1

O laboratório e o dia-a-dia – Parte III: Como cientistas estudam relações entre fenômenos?

Nos artigos anteriores sobre o método científico e os fenômenos do dia-a-dia, discutimos um pouco sobre a diferença de variáveis dependentes e independentes e sobre a importância da estatística para a ciência.

Também vimos que, tipicamente, cientistas estão lidando com muitas variáveis ao mesmo tempo e que estabelecer uma relação entre elas de forma rigorosa não costuma ser uma tarefa fácil.

Muitas vezes, entender as causas e consequências de determinado fenômeno exigem a análise de fatores que interferem tanto com as variáveis dependentes quanto com as independentes. Eles são chamados fatores de confusão.

Quanto mais longe das chamadas “hard sciences” nós estamos, mais complexos os fatores de confusão. Por exemplo, nas ciências sociais, pode-se observar padrões de comportamento em diferentes grupos, mas é impossível isolar todas variáveis ou “criar” uma sociedade independente de outras culturas para realizar observações experimentais. Na verdade, assumir que todas as variáveis são conhecidas já seria cometer um erro metodológico logo no começo.



Determinar fatores de confusão pode levar muitos anos de pesquisa em uma area, e o uso de diferentes abordagens. Imagem adaptada de: Annalise Batista

Na linguística, da mesma forma, para entender o desenvolvimento da fala e suas relações com a cultura, não se pode ensinar uma língua a um bebê de forma a isolá-lo da sociedade – e mesmo que este experimento imaginário não tivesse muitos problemas éticos, ainda assim teríamos um fator cultural proveniente dos próprios experimentadores.

Isso não quer dizer que não é possível estudar o fenômeno da aquisição de linguagem, apenas que a abordagem metodológica requer mais observação e análise do que manipulação experimental, ou ainda que a manipulação experimental é mais localizada e visa analisar como o fenômeno já acontece, no lugar de induzir o acontecimento do fenômeno.

Isso também acontece em algum nível nas ciências exatas. Na astronomia e na cosmologia por exemplo, não se está criando um buraco negro em laboratório para estudar como um buraco negro funciona. Mas observações indiretas sistemáticas levam a modelos capazes de compreender e prever fenômenos de forma reprodutível e confiável.

Cada área do conhecimento terá suas abordagens próprias e seus recortes do que será considerado propriedade e o que será considerado resultado. Áreas multidisciplinares carregam o desafio de cruzar as metodologias de áreas diferentes e encontrar conexões lógicas e que forneçam conclusões coerentes.

A epidemiologia, por exemplo, usa diversos modelos matemáticos e computacionais para estudar ciências da saúde, com o objetivo de compreender doenças do ponto de vista coletivo e promover sua prevenção.

Observar grandes quantidades de casos nos permite fazer perguntas interessantes, que não seriam possíveis se estivéssemos estudando doenças isoladamente ou como as doenças afetam um único organismo.

Por exemplo, ouvimos falar com frequência que exercícios físicos combatem a depressão. Mas como determinar se essa relação é de fato causal, ou seja, como saber se a prática de exercícios previne a depressão ou se pessoas não deprimidas tendem a se exercitar mais?


Exercícios físicos previnem a depressão ou a depressão aumenta o sedentarismo? Imagem: Mabel Amber

Ou ainda: como saber se a prática regular de exercícios associada a menores índices de depressão não é na verdade um indicador econômico de que determinados grupos, que têm acesso facilitado à prática de exercícios, tem também acesso a outras oportunidades de atividades que proporcionam maior bem estar?

Para abordar o problema dos fatores de confusão, e também o problema de determinar se a relação entre dois fatores observados é de causa ou de consequência, um dos métodos usados em epidemiologia chama-se Randomização Mendeliana. Aqui, o nome é inspirado em Mendel porque trata-se do uso de dados mensuráveis de variação genética numa determinada população, de forma a escolher apenas os genes com funções bem conhecidas. Assim, é possível entender melhor quais as relações causais de fato envolvidas entre dois fenômenos que parecem estar relacionados.

