Um estudo recente publicado na Physical Review Letters revela que muitas das características de criticidade amplamente utilizadas em dados cerebrais podem ser artefatos estatísticos. Os autores propõem uma estrutura mais robusta que, quando aplicada a dados de ressonância magnética funcional (fMRI) de todo o cérebro, confirma que o cérebro opera próximo, mas não exatamente em, um ponto crítico.

Neurocientistas há muito consideram fascinante a ideia de que o cérebro opera próximo a um "ponto crítico", uma transição de fase entre dinâmicas estáveis e caóticas. A teoria sugere que esse ponto ideal aprimora a flexibilidade computacional, a faixa dinâmica e a sensibilidade aos estímulos. Ao longo dos anos, evidências têm se acumulado a partir de registros neurais que demonstram invariância de escala aproximada e comportamento de lei de potência em diferentes escalas espaço-temporais.

O conceito influenciou até mesmo a IA, particularmente a computação de reservatório, onde redes próximas à "fronteira do caos" tendem a apresentar o melhor desempenho. No entanto, a área enfrenta uma preocupação persistente: essas características de criticidade são intrínsecas à dinâmica recorrente do cérebro ou são moldadas por entradas externas e limitações de dados?

Duas características comuns das gravações neurais — sinais temporalmente autocorrelacionados e amostragem de dados limitada — podem imitar as impressões digitais estatísticas da criticidade, mesmo em sistemas sem qualquer dinâmica coletiva genuína.

Para detectar criticidade em dados neurais, os pesquisadores geralmente procuram padrões de escala de lei de potência, onde a atividade parece estatisticamente semelhante em muitas escalas diferentes. Isso é feito de duas maneiras principais: analisando o espectro de autovalores da matriz de covariância da atividade cerebral (uma abordagem baseada em PCA) e por meio da análise fenomenológica de grupos de renormalização (PRG), que rastreia como as estatísticas de atividade mudam à medida que os neurônios são progressivamente agrupados em clusters maiores.

Ambos os métodos, no entanto, compartilham um ponto cego. Quando os sinais neurais são autocorrelacionados, ou seja, variam lenta e suavemente ao longo do tempo em vez de flutuarem independentemente, essas assinaturas de escala podem aparecer mesmo em sistemas sem dinâmica coletiva genuína. Some-se a isso a amostragem limitada, em que o número de pontos de tempo registrados é pequeno em relação ao número de regiões cerebrais estudadas, e o problema se agrava.

"O principal artefato que exploramos é uma combinação de correlações temporais e subamostragem. Para testar isso, construímos um modelo simples de atividade cerebral sem conectividade entre as regiões. Em um sistema tão desconectado, não há mecanismo para dinâmicas coletivas — no entanto, se as entradas que cada região recebe introduzirem longos tempos de autocorrelação, os expoentes de escala aparentes podem variar continuamente com esse tempo de correlação", disse Calvo.

Isso é particularmente problemático para a ressonância magnética funcional (fMRI), onde o sinal BOLD é inerentemente lento e as sessões de gravação são curtas, tornando-a um ambiente ideal para o surgimento de assinaturas de criticidade espúrias.

Para separar a criticidade real dos artefatos, a equipe construiu e ampliou dois modelos teóricos, cada um projetado para isolar uma peça diferente do quebra-cabeça.

O primeiro é um modelo linear de taxa de disparo recorrente, uma ferramenta padrão em neurociência computacional, onde cada região cerebral influencia as outras por meio de feedback interconectado. Um parâmetro chave, g, controla a força geral do acoplamento, ajustando a rede de uma atividade estável e rapidamente amortecida para o limite da instabilidade. Sua principal descoberta foi que a granularidade temporal é matematicamente equivalente a alimentar a rede com ruído "colorido" autocorrelacionado, tornando as assinaturas de escala sensíveis às escolhas de pré-processamento.

Como um contraexemplo deliberado, eles também estudaram um sistema com g definido como zero, o que significa que não há nenhuma interação entre as regiões. Estimular cada região independente com ruído lento sob condições de gravação limitadas foi suficiente para produzir estatísticas de covariância com caudas de lei de potência falsas, estatisticamente indistinguíveis daquelas de uma rede genuinamente crítica.

Para superar esses artefatos, a estrutura se baseia em três ferramentas práticas. Primeiro, a randomização por deslocamento temporal, na qual a linha do tempo de cada região é embaralhada independentemente, preservando flutuações lentas e destruindo qualquer coordenação genuína entre as regiões. Segundo, o agrupamento de dados entre os participantes, que aumenta o número efetivo de pontos no tempo e reduz o erro de amostragem. Terceiro, a correspondência de expoentes, que verifica se as assinaturas de escala da fMRI se alinham com as previsões do modelo recorrente em vez da linha de base do artefato.

"O que tem sido analisado com muito menos sistematicidade é se outras assinaturas de escala comumente usadas também podem ser produzidas por mecanismos não críticos. Nossa contribuição é fornecer essa análise crítica ausente e, principalmente, uma maneira prática de distinguir dinâmicas coletivas genuínas de artefatos", disse Calvo.

Em seguida, a estrutura foi aplicada ao conjunto de dados LEMON, que compreende exames de ressonância magnética funcional em repouso de 136 participantes saudáveis, 183 regiões cerebrais e sessões de gravação de aproximadamente dez minutos por sujeito.

Quando aplicado aos dados agrupados de fMRI, o modelo forneceu um veredicto claro. Assinaturas genuínas próximas do ponto crítico emergiram no nível populacional, com uma força de acoplamento efetiva de aproximadamente 0,88, onde 1,0 marca o ponto crítico. Em outras palavras, quando a atividade cerebral é analisada coletivamente entre os participantes, em vez de individualmente, a dinâmica em nível de grupo fica próxima, mas seguramente abaixo, do limiar crítico.

Após a randomização por deslocamento temporal, esses sinais praticamente desapareceram, confirmando que o que restou nos dados originais refletia a verdadeira dinâmica coletiva, e não artefatos. Os expoentes de escala extraídos corresponderam de perto às previsões do modelo de taxa de disparo recorrente, sugerindo que o comportamento próximo ao ponto crítico decorre da atividade reverberante da rede, e não de entradas estruturadas. Notavelmente, o cérebro se encontra ligeiramente abaixo do ponto crítico, e não exatamente nele.

"Operar próximo a um ponto crítico pode manter muitos dos benefícios computacionais propostos, como modos coletivos multiescala complexos e amplificação forte, porém controlável, evitando as desvantagens de operar exatamente na criticidade, onde pequenas perturbações podem levar à instabilidade, atividade descontrolada ou robustez reduzida", disse Calvo.

Olhando para o futuro, a equipe espera construir modelos baseados no conectoma que relacionem as assinaturas de criticidade diretamente à arquitetura estrutural do cérebro. Eles também querem testar como a distância até a criticidade varia com a idade, doenças ou estado cognitivo. A própria estrutura, observam, é amplamente aplicável muito além da neurociência, em qualquer área onde se afirmem dinâmicas próximas à criticidade.