Pesquisadores treinam neurônios de ratos vivos para realizar cálculos em tempo real — experimento pode abrir caminho para novas interfaces cérebro-máquina

Um grupo de pesquisadores da Universidade Tohoku e da Future University Hakodate, no Japão, desenvolveu um sistema inovador que treina neurônios corticais de ratos em culturas para gerar sinais temporais complexos de forma autônoma, utilizando um framework de aprendizado de máquina em tempo real. Essa pesquisa foi publicada em um periódico científico em 12 de março.

Os cientistas integraram os neurônios vivos a matrizes de microeletrodos de alta densidade e dispositivos microfluídicos, criando um sistema de computação em loop fechado que aprendeu a produzir formas de onda periódicas e caóticas sem qualquer input externo.

O sistema capturou os sinais elétricos dos neurônios por meio de uma matriz de 26.400 eletrodos, convertendo esses dados em sinais contínuos e decodificando uma saída através de uma camada de leitura linear. Essa saída era então devolvida aos neurônios como estimulação elétrica, completando um ciclo de feedback a cada 333 milissegundos. Para otimizar o processo em tempo real, foi utilizado um algoritmo chamado FORCE (First-Order Reduced and Controlled Error), que ajustava continuamente o decodificador para minimizar a diferença entre a saída da rede e a forma de onda desejada.

A utilização de filmes microfluídicos de PDMS foi fundamental para controlar as conexões entre os neurônios. Sem essas restrições físicas, as culturas neuronais se organizavam em redes densas e altamente sincronizadas, incapazes de aprender os sinais almejados.

Os pesquisadores organizaram os corpos celulares neuronais em 128 poços quadrados, cada um medindo cerca de 100×100 micrômetros, com uma média de 14,6 neurônios por poço. Esses poços eram interligados por microcanais, criando configurações em rede que reduziram significativamente as correlações neuronais em comparação com culturas não padronizadas, aumentando a complexidade dinâmica do sistema. As redes em lattice mostraram desempenho superior às hierárquicas, apresentando conexões intermodulares mais densas e taxas de disparo mais elevadas.

Utilizando essas redes, o sistema aprendeu a gerar ondas senoidais com períodos de 4, 10 e 30 segundos, além de ondas triangulares e quadradas. Também foi demonstrado que ele poderia aproximar um atrator de Lorenz, uma trajetória caótica tridimensional, alcançando correlações acima de 0.8 entre sinais previstos e almejados.

Os pesquisadores referiram que esses sistemas neuronais vivos não são apenas relevantes do ponto de vista biológico, mas também podem servir como novos recursos computacionais.

Após a interrupção do treinamento, a performance do sistema começou a decair, devido ao aumento do erro quadrático médio em 99% dos testes. A latência do ciclo de feedback, de aproximadamente 330 milissegundos, limitou a capacidade do sistema em acompanhar formas de onda com mudanças rápidas. Foi ressaltado que a redução desse atraso por meio de hardware especializado ou filtragem alternativa poderia ampliar o alcance dos alvos aprendíveis, com aplicações futuras em interfaces cérebro-máquina e dispositivos neuroprotéticos.