Um estudo recente publicado na JAMA Psychiatry estudou centenas de milhares de pessoas e seus respectivos níveis de atividade física – tanto os níveis relatados pelos participantes quanto medidas objetivas calculadas através do uso de acelerômetros – bem como variantes genéticas independentes que foram previamente associadas à prática de exercícios.

Os pesquisadores concluíram que, de fato, a prática regular de exercícios físicos (medida objetivamente) é um fator de proteção contra a depressão clínica. As medidas subjetivas – quantidade de exercícios que os participantes relataram verbalmente – não apresentou a mesma correlação.

Isso não quer dizer que as demais possíveis relações são todas inválidas (por exemplo, ainda é verdade que pessoas deprimidas têm mais dificuldade de encontrar motivação para se exercitarem). Mas é uma forma de atestar uma relação segura de causa-consequência.

Encontrar correlações precisas entre fenômenos não é uma tarefa trivial, e levanta mais perguntas. No caso do estudo acima, por exemplo, ainda resta muito a investigar sobre as relações profundas entre exercício físico e depressão, e sobre as causas da depressão em si, que já são sabidamente muitas.

Mas este trabalho é necessário e cumulativo, e nos traz cada vez mais perto de entender fenômenos complexos e como eles se relacionam ou não. Mais ainda: podemos desenvolver cada vez mais novas áreas interdisciplinares que vão trazer novas perguntas a serem respondidas.

Referências
Choi KW, Chen C, Stein MB, et al. Assessment of Bidirectional Relationships Between Physical Activity and Depression Among Adults: A 2-Sample Mendelian Randomization Study. JAMA Psychiatry. 2019;76(4):399–408. <https://jamanetwork.com/journals/jamapsychiatry/article-abstract/2720689>

Popular Science – “Exercise really does seem to help with depression” <https://www.popsci.com/exercise-depression>

Wikipedia – Mendelian Randomization <https://en.wikipedia.org/wiki/Mendelian_randomization>

0

Expedição MOSAiC: seguindo os passos de um dos grandes.

Polarstern-Winterexperiment

O navio polar alemão Polarstern. Foto de Stefan Hendricks. 

Aos 28 anos, já não sofro mais de amores platônicos ou daqueles “crushs” sem explicação. Mais ainda há um indivíduo pelo qual nutro uma admiração nada tímida, o que minha mãe chamaria de “ter uma queda por”… Hoje falaremos desse homem: Fridtjof Nansen. E também das mudanças climáticas no Ártico. 

A primeira vez que ouvi falar de Nansen foi relacionado a um tipo de garrafa usada para amostragem de água no oceano, que possui um mecanismo de fechamento automático. Em 1894, Nansen criou um sistema em que um peso de latão chamado “mensageiro” era enviado por um cabo, permitindo que qualquer pessoa fechasse esta garrafa em qualquer profundidade desejada e revolucionando a maneira como investigamos o oceano. Um homem que dominou a arte de se comunicar com profundidade. 

GarrafaNansen

Esquema da Garrafa de Nansen, equipamento de amostragem oceanográfica. Imagem retirada do material da Universidade de Algarve, Portugal. 

Mais tarde, ainda na graduação, aprendi que Nansen foi o primeiro a notar que o oceano se move cerca de 45° para a direita (Hemisfério Norte) do vento predominante. Ele fez isso observando como seu barco flutuava com o gelo através do Oceano Ártico. Um homem que presta atenção aos detalhes.

Naquela época, mal sabia eu que essa deriva não era um passeio de barco comum pelo Ártico. Inspirado nos restos de um barco que afundou na Sibéria e foi descoberto na costa da Groenlândia três anos depois, Nansen projetou uma embarcação com casco arredondado e outras características para suportar a pressão do gelo na esperança de alcançar o pólo norte, o Fram. Apesar do desânimo de outros exploradores polares, Nansen levou o Fram às Novas Ilhas da Sibéria, no leste do Oceano Ártico, congelou-o em um bloco de gelo e iniciou sua expedição de três anos. Ele não alcançou o pólo, mas o Fram desviou-se para o oeste até emergir no Atlântico Norte e ele foi encontrado em Franz Josef Land após sua tentativa de chegar ao topo do mundo a pé. Todo mundo ama um homem interessado em uma aventura.

