IA decifra “assinaturas elétricas” de neurônios e acelera a era dos interfaces cérebro-máquina

Resumo: Três frentes de pesquisa apontam uma virada histórica na neurociência: (1) uma equipa liderada pela UCL treinou inteligência artificial para reconhecer tipos de neurónios a partir de picos elétricos com ~95% de acerto, (2) engenheiros da UCLA criaram um BCI não invasivo com “copiloto” de IA que infere a intenção do usuário e conclui tarefas muito mais rápido, e (3) uma retrospectiva mostra como os investimentos públicos em cognição, lá nos anos 1970–80, abriram caminho para o deep learning que hoje sustenta esses avanços.

O problema centenário: gravar neurónios era possível — identificar o “quem é quem”, não

Por décadas, eletrodos registraram os “spikes” de neurónios individuais no cérebro em ação. O obstáculo: os sinais eram cegos ao tipo celular. Sem saber se um pico vinha de um interneurónio inibitório ou de um piramidal excitatório, ficava difícil explicar como cada peça do circuito contribui para o comportamento.

Uma equipa internacional liderada pela UCL resolveu esse quebra-cabeça com uma estratégia em duas etapas. Primeiro, usou optogenética (pulsos de luz azul) para acionar tipos específicos de células em ratos, mapeando a “impressão digital” elétrica de cada classe. Depois, compilou uma biblioteca de assinaturas e treinou um algoritmo de IA para classificar automaticamente os picos por tipo celular — sem ferramentas genéticas — atingindo ~95% de acurácia. A validação em primatas indica que o método generaliza entre espécies, um passo essencial rumo a aplicações humanas.

O avanço permite algo inédito: ver os “portões lógicos” do cérebro em ação, ao mesmo tempo, enquanto o animal se move, aprende ou decide. Para doenças como epilepsia, demência e autismo, entender quais células disparam quando pode revelar padrões patológicos e guiar terapias. O grupo também abriu a base de dados e o código, acelerando a adoção por outros laboratórios.

BCI sem cirurgia: um “copiloto” de IA que entende sua intenção

Ao mesmo tempo, a UCLA apresentou um sistema vestível (touca de EEG) que combina um decodificador neural com um copiloto de IA (visão por computador). A dupla traduz intenções de movimento em comandos para cursor e braço robótico, enquanto a IA observa a cena e infere o objetivo (não o olhar) para corrigir trajetória e finalizar a tarefa.

Em testes, quatro participantes — incluindo uma pessoa com paralisia — cumpriram tarefas significativamente mais rápido com a ajuda do copiloto. No desafio de manipular blocos com o braço robótico, o participante paralisado só conseguiu concluir com a IA em laço, terminando em cerca de 6,5 minutos. A mensagem é clara: compartilhar autonomia entre humano e algoritmo multiplica a performance de BCIs não invasivos, reduzindo riscos e custos em comparação a implantes cirúrgicos.

Próximos passos incluem aumentar a precisão, velocidade e a “delicadeza” do braço, além de treinar o sistema com bases maiores para tarefas mais complexas e decodificação neural mais robusta — tudo com o objetivo de devolver independência a pessoas com limitações motoras.

Como chegamos aqui: da cognição à IA — e de volta ao cérebro

Essas conquistas não nascem do nada. Nos anos 1970–80, financiamentos da NSF e da Office of Naval Research sustentaram a pesquisa de Rumelhart, Hinton e McClelland em modelos conexionistas da mente. Dali vieram a formulação do processamento distribuído em paralelo e a demonstração, em 1986, de que backpropagation poderia treinar redes a partir do erro — a base dos sistemas de deep learning de hoje.

Quase meio século depois, a avenida abriu mão dupla: a IA aprende com o cérebro para construir modelos mais úteis, enquanto a neurociência usa a IA para ler, classificar e interpretar circuitos neurais em tempo real. Essa sinergia permite, por exemplo, que algoritmos reconheçam tipos celulares nos spikes e que BCIs decodifiquem intenção com ajuda contextual, tal como humanos raciocinam melhor quando têm conhecimento prévio.

Por que isso importa (muito)

Mapas finos do circuito: distinguir quem dispara em situações específicas (memória, movimento, emoção) ajuda a atribuir função a cada tipo celular e a diagnosticar disritmias em condições neurológicas. BCIs mais úteis e seguros: se o sistema sabe quais neurónios carregam os sinais relevantes, pode filtrar ruído e responder com maior acurácia — inclusive em plataformas não invasivas. Terapias personalizadas: a combinação de assinaturas elétricas + IA abre caminho para estimulação direcionada (elétrica/ultrassónica/acústica) e fármacos que modulam circuitos específicos. Ciência aberta e rápida: biblioteca e algoritmo open-source aceleram a reprodutibilidade e reduzem barreiras para laboratórios em todo o mundo.

Limites e próximos desafios

Apesar do salto, tradução clínica exige cautela. Modelos treinados em roedores e primatas ainda precisam comprovar confiabilidade em cérebros humanos diversos, com ruídos e variações anatómicas maiores. Sistemas não invasivos sofrem com sinais fracos; já implantes trazem riscos cirúrgicos. Também há questões éticas (privacidade neural, viés algorítmico, acesso) e a necessidade de ensaios clínicos robustos, com benefícios claros frente aos padrões atuais de cuidado.

Mesmo assim, o roteiro está lançado: classificar melhor os neurónios, decodificar intenção com IA contextual e fechar o ciclo com atuadores (robôs, cursores, estimulação), criando um ecossistema de neurotecnologias mais precisas, acessíveis e humanas.

Saiba Mais

Cell – estudo UCL sobre assinaturas elétricas e IA
Nature Machine Intelligence – BCI não invasivo com copiloto de IA (UCLA)
UCL News – IA identifica tipos de neurónios em ação
UCLA Newsroom – IA acelera tarefas com EEG e braço robótico
Stanford – da pesquisa em cognição ao deep learning (Golden Goose Award)