Um dos maiores desafios da neurociência moderna — compreender por que neurônios respondem de forma diferente ao mesmo estímulo — acaba de ganhar uma explicação mais precisa. Em estudo publicado nesta segunda-feira (16), na revista eLife, os pesquisadores Anuththara Rupasinghe, Adam S Charles e Jonathan W Pillow, das instituições Princeton Neuroscience Institute e Johns Hopkins University, propõem um novo modelo matemático capaz de decompor, em tempo contínuo, a variabilidade da atividade neural.

A pesquisa aborda um fenômeno conhecido há décadas: mesmo quando um estímulo visual é repetido inúmeras vezes, os neurônios não respondem de maneira idêntica. Essa variabilidade, tradicionalmente tratada como “ruído”, revela-se agora altamente estruturada. “Nosso modelo mostra que essa flutuação não é aleatória, mas segue padrões temporais específicos que evoluem ao longo do sistema visual”, afirmam os autores .

Historicamente, o comportamento dos neurônios foi descrito por modelos de Poisson, que assumem que a variância das respostas é igual à média. No entanto, dados experimentais mostram o contrário: a variabilidade frequentemente excede essa previsão — fenômeno chamado de “overdispersion” .

Para resolver essa discrepância, os pesquisadores desenvolveram o modelo Continuous Modulated Poisson (CMP), que descreve a atividade neural como resultado de dois componentes fundamentais: um componente dependente do estímulo, que reflete como o neurônio responde ao ambiente; e um processo de ganho estocástico, que captura flutuações internas independentes do estímulo.

A inovação central está em tratar esses componentes como processos contínuos no tempo, e não como eventos discretos. “Isso nos permite observar como a variabilidade se acumula e se transforma em diferentes escalas temporais”, explicam os autores.

O modelo foi aplicado a dados experimentais de alta resolução, envolvendo mais de 650 neurônios no córtex visual primário (V1) de macacos, além de registros em outras áreas do sistema visual — LGN, V2 e MT.

Os experimentos incluíram estímulos visuais controlados, como grades senoidais em 72 orientações diferentes, repetidas até 50 vezes por condição, totalizando centenas de milhares de eventos neurais analisados .

O resultado: o modelo CMP superou consistentemente abordagens anteriores na previsão da atividade neural. Em termos estatísticos, apresentou maior log-verossimilhança em dados de teste, indicando melhor capacidade de generalização.

Um dos achados mais relevantes diz respeito à organização da variabilidade ao longo da hierarquia visual. À medida que a informação avança de áreas iniciais para regiões mais complexas: a amplitude das flutuações internas aumenta; a dinâmica dessas flutuações torna-se mais lenta; e a dependência do estímulo diminui.

Em outras palavras, neurônios em áreas superiores são mais influenciados por estados internos do que por estímulos externos. “Observamos que a variabilidade não apenas cresce, mas também se torna mais persistente no tempo”, destacam os autores .

Além disso, o estudo identificou uma correlação negativa robusta: neurônios com forte resposta ao estímulo tendem a apresentar menor variabilidade interna — e vice-versa. Esse equilíbrio sugere um mecanismo adaptativo fundamental do cérebro.

Do ponto de vista metodológico, o trabalho introduz ainda um novo tipo de função matemática — o kernel de lei de potência exponenciada (EPL) — capaz de modelar correlações de longo alcance no tempo. Essa ferramenta permite capturar padrões complexos de variabilidade que escapavam aos modelos tradicionais .

Os resultados têm impacto direto em teorias centrais da neurociência, como:  codificação eficiente, que sugere que o cérebro otimiza o uso de recursos e inferência probabilística, segundo a qual o cérebro representa incerteza como parte do processamento.

Ao mostrar que a variabilidade neural é estruturada e modulada ao longo do tempo, o estudo reforça a ideia de que o cérebro não apenas processa sinais, mas também gerencia incertezas de forma ativa.

Os autores destacam que o modelo pode ser expandido para: populações de neurônios (análise em larga escala); integração com dados comportamentais, como atenção e estados cognitivos; e aplicações em técnicas modernas, como imagem por cálcio.

Também sugerem que os parâmetros inferidos — como a escala temporal das flutuações — podem refletir mecanismos biológicos concretos, como dinâmica sináptica ou circuitos recorrentes.

“Este é apenas o começo”, concluem. “Ao entender a estrutura da variabilidade, abrimos caminho para decifrar como o cérebro equilibra precisão e flexibilidade — um dos princípios fundamentais da cognição.”