Fridtjof-Nansen-2

Nansen e o Fram. Imagem de Domínio Público.

A expedição de Nansen inspirou a expedição do MOSAiC, que tem o quebra-gelo alemão Polarstern, preso no gelo na tentativa de replicar o caminho do Fram. Enquanto ele deriva com o gelo, cientistas coletarão dados de pesquisa atmosférica, oceanográfica, biológica e biogeoquímica no caminho, criando um conjunto de dados sem precedentes para entender o sistema Ártico. Tive a chance de fazer parte da primeira etapa desta viagem e trabalhar na configuração inicial dos equipamentos, cruzando meu caminho com o de Nansen mais uma vez. Correndo o risco de ser maquiavélica, devo concordar que “um homem prudente sempre tentará seguir os passos de grandes homens”.

logistic_martin_kuesting-01

Passar um ano “preso” no gelo não é fácil. A expedição MOSAiC enfrenta um grande desafio logístico, incluindo pelo menos 3 aeronaves científicas, 4 navios quebra-gelo de apoio e muita colaboração internacional. 

A Expedição está programada para durar 1 ano e no momento se encontra em sua segunda fase. Na primeira, estive abordo do navio russo RV Akademik Fedorov, como parte de um programa de treinamento para doutorandos e mestrandos que ocorreu em conjunto (MOSAiC School). Fomos incluídos na tarefa de instalar uma rede de apoio ao Polarstern em um raio de 20km-40km da onde ele se encontrava fundeado no gelo. Horas de trabalho no gelo marinho, instalando estações meteorológicas, perfiladores e bóias. Tudo isso combinado a vôos de helicóptero para instalações um pouco mais simples, mas mais numerosas.

Distributed Network

Mapa da Rede de Equipamentos. A estrela vermelha no meio representa o Polarstern, no bloco de gelo escolhido. L-sites foram os locais com mais equipamentos instalados, contendo estações meteorológicas, boias de fluxos, boias de massa e perfiladores (quadrados azuis). M-sites são os locais um pouco menores, contendo medidores de salinidade e temperatura em profundidade, boias de neve e perfiladores (Círculos verdes). Os P-sites representam boias-GPS, que ajudam a monitorar a deformação dos blocos de gelo onde os equipamentos estão e dão uma melhor estimativa da deriva, que pode chegar até 3km por dia.    

MOSAiC School_Group picture

O grupo parte da MOSAiC School no Ártico com o RV Akademik Fedorov ao fundo (Set-Out/2019). Credit: Josephine Lenz.

Agora, o Polarstern está fundeado no gelo e derivando, junto com toda a sua rede de equipamentos de apoio. A deriva pode ser acompanhada pelo web app da expedição, junto com a deriva do Fram em 1893. Lá também se encontram diversas informações, fotos e artigos das atividades desenvolvidas e desafios enfrentados pelos cientistas e tripulação a bordo.

Screenshots do web app da expedição, mostrando a comparação entre as duas derivas. Polarstern à esquerda (azul) e o Fram de Nansen à direita (verde). MOSAiC se propõe a investigar o sistema climático do Ártico de forma integrada o ano todo – uma das maiores áreas desconhecidas da pesquisa climática.

Mas pra quê tanto esforço logístico pra passar um ano no meio do gelo? O Ártico é a área onde os efeitos das mudanças climáticas globais são mais visíveis, com taxas de aquecimento excedendo o dobro da média global e aquecimento ainda maior no inverno. Os cientistas já defendem que o oceano Ártico ficará sem gelo no verão ainda durante o século XXI. Essa mudança dramática não afeta somente o Ártico, impactando o clima em todo o hemisfério norte e fomentando um rápido desenvolvimento econômico na região.

csm_Temperature_changes_58ac497f2f

Mudanças próximas da temperatura da superfície de 1970-2017 (Gráfico: NASA GISS, https://data.giss.nasa.gov/gistemp).

