Uma interface neural flexível multi-região para decodificação de estado comportamental em camundongos em movimento livre

Ouvindo a Rotina Diária do Cérebro

Atividades cotidianas como descansar, passear ou pegar um lanche parecem simples, mas surgem de milhões de neurônios disparando em conjunto nas profundezas do cérebro. Este estudo mostra como um novo sistema de sensores flexíveis, combinado com inteligência artificial moderna, pode “ouvir” muitas regiões cerebrais ao mesmo tempo em camundongos em movimento livre e identificar de forma confiável o que o animal está fazendo. A longo prazo, essa tecnologia pode ajudar cientistas a entender transtornos cerebrais e criar interfaces cérebro‑computador melhores que funcionem fora do laboratório.

Uma Janela Macia para um Cérebro Atarefado

As sondas cerebrais tradicionais são rígidas e geralmente capturam sinais de uma única área, o que pode irritar o tecido e perder a visão mais ampla de como diferentes regiões cooperam. A equipe projetou uma sonda flexível multi‑região que resolve ambos os problemas. Cada sonda carrega oito braços delgados, ou hastes, alinhadas com pequenos contatos de ouro para registro. Curvas em forma de ômega incorporadas em cada haste permitem que a estrutura estique e flexione com o tecido macio do cérebro, alcançando áreas distantes sem quebrar ou puxar o tecido. Testes em cérebros “fantasma” de gel e em camundongos vivos mostraram que o dispositivo pode abranger mais de um centímetro de tecido cerebral e manter suas propriedades elétricas estáveis por semanas, mesmo enquanto os animais se movem naturalmente.

Seguindo Camundongos Enquanto Descansam, Passeiam e se Alimentam

Para conectar a atividade cerebral ao comportamento real, os pesquisadores construíram uma caixa transparente onde os camundongos podiam se mover livremente, com cama no chão, comida em um canto fixo e uma luz capaz de emitir flashes breves. Câmeras superiores rastrearam posições da cabeça e da cauda, enquanto a nova sonda registrava sinais cerebrais de baixa frequência de até oito regiões, incluindo centros de movimento, tato, memória e visão. A equipe focou em quatro estados facilmente reconhecíveis: descanso, passeio pela caixa, alimentação no local da comida e resposta a um flash de luz rítmico. Ao rotular cuidadosamente o comportamento a partir dos vídeos e correlacioná‑lo com os registros cerebrais, eles reuniram um conjunto de dados rico cobrindo cerca de uma semana de atividade em quatro camundongos.

Ensinando uma IA a Ler Padrões Cerebrais

Os sinais cerebrais mudam rapidamente ao longo do tempo e entre regiões, então o grupo recorreu a um modelo de aprendizado profundo para encontrar padrões que humanos não conseguem ver facilmente. Seu modelo personalizado “L‑Conformer” combina duas ideias: uma parte busca formas de curto alcance no sinal, enquanto outra parte de “atenção” acompanha como os padrões se relacionam por trechos mais longos de tempo. Ao deslizar uma janela temporal sobre os registros, o modelo aprende a associar cada fragmento de quatro segundos de atividade cerebral a um dos quatro estados comportamentais. Os pesquisadores testaram muitos comprimentos de janela e descobriram que quatro segundos alcançavam o melhor equilíbrio entre capturar comportamentos sustentados e evitar misturas de estados diferentes, atingindo quase 89% de acurácia. Modelos concorrentes, extraídos de trabalhos recentes em interfaces cérebro‑computador, não se saíram tão bem neste conjunto de dados naturalístico e exigente.

Várias Regiões Cerebrais Superam Uma Só

Uma questão-chave foi se é melhor concentrar muitos eletrodos em uma única região “preferida” ou distribuí‑los pelo cérebro. Quando o modelo foi treinado com sinais de uma área por vez, o desempenho variou amplamente e frequentemente foi modesto. Combinar as oito regiões aumentou a acurácia média para quase 88%. A equipe então fez comparações diretas e justas mantendo o número total de canais igual enquanto mudava sua disposição. Com apenas alguns canais, concentrá‑los em uma região funcionou um pouco melhor. Mas, uma vez que sinais de cinco ou mais regiões foram incluídos, a configuração distribuída claramente ficou à frente e continuou melhorando, enquanto a abordagem de região única atingiu um platô. Isso sugere que estados cotidianos como descansar, passear e se alimentar são fenômenos de todo o cérebro, e não produto de algum “centro” isolado.

Decodificação Estável Entre Dias e Entre Diferentes Camundongos

Para qualquer uso clínico ou assistivo futuro, um decodificador precisa continuar funcionando além de uma única sessão de gravação ou indivíduo. Os pesquisadores, portanto, perguntaram se seu modelo podia lidar com novos dias e novos animais sem re‑treinamento constante. Quando treinado com vários dias de dados de um camundongo e depois testado em dias posteriores, a acurácia subiu para cerca de 85%, próxima ao desempenho no mesmo dia, mesmo sem reajustar o modelo. Em um teste mais difícil, eles treinaram o sistema em três camundongos e o avaliaram em um quarto. Notavelmente, o modelo ainda conseguiu estimar o estado comportamental desse animal com cerca de 70% de acurácia imediatamente, e um fino ajuste simples com alguns dados do novo camundongo elevou a acurácia acima de 80%.

O Que Isso Significa para Interfaces Cerebrais Futuras

Em termos simples, o estudo demonstra que uma “rede de escuta” macia e multi‑região combinada com um algoritmo de aprendizado poderoso pode decodificar com alta confiabilidade o que um camundongo em movimento livre está fazendo, ao longo de semanas e entre diferentes animais. Para leigos, a ideia central é que estados cerebrais como repouso, exploração e alimentação estão escritos em padrões de larga escala espalhados pelo cérebro, e que eletrônicos flexíveis e IA podem ler esse código distribuído sem danificar o tecido ou recomeçar do zero a cada dia. A longo prazo, abordagens semelhantes podem ajudar a monitorar estados internos em transtornos cerebrais, orientar terapias e suportar interfaces cérebro‑computador que funcionem em ambientes mais naturais e cotidianos.

Citação: Tian, Y., Li, G., Su, H. et al. A multi-region flexible neural interface for behavioral state decoding in freely moving mice. Microsyst Nanoeng 12, 154 (2026). https://doi.org/10.1038/s41378-026-01258-5

Palavras-chave: interface cérebro-computador, decodificação neural, eletrodos flexíveis, estado comportamental, aprendizado profundo