Desagregação do processamento preditivo neuronal

Como o Cérebro Aposta no Futuro

A cada momento, seu cérebro silenciosamente tenta adivinhar o que acontecerá a seguir — como sua mão vai se sentir ao tocar a maçaneta, que som seus passos devem produzir, ou qual palavra provavelmente virá numa frase. Quando a suposição está errada, a surpresa ajuda você a aprender. Este estudo faz uma pergunta profunda sobre esse processo: existem tipos especiais de células cerebrais que apenas predizem, e outras que apenas sinalizam surpresa, ou essas funções estão distribuídas de forma mais democrática? Usando modelos matemáticos e gravações reais do cérebro de camundongos, os autores mostram que previsão e surpresa estão muito mais entrelaçadas do que se pensava.

Cérebros como Máquinas de Previsão

Neurocientistas cada vez mais veem o cérebro como uma máquina de previsão que constantemente compara o que espera com o que realmente chega pelos sentidos. Quando o mundo se comporta como esperado, a atividade em muitas áreas sensoriais é atenuada; quando ocorre um evento inesperado, certas células respondem com mais força, produzindo o que os pesquisadores chamam de “erro de previsão”. Teorias anteriores propuseram diagramas de conexão bem organizados em que um grupo de neurônios representava os estímulos sensoriais recebidos, enquanto outro grupo calculava os erros. Mas a maioria dos experimentos tinha testado apenas situações muito simples, como um som prevendo um movimento, o que está muito longe das associações emaranhadas e múltiplas que dominam o comportamento natural.

Simulando um Mundo Sensorial Atarefado

Para explorar situações mais realistas, os autores construíram um grande modelo computacional de um circuito cerebral que recebe muitos sinais sensoriais e motores diferentes ao mesmo tempo. O modelo aprende, por meio de exposições repetidas, quais combinações de eventos tendem a ocorrer juntas — muito parecido com um animal aprendendo que um movimento específico geralmente produz um som particular. Fundamentalmente, o modelo foi projetado para gerar previsões internas ao mesmo tempo em que mantinha sua atividade geral econômica, refletindo a necessidade do cérebro de usar energia de forma eficiente. À medida que o aprendizado progrediu, os neurônios simulados passaram a suprimir suas respostas quando um emparelhamento era esperado e a responder com mais força quando um parceiro previsto estava ausente, espelhando o que tem sido observado em experimentos com camundongos.

Surpresa Está em Toda Parte, Não em Uma Única Caixa

Quando os pesquisadores examinaram as “células” do modelo em detalhe, descobriram que as células não se organizavam limpidamente em células de previsão e células de erro. Um neurônio que sinalizava um desajuste para um par de eventos podia agir como um simples repórter sensorial para outro par. À medida que o modelo aprendeu pares cada vez mais distintos, essa mistura tornou-se ainda mais comum, e neurônios puramente “só-erro” tornaram-se raros. Em seguida, os autores recorreram a gravações do córtex auditivo de camundongos, onde os animais esperavam um tom específico após pressionar uma alavanca, mas às vezes eram apresentados a sons alterados. O padrão de respostas em muitos neurônios mostrou o mesmo tipo de mistura prevista pelo modelo, contrariando a ideia de uma separação nítida entre funções de previsão e erro em cérebros reais.

Equilibrando Excitação, Inibição e Complexidade

O estudo também investiga como o equilíbrio entre excitação e supressão dentro dos circuitos cerebrais molda a previsão. O modelo separa a entrada de cada neurônio em duas partes: condução sensorial direta e feedback interno de outros neurônios que carregam previsões. Quando essas duas influências quase se cancelam, o sistema fica “balanceado”, e pequenas discrepâncias se destacam com mais clareza. Os autores constataram que existe um nível ótimo desse equilíbrio, não excessivamente rígido. À medida que o número de associações aprendidas cresce, os circuitos com melhor desempenho tornam-se na verdade mais frouxamente balanceados, o que ajuda a evitar interferência entre muitas previsões sobrepostas. Ao estender o modelo para incluir células excitatórias e inibitórias distintas — e camadas empilhadas que lembram a profundidade cortical — os autores mostram que os sinais relacionados à previsão são distribuídos por tipos de células e camadas, em vez de armazenados em um único locus especial.

Por Que Isso Importa para Entender o Pensamento

Na vida cotidiana, equilibramos inúmeras expectativas sobre sons, imagens e movimentos ao mesmo tempo. Este trabalho sugere que o cérebro sustenta essa previsão rica ao espalhar a carga por muitos neurônios que compartilham funções de forma flexível, em vez de dedicar células especialistas rígidas exclusivamente à previsão ou ao erro. Também destaca como um equilíbrio cuidadosamente ajustado, mas não excessivamente estrito, entre sinais excitatórios e inibitórios permite que esses circuitos lidem com muitas associações sem se tornarem instáveis. Juntos, os modelos e os experimentos apontam para uma imagem do processamento preditivo como um código altamente distribuído e adaptável — que pode ajudar a explicar como os cérebros constroem modelos internos de um mundo complexo e em constante mudança.

Citação: Wang, B., Audette, N.J., Schneider, D.M. et al. Desegregation of neuronal predictive processing. Nat Commun 17, 3919 (2026). https://doi.org/10.1038/s41467-026-70347-w

Palavras-chave: processamento preditivo, circuitos neuronais, previsão sensorial, equilíbrio excitatório inibitório, modelos de redes neurais