Além disso, as projeções futuras de mudanças climáticas para o Ártico são extremamente incertas, com um fator de três incertezas do aquecimento projetado até o final deste século – uma incerteza muito maior do que em qualquer outro lugar do planeta. Muitos processos no sistema climático do Ártico estão mal representados nos modelos climáticos, porque não são suficientemente compreendidos. Enquanto não entendermos esses processos, as projeções do clima no Ártico não serão robustas.

csm_projected_temperatur_change_66d4275ff8

No Ártico, as incertezas dos modelos climáticos são muito maiores do que em qualquer outra parte do planeta. As projeções do aquecimento até o final do século variam entre 5 e 15 graus Celsius entre os diferentes modelos, para o mesmo cenário (RCP8.5). © Alfred Wegener Institute.

A compreensão dos processos climáticos do Ártico é limitada por falta de observações no Ártico Central, especialmente no inverno e na primavera. Durante essas estações, o gelo do mar é tão espesso que nem mesmo os melhores quebra-gelo de pesquisa conseguem penetrar no Ártico e os pesquisadores sempre ficam trancados. Daí a importância de coletar os dados durante a noite polar! Para melhorar as projeções dos modelos climáticos são preciso dados reais – em todas as épocas do ano. A expedição MOSAiC fornecerá uma base científica mais robusta para decisões políticas sobre mitigação e adaptação às mudanças climáticas e para estabelecer uma estrutura para gerenciar o desenvolvimento do Ártico de maneira sustentável.

Trabalho operacional, auroras, noite polar, -30 graus e ursos polares.  MOSAiC é uma forma ousada e inovadora de buscar entender o sistema climático do Ártico e sua representação nos modelos climáticos globais. Uma experiência sensacional, cujos dados estarão disponíveis para todos a partir de 2023.

20191010_TheaSchneider_small_DSC0594

Trabalhando no gelo. Cientistas enfrentam diversas dificuldades, incluindo utilizar ferramentas finas com luvas grossas. Retirar as luvas com -30°C é arriscado e a exposição precisa ser mínima. Foto Thea Schneider.

Nansen também estava à frente de seu tempo de outras maneiras. De volta do Ártico e com acesso à internet (infelizmente) restabelecido, fui confrontada com meu primeiro “nude masculino” não solicitado de todos os tempos: um nu frontal de Fridtjof Nansen. Ele parece sereno e seguro de si em uma pose destemida, ousada e desafiadora. Assim como sua vida e sua contribuição para a ciência.

Nansen_tag

Nude frontal de Nansen. Foto Dominio Público. 

Que homem! 😉

0

O cérebro e suas redes (bem) complexas

No século XVIII a cidade de Königsberg (na atual Rússia) possuía 7 pontes conectando suas duas ilhas e duas outras porções de terra principais (veja mapa na figura 1). Diz a lenda que as pessoas costumavam se perguntar se seria possível fazer um passeio pelas ilhas atravessando todas as pontes sem repetir nenhuma delas. Até que em 1736, o matemático e físico Leonhard Euler resolveu essa questão considerando que cada pedaço de terra funcionaria como um nó e cada ponte como um link (ou uma conexão) entre os diferentes nós (veja o lado direito da figura 1) [1]. Ele percebeu que uma condição necessária para que todos os links (ou pontes) fossem percorridos uma única vez era que a rede tivesse zero ou apenas dois nós com um número ímpar de links. No primeiro caso qualquer nó poderia ser escolhido como ponto inicial do passeio. No segundo caso, o caminho (que ficou conhecido posteriormente como caminho de Euler) deveria começar e terminar exatamente nos nós com números ímpares de conexões. Note que essa solução se aplica a qualquer rede e não apenas a das pontes de Königsberg. Mas como a rede em questão possuía 4 nós, cada um com um número ímpar de links, Euler garantiu que não seria possível realizar um passeio por esta cidade cruzando cada ponte uma única vez.

texte13pontes

Fig.01: Mapa da cidade de Königsberg em 1736 e sua simplificação para um  estudo de redes. Figura retirada da Ref. [1].

