1

Mais um problema de (falta de) representatividade na academia

Um dos bens mais preciosos entre cientistas é o chamado processo de revisão por pares*.

No mundo ideal este processo deveria levar em consideração apenas o conhecimento científico dos acