesquisadores desenvolveram um novo método baseado em inteligência artificial (IA) capaz de identificar automaticamente o tipo de neurônio com base em dados desses registros elétricos.  

Sonda eletrofisiológica registrando a atividade elétrica de um único neurônios

Eles usaram o cerebelo, uma parte do cérebro importante para controle motor e aprendizado, como modelo. No estudo, foram focados quatro tipos principais de células cerebelares: as células de Purkinje, interneurônios da camada molecular, células de Golgi e fibras musgosas.

Como isso foi feito?Primeiramente, os cientistas criaram uma "biblioteca de referência" com dados reais, identificando de forma precisa o tipo de cada neurônio. Isso foi possível usando duas técnicas avançadas:

1. Optogenética: uma técnica que usa luz para ativar neurônios específicos geneticamente modificados. Isso permite identificar com precisão qual célula está respondendo.

   
   

2. Bloqueio sináptico: que ajuda a isolar a atividade de neurônios individuais, eliminando interferências de conexões com outras células.

Com essas informações, foram coletados dados elétricos detalhados, como o formato da onda gerada pelo neurônio (forma de onda), a frequência e padrão de disparo (estatísticas de disparo), e a camada anatômica onde o neurônio está localizado.

Esses dados foram então usados para treinar um classificador de aprendizado profundo, um tipo de rede neural que aprende padrões complexos em grandes conjuntos de dados. Esse classificador foi treinado de forma semissupervisionada, ou seja, com parte dos dados rotulados e parte não, o que reflete melhor os cenários reais nos experimentos.  

Exemplo de Rede Neural que aprende padrões complexos em grandes conjuntos de dados de forma semissupervisionada, Imagem: Ramin Hasani/MIT CSAIL usando o gerador de imagens de IA de difusão estável.

O sistema aprendeu a reconhecer combinações únicas de características que identificam cada tipo de neurônio com mais de 95% de precisão.

E o mais impressionante: o classificador funcionou com alta precisão mesmo em diferentes laboratórios, usando diferentes tipos de sondas, em diversas regiões do cerebelo, e até entre diferentes espécies, como camundongos e macacos. 

Além de identificar os tipos celulares, a IA permitiu aos cientistas observar como diferentes tipos de neurônios se comportam de forma distinta durante tarefas, abrindo novas janelas para entender as funções específicas de cada célula no processamento cerebral. 

Esse avanço representa uma poderosa ferramenta para a neurociência moderna. Com a ajuda da IA, será possível analisar a atividade de circuitos cerebrais inteiros com muito mais detalhe e entender melhor como o cérebro funciona em tempo real, algo essencial para o avanço de tratamentos neurológicos e para o desenvolvimento de interfaces cérebro-máquina. 

Diagrama mostra como pesquisadores usaram optogenética, bloqueio sináptico e registros cerebrais em larga escala para identificar tipos específicos de neurônios. Esses dados foram usados para treinar uma inteligência artificial que reconhece características elétricas e anatômicas das células. O sistema consegue prever o tipo de neurônio com alta precisão em diferentes espécies e regiões cerebrais, revelando como cada tipo celular contribui para a dinâmica do cérebro durante o comportamento.

LEIA MAIS:

A deep learning strategy to identify cell types across species from high-density extracellular recordings

Maxime Beau, David J. Herzfeld, Francisco Naveros, Marie E. Hemelt, Federico D’Agostino, Marlies Oostland, Alvaro Sánchez-López, Young Yoon Chung, Michael Maibach, Stephen Kyranakis, Hannah N. Stabb, M. Gabriela Martínez Lopera, Agoston Lajko, Marie Zedler, Shogo Ohmae, Nathan J. Hall, Beverley A. Clark, Dana Cohen, Stephen G. Lisberger, Dimitar Kostadinov, Court Hull, Michael Häusser, Javier F. Medina

Cell. Volume 188, Issue 8P2218-2234.E22April 17, 2025

DOI: 10.1016/j.cell.2025.01.041

Abstract:

AI Learns to Decode Neuron Types From Brain Signals With 95% AccuracyHigh-density probes allow electrophysiological recordings from many neurons simultaneously across entire brain circuits but fail to reveal cell type. Here, we develop a strategy to identify cell types from extracellular recordings in awake animals and reveal the computational roles of neurons with distinct functional, molecular, and anatomical properties. We combine optogenetics and pharmacology using the cerebellum as a testbed to generate a curated ground-truth library of electrophysiological properties for Purkinje cells, molecular layer interneurons, Golgi cells, and mossy fibers. We train a semi-supervised deep learning classifier that predicts cell types with greater than 95% accuracy based on the waveform, discharge statistics, and layer of the recorded neuron. The classifier’s predictions agree with expert classification on recordings using different probes, in different laboratories, from functionally distinct cerebellar regions, and across species. Our classifier extends the power of modern dynamical systems analyses by revealing the unique contributions of simultaneously recorded cell types during behavior.