Esta história ficou conhecida como o primeiro problema resolvido do que veio a ser a área do conhecimento que estuda as propriedades das redes complexas e que recebeu o nome de ciência das redes (network science). Desde então, a ciência das redes vem sendo utilizada para resolver problemas em diversas áreas como engenharia de transportes, finanças, genética, ecologia… Recentemente sua aplicação em neurociência ganhou o nome especial de network neuroscience [2] (ainda sem um nome oficial em português podemos chamar a neurociência das redes ou redes cerebrais). A ideia básica continua parecida com o problema das pontes, mas a quantidade de nós e links que podemos estudar é gigantesca. E, portanto, exige o desenvolvimento de novas técnicas de análise de redes e de obtenção de dados reais das redes específicas de interesse. Além disso, a quantidade de perguntas que podemos fazer sobre caminhos e propriedades dessas redes tem aumentado bastante.

Diversos grupos de pesquisa têm se dedicado a descrever da maneira mais detalhada  possível a rede formada por neurônios e sinapses de determinadas regiões do cérebro de diferentes espécies. Em julho deste ano foi publicada a matriz de conectividade completa do sistema nervoso do nematódeo C. Elegans (provavelmente o vermezinho mais querido da ciência) [3]. Em outras palavras, os cientistas descreveram todas as conexões entre os 302 neurônios do animal. Para diversas outras espécies, o que já conhecemos é a matriz de conectividade entre certas regiões do cérebro. Afinal, encontrar a matriz de conexão entre os 85 bilhões de neurônios do cérebro humano [4] parece uma tarefa exageradamente árdua.

Claramente as redes de conectividade dos diferentes animais são algo intermediário entre a total regularidade e a bagunça generalizada. Ou seja, os 302 neurônios do C. Elegans não estão organizados em uma rede regular, como em um cristal, onde cada nó tem a mesma quantidade de vizinhos (exemplo da esquerda na figura 2), nem estão conectados de maneira totalmente aleatória (direita da figura 2). E o que os cientistas têm buscado são propriedades topológicas mais gerais das diferentes redes cerebrais. Assim, seguimos procurando um ponto ótimo entre tentar conhecer o melhor possível a estrutura das redes que nos interessam e tentar extrair propriedades mais gerais dessas redes.

texte13redes

Fig. 02 Modificada da Ref. [5].  Uma rede inicialmente regular onde cada nó possui dois vizinhos vai sendo transformada em uma rede aleatória seguindo uma regra em que sucessivamente escolhemos um nó que pode ter um de seus links removidos com probabilidade p e sorteamos aleatoriamente um outro nó para se conectar com este primeiro. Para valores intermediários de p esta rede é conhecida como mundo pequeno (small word).

No início desse ano, Danielle Basset uma física bastante ativa na área de neurociência das redes e buscando aplicações em medicina, publicou um artigo de revisão sobre a física das redes cerebrais [6]. O artigo é um compilado de como diversas áreas da física podem contribuir para neurociência e em particular para o estudo da topologia dessas redes a partir da análise dos diferentes tipos de dados. Ela salienta que a arquitetura das conexões entre os neurônios ou regiões cerebrais está sempre restrita a necessidade de minimização de energia e eficiência na transferência de informação. Se por um lado precisamos de técnicas para determinar o melhor possível a conectividade anatômica entre as regiões, por outro precisamos ser capazes de determinar a conectividade funcional levando em conta a atividade dinâmica do cérebro durante diferentes tarefas. Nos dois casos podemos determinar a matriz de conectividade das redes e suas propriedades topológicas (ver figura 03).

texte13cerebros

Fig. 03 Modificada da Ref. [6]. Na primeira linha medimos as conexões anatômicas entre as regiões do cérebro e determinamos quais regiões estão conectadas entre si através da matriz de adjacência. Depois estudamos as propriedades da rede formada. Na segunda linha utilizamos a atividade elétrica ou sanguínea das diversas regiões cerebrais e determinamos uma matriz de similaridade dependendo do quanto esses sinais estão correlacionados. Esta é a chamada rede funcional pois pode variar durante a realização de diferentes tarefas cognitivas.

Por exemplo, em um outro artigo Danielle estudou a matriz de conectividade entre regiões do cérebro de quatro animais diferentes: rato, mosca, macaco e humanos [7]. A maioria das conexões nessas redes são de curto alcance, ou seja, conectam regiões próximas, o que reflete as restrições anatômicas e energéticas do sistema. No entanto algumas conexões entre regiões bastante afastadas são (inesperadamente) encontradas. Dado o custo energético dessas conexões longas, espera-se que elas desempenhem um papel importante para o funcionamento do cérebro. No artigo, a cientista mostrou que, diferente do que se acreditava, conexões de longas distâncias no cérebro têm um papel minoritário em reduzir as distâncias topológicas entre os nós da rede. Por outro lado, essas conexões de longo alcance aumentam a complexidade da dinâmica da rede. Graças à análise de mais dados e a combinação dessas análises com modelos teóricos (comparando conectividade estrutural e funcional) foi possível prever uma nova funcionalidade para essas conexões entre regiões distante que seria garantir a diversidade da atividade cerebral.

No começo desse mês, mais uma contribuição para essa área foi publicada dando mais um passo na caracterização da complexidade das redes. Dessa vez, um estudo realizado aqui no Brasil desenvolveu uma nova ferramenta matemática para classificar redes complexas de maneira geral, bem como redes associadas ao cérebro [8]. Utilizando algumas ideias bem estabelecidas de análise de séries temporais os pesquisadores propuseram uma maneira de calcular a entropia de uma rede complexa, baseado na probabilidade de um caminhante aleatório passear pelos diversos nós da rede. (Na analogia das pontes, considerando qual a probabilidade de você atravessar uma certa ponte durante um passeio aleatório pela cidade sem querer chegar em nenhum outro ponto específico.)

Calculando duas medidas específicas baseadas na quantidade de links de cada nó: a entropia de Shannon e a informação de Fisher para redes do tipo regular (vermelho) e do tipo aleatória (azul) eles puderam comparar onde outras redes reais estariam nesse plano.  Em particular, eles mostraram que a rede que descreve a medula da mosca e a retina do rato (respectivamente representadas pelos números #13 e #14 na figura 4) estão em uma região intermediária do plano de entropia podendo ser caracterizada por redes tipo mundo pequeno. Além disso, uma possível extensão dessa ferramenta seria calcular não apenas a entropia mas a complexidade (ou o desequilíbrio) dessas redes. Esperamos que, em breve, essa nova ferramenta possa ser utilizada em dados de outros sistemas nervosos como por exemplos os dados estudados na Ref. [7].

texto13entropia

Fig.04 Modificada da Ref. [8]. Compara as propriedades de redes reais (laranja) com redes simuladas computacionalmente com diferentes valores de densidade de links por nó. Calculando duas medidas estatísticas específicas : a entropia de Shannon e a informação de Fisher para redes do tipo regular (vermelho) e do tipo aleatória (azul) os autores deste trabalho puderam delimitar uma região do plano em que as redes reais se comportariam como rede tipo mundo pequeno.

Referências

[1]  Wikipedia: https://en.wikipedia.org/wiki/Seven_Bridges_of_K%C3%B6nigsberg

[2]  Danielle S. Basset e Olaf Sporns. “Network neuroscience.” Nature neuroscience 20.3 (2017): 353.

[3] Steven J. Cook, et al. “Whole-animal connectomes of both Caenorhabditis elegans sexes.” Nature 571.7763 (2019): 63-71.

[4]  Frederico AC Azevedo, et al. “Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled‐up primate brain.” Journal of Comparative Neurology 513.5 (2009): 532-541.

[5] Duncan J. Watts e Steven H. Strogatz. “Collective dynamics of ‘small-world’networks.” nature 393.6684 (1998): 440.

[6] Christopher W. Lynn e Danielle S. Bassett. “The physics of brain network structure, function and control.” Nature Reviews Physics (2019): 1.

[7] Richard F. Betzel e Danielle S. Bassett. “Specificity and robustness of long-distance connections in weighted, interareal connectomes.” Proceedings of the National Academy of Sciences 115.21 (2018): E4880-E4889.

[8] Cristopher GS Freitas, et al. “A detailed characterization of complex networks using Information Theory.” Scientific reports 9.1 (2019): 1-12.