Linhas de Pesquisa

MODELAGEM NEURONAL HÍBRIDA EM REDES COM ACOPLAMENTO EFÁTICO

​

Um fenômeno de interesse comum nas áreas de neurociência e física, e ainda pouco explorado, envolve a comunicação neural efática caracterizada como sendo exclusivamente via campos elétricos. O acoplamento efático é uma comunicação neural conhecida há várias décadas, contudo, suas ações e funções fisiológicas ainda não estão bem estabelecidas. Com isso, a modelagem matemática é um componente essencial no entendimento deste (categoria) de comportamento cerebral. Esta linha de pesquisa investiga o acoplamento efático via modelo neural híbrido. Três linhas de atuação são exploradas visando o entendimento desta comunicação cerebral em redes neurais:

​

• A primeira linha busca o entendimento do fenômeno da comunicação efática relacionado às funções neurofisiológicas (por exemplo: o papel na velocidade de transmissão dos impulsos nervosos em nervos densamente empacotados, como na região do nervo óptico e no sistema olfativo ou mesmo a promoção de atividades síncronas, tais como na ocorrência de episódios epilépticos). Entender esta categoria de funcionamento é buscar compreender prováveis correlações desta comunicação cerebral com, por exemplo, o processo de construção da memória biológica, ou mesmo com o desenvolvimento de doenças neurodegenerativas.

 

• A segunda linha pretende explorar as propriedades dinâmicas do modelo híbrido, tais como: transições (sincronização de fase) do regime regular/caótico via espaços de parâmetros, diagramas de bifurcações, rotas para o caos e ciclos limites. O estudo da comunicação neuronal via modelos matemáticos ocorre essencialmente através das equações diferenciais ordinárias (EDO's). A partir dessas equações diferenciais, é possível utilizar uma série de ferramentas analíticas no arcabouço da física estatística e dos sistemas complexos que revelam comportamentos que não são visíveis em um primeiro plano de análise. Comportamentos regulares são esperados? E regime caótico? Algum parâmetro relacionado à comunicação efática consegue alterar o regime dinâmico do sistema? Como uma rede de neurônios efáticos se comportam? Estas são algumas das perguntas relacionadas à linha dinâmica do grupo e que auxiliará na busca pela função fisiológica do acoplamento efático. Para além disto, iremos explorar os atributos do cálculo numérico do modelo QIF-E tais como: custo computacional e erro relativo em relação à complexidade biológica frente a vários cenários fisiológicos. No contexto de modelagem de sistemas biológicos é comum utilizar diversos métodos computacionais. Existem métodos de resolução das equações que descrevem os neurônios, e avaliar qual destes métodos é mais eficiente para os tipos de modelos efáticos utilizados (híbridos ou contínuos) é de interesse do grupo. Além desta perspectiva metodológica, há também o interesse em comparar modelos efáticos em termos de velocidade nas simulações. Esse interesse tem por trás uma das missões do grupo, disseminar a pesquisa em comunicação efática para que possamos em conjunto com outros cientistas desvendar a função fisiológica da comunicação efática.

​​

• Na terceira linha o interesse está voltado à modelagem da efaticidade é realizada por meio de sistemas contínuos. Para tal, modelos do tipo Hodgkin e Huxley são utilizados, para ampliar a robustez da análises, principalmente relacionadas as aspectos mais fisiológicos, buscando correspondência biológica de forma mais próxima às observações empíricas. Atualmente, os estudos se concentram em impacto da temperatura na efaticidade, e degenerações modeladas pelos modelos contínuos.

​

• A quarta linha iremos analisar de dados fisiológicos (eletrôdos) de animais em laboratórios. Essa linha se propõe a comparar resultados empíricos com os diversos dados modelados obtidos em nosso laboratório. Com nossa atual rede de colaboração, sistemas específicos, como sistema olfatório e visual, são contemplados e a relevância efática nesses sistemas é estudada, sempre comparando os fenômenos e as modelagens aplicadas pelo grupo.

​

​

​