Método de mapeamento cerebral inspirado em caricaturas aprimora previsões de traços cognitivos e emocionais

Os caricaturistas exageram as características distintivas de um indivíduo, aprofundando a fenda no queixo ou multiplicando as sardas. Os pesquisadores de Yale aplicaram agora uma abordagem semelhante aos mapas de conexões neurais, enfatizando as diferenças individuais para ver se elas produzem informações úteis.

Acontece que sim, de acordo com as descobertas dos pesquisadores publicadas em Neurociência da Natureza.

Os investigadores têm construído e estudado estes mapas, conhecidos como conectomas, para ver se podem ser preditivos de, por exemplo, comportamentos ou condições de saúde mental.

Até agora, esta pesquisa descobriu que a atividade do conectoma semelhante entre os indivíduos é importante e pode ser preditiva do comportamento por si só. Assim, a actividade restante foi largamente posta de lado.

“Mas o que está acontecendo nessa atividade? Ela foi deixada para trás, então realmente não sabemos se há valor nela”, diz o autor principal Raimundo Rodriguez, Ph.D. estudante do Programa Interdepartamental de Neurociências da Yale School of Medicine (YSM).

Quando Rodriguez caricaturou os dados do conectoma, minimizando a atividade compartilhada e, assim, enfatizando as diferenças individuais, ele descobriu que os conectomas eram melhores preditores de várias características, incluindo idade, QI e processamento de emoções.

“O que estamos descobrindo é que as informações contidas nos dados caricaturados são distintas dos dados não caricaturados”, diz ele.

Caricaturando a atividade cerebral

Para o estudo, os pesquisadores usaram o Human Connectome Project, o UCLA Consortium for Neuropsychiatric Phenomics e conjuntos de dados de ressonância magnética funcional (fMRI) desenvolvidos por Yale.

Primeiro, Rodriguez identificou padrões-chave nos conjuntos de dados onde, entre indivíduos, diferentes regiões cerebrais eram ativadas ou desativadas juntas enquanto os indivíduos completavam algum tipo de tarefa. E então ele removeu esses padrões compartilhados dos dados de fMRI coletados quando os indivíduos estavam em repouso.

Fazer isso, confirmou Rodriguez, fez com que os indivíduos se parecessem menos entre si nos dados. Também tornou as varreduras separadas do mesmo indivíduo mais fáceis de identificar do restante das varreduras. “Isso nos disse que esse método estava realmente caricaturando os dados”, diz Rodriguez.

A questão que restava era como isso poderia afetar os esforços para prever comportamentos e características.

“Analisamos uma série de recursos e mostramos que, muitas vezes, esse método de caricatura realmente melhora as capacidades preditivas”, diz Rodriguez, que trabalha no laboratório de Dustin Scheinost, Ph.D., professor associado de radiologia e imagens biomédicas no YSM. “Mas o que é interessante é que isso não aconteceu para tudo.”

Os conectomas caricaturados previram melhor a idade, o QI, o sexo e o IMC dos indivíduos, bem como o desempenho em tarefas que avaliam o processamento emocional e a capacidade de identificar semelhanças entre objetos. Mas a caricatura foi menos preditiva do transtorno de personalidade limítrofe.

“O fato de haver essa nuance em que a previsão melhora e onde ela não melhora nos diz que esse método não está simplesmente ‘limpando’ os dados. Não está apenas removendo o ruído”, diz Scheinost, autor sênior do estudo e diretor associado de tecnologia de imagem biomédica no Yale Biomedical Imaging Institute.

“Em vez disso, estas descobertas sugerem que diferentes padrões de atividade podem conter informações importantes para prever algumas características e comportamentos, enquanto padrões partilhados têm importância para outros, o que significa que os dois oferecem diferentes tipos de informação”.

Os pesquisadores também encontraram apoio para essa ideia. Quando combinaram dados caricaturados com dados não caricaturados, obtiveram previsões ainda melhores do que com qualquer um deles separadamente.

No futuro, os pesquisadores querem identificar quais comportamentos os dados caricaturados funcionam ou não, e se existem padrões subjacentes ao motivo.

“Em última análise, demonstrámos que existe esta nova fonte de informação que até agora temos ignorado”, diz Rodriguez. “Mas podemos usá-lo para melhorar a previsão.”