Um único neurônio computa quase nada de interessante. Um neurônio incorporado em um circuito, recebendo entradas de centenas de milhares de outros neurônios e projetando para centenas de alvos, torna-se parte de sistemas que reconhecem rostos, lembram eventos, geram linguagem e regulam emoções. O salto da biofísica de célula única para a cognição é explicado pelos circuitos neurais — os padrões de conectividade estruturada que transformam entradas em comportamento.
Este capítulo abrange como os neurônios são organizados em circuitos e regiões cerebrais, como essas regiões são interconectadas e quais propriedades computacionais emergem da dinâmica em nível de rede. Esses conceitos fundamentam a neurociência computacional, a conectômica e a interpretação de dados de neuroimagem.
Organização Cortical: Colunas e Camadas
O córtex cerebral — a camada mais externa do cérebro, responsável pela maior parte do que chamaríamos de "pensamento" — tem uma estrutura notavelmente consistente entre os mamíferos.
Estrutura laminar: o córtex é organizado em 6 camadas (I–VI), distinguidas pela densidade celular, tipos de células e conectividade:
- Camada IV: entrada primária do tálamo (estação de retransmissão sensorial)
- Camada V: saída para estruturas subcorticais (comandos motores, tronco cerebral, medula espinhal)
- Camada VI: saída para o tálamo (feedback)
- Camadas II/III: conexões intracorticais (para outras áreas corticais)
Estrutura colunar: verticalmente, o córtex é organizado em colunas corticais — grupos de neurônios abrangendo todas as camadas que processam informações semelhantes. No córtex visual primário, as colunas respondem a linhas da mesma orientação; no córtex auditivo primário, a frequências semelhantes. Esta é a organização de colunas funcionais.
A coluna cortical às vezes é chamada de unidade computacional básica do córtex — embora sua definição precisa e universalidade sejam debatidas.
Áreas do Cérebro e Suas Funções
O cérebro é dividido em regiões especializadas, cada uma com tipos de células característicos, padrões de conectividade e funções:
| Região | Função | Tipos de células principais |
|---|---|---|
| Córtices sensoriais primários (V1, A1, S1) | Processamento sensorial básico | Neurônios piramidais, células estreladas |
| Córtices de associação (CPF, CPP) | Integração, planejamento, memória de trabalho | Neurônios piramidais das camadas II/III |
| Hipocampo | Formação de memória episódica, navegação espacial | Células piramidais CA1/CA3, células granulares |
| Cerebelo | Coordenação motora, aprendizado procedural | Células de Purkinje, células granulares |
| Gânglios basais (estriado, GPe, GPi, SNr) | Seleção de ação, aprendizado por recompensa | Neurônios espinhosos médios, neurônios dopaminérgicos |
| Amígdala | Aprendizado do medo, respostas emocionais | Neurônios piramidais, interneurônios |
| Tálamo | Estação de retransmissão entre córtex e subcórtex | Neurônios de retransmissão, neurônios reticulares |
| Tronco cerebral | Funções vitais (respiração, frequência cardíaca), sono | Núcleos diversos |
Esta lista é uma simplificação enorme — cada região contém múltiplas sub-regiões com funções distintas — mas fornece um mapa dos principais sistemas.
Circuitos Neurais: Motivos Básicos
Assim como as redes de regulação gênica, os circuitos neurais usam motivos estruturais recorrentes:
Excitação feedforward: A→B→C. O sinal se propaga da entrada para a saída. As vias de processamento sensorial usam circuitos feedforward hierárquicos, cada estágio abstraindo mais a representação. V1 detecta bordas → V4 detecta formas → córtex IT detecta objetos.
Conexões feedback (recorrentes): áreas superiores enviam projeções de volta para áreas inferiores. A maioria das conexões corticais é recorrente — números aproximadamente iguais de sinapses feedforward e feedback. As conexões feedback podem carregar previsões (framework de codificação preditiva) ou sinais de atenção.
Inibição lateral: neurônios excitatórios ativam interneurônios inibitórios locais, que então inibem neurônios excitatórios vizinhos. Isso cria uma competição "vencedor-leva-tudo" entre neurônios próximos, aguçando representações e criando realce de contraste. Fundamental para o ajuste sensorial.
Circuitos oscilatórios: loops excitatório-inibitórios geram atividade rítmica. As oscilações PING (Pyramidal Interneuron Network Gamma) surgem da dinâmica E-I a 40 Hz (banda gama), thought to coordinate information binding.
O Conectoma
O conectoma é o mapa completo de todas as conexões neurais em um sistema nervoso. É para a neurociência o que o genoma é para a genética — um diagrama de fiação completo.
Estado atual:
- C. elegans (302 neurônios, ~7000 sinapses): totalmente mapeado em 1986 por White et al. O primeiro e ainda mais completo conectoma.
- Larva de Drosophila (~3.000 neurônios): concluído pelo laboratório Zlatic (2023)
- Drosophila adulta (~140.000 neurônios): conectoma FlyWire concluído pelo laboratório Seung (2024) — um marco
- Córtex de camundongo (~100 bilhões de neurônios no total; conectoma completo): trabalho em andamento no Allen Institute; partes em resolução nanométrica via microscopia eletrônica
- Humano: décadas de distância; o desafio escala com a contagem de neurônios
Mapear conectomas em resolução sináptica requer microscopia eletrônica (ME) — a sinapse tem ~20 nm, muito abaixo da resolução da microscopia de luz. Um milímetro cúbico do córtex de camundongo contém ~50.000 neurônios e ~500 milhões de sinapses. Mapeá-lo gera ~1 petabyte de dados de imagem.
O campo da Conectômica usa aprendizado de máquina para segmentar automaticamente neurônios em pilhas de imagens de ME — um enorme desafio de anotação que impulsionou o desenvolvimento de métodos de visão computacional e aprendizado ativo. A equipe de Inteligência de Máquina do Google e laboratórios acadêmicos produziram reconstruções de ME em larga escala de grande importância nos últimos anos.
Oscilações Neurais: Os Ritmos do Cérebro
O cérebro exibe atividade elétrica rítmica em múltiplas bandas de frequência, detectável por EEG (eletroencefalografia):
| Banda | Frequência | Estados/funções associados |
|---|---|---|
| Delta | 0,5–4 Hz | Sono profundo, sono de ondas lentas |
| Teta | 4–8 Hz | Codificação de memória, navegação (hipocampo), sonolência |
| Alfa | 8–12 Hz | Vigília relaxada, inibição do córtex visual |
| Beta | 12–30 Hz | Atividade motora, concentração ativa |
| Gama | 30–100 Hz | Processamento ativo, atenção, binding |
As oscilações neurais surgem da dinâmica de circuito E-I e servem a várias funções propostas:
- Binding temporal: as oscilações gama podem sincronizar a atividade entre áreas cerebrais, "ligando" características de um objeto processadas em áreas separadas (o problema do binding)
- Codificação de fase: informação codificada na fase dos spikes em relação a um ciclo de oscilação (células de lugar no hipocampo disparam em fases teta específicas)
- Comunicação: a sincronia oscilatória entre áreas pode permitir comunicação seletiva (coerência como um portão)
- Consolidação de memória: acredita-se que as oscilações lentas durante o sono reproduzam memórias recentemente formadas, transferindo-as do hipocampo para o córtex
Codificação Populacional: Representações em Conjuntos
Neurônios individuais respondem a características específicas (um neurônio V1 responde a uma linha de orientação 45°), mas as representações são distribuídas de forma mais confiável pelas populações:
Vetor populacional: o padrão de atividade em muitos neurônios codifica um estímulo. Mesmo que cada neurônio individual seja ruidoso, a média da população pode ser muito precisa. Uma população de neurônios V1 ajustados à orientação codifica coletivamente a orientação com muito mais precisão do que qualquer neurônio individual.
Redução de dimensionalidade: o registro simultâneo de muitos neurônios (arranjos de múltiplos eletrodos, imageamento de cálcio) produz vetores de atividade de alta dimensão. A análise de componentes principais (PCA), t-SNE e UMAP são usados para visualizar a estrutura de baixa dimensão na atividade da população neural. Essas variedades frequentemente têm estrutura interpretável: no córtex motor, a trajetória de atividade durante o movimento do braço traça uma curva suave no espaço de PC.
Decodificadores: dada a atividade da população, é possível decodificar o que o animal estava vendo, ouvindo ou planejando? Decodificadores de aprendizado de máquina treinados em dados neurais podem fazer isso com precisão notável — a base das interfaces cérebro-computador (abordadas no Capítulo 7.5).
A Rede de Modo Padrão e Conectividade de Todo o Cérebro
A fMRI mede sinais dependentes do nível de oxigênio no sangue (BOLD) como um proxy para a atividade neural. Correlacionar a atividade entre regiões cerebrais em repouso revela redes de estado de repouso — conjuntos de regiões que flutuam juntas mesmo sem tarefas explícitas:
- Rede de Modo Padrão (RMP): córtex pré-frontal medial, cíngulo posterior, giro angular — ativa durante o repouso e o pensamento autorreferencial; suprimida durante a atenção focada
- Rede de Saliência: ínsula anterior, cíngulo anterior — detecta estímulos salientes e alterna entre RMP e redes de tarefa
- Rede Frontoparietal: córtex pré-frontal lateral, parietal posterior — memória de trabalho, controle cognitivo
Essas redes estão perturbadas em transtornos psiquiátricos: hiperconectividade da RMP na depressão; disfunção da rede de saliência na esquizofrenia; conectividade frontoparietal reduzida no TDAH.
Teoria dos grafos do conectoma: tratar regiões cerebrais como nós e correlações funcionais como arestas permite o cálculo de métricas de rede — hubs (regiões altamente conectadas), coeficientes de agrupamento, comprimentos de caminho. O cérebro mostra topologia de "mundo pequeno": alto agrupamento local (processamento local eficiente) e comprimentos de caminho globais curtos (integração global eficiente), semelhante a outras redes do mundo real eficientes.
Por Que a Arquitetura de Rede Neural Importa para a IA
A arquitetura feedforward hierárquica do córtex sensorial foi diretamente influente nas redes neurais convolucionais profundas (CNNs). O trabalho de Hubel e Wiesel nas células simples e complexas de V1 (Nobel 1981) mostrou que o processamento visual constrói representações invariantes combinando e agrupando hierarquicamente características mais simples — exatamente o que as arquiteturas ConvNet fazem.
A pesquisa atual de IA extrai da neurociência em:
- Codificação preditiva: o cérebro como uma máquina de previsão que suprime a entrada esperada e passa apenas os erros de previsão — implementado em algumas arquiteturas de modelos generativos
- Memória de trabalho: o córtex pré-frontal mantém informações ao longo de atrasos — possivelmente através de atividade sustentada mantida por conexões recorrentes; LSTM e mecanismos de atenção abordam problemas computacionais semelhantes
- Aprendizado por reforço: sinais de dopamina nos gânglios basais implementam algo notavelmente semelhante ao aprendizado de diferença temporal (os experimentos de Schultz mostrando que a dopamina codifica erros de previsão de recompensa foram fundamentais para a teoria de RL)
O diálogo entre neurociência e ML é cada vez mais bidirecional: as técnicas de redes neurais ajudam a analisar dados neurais, e descobertas neurocientíficas sugerem novos princípios arquitetônicos para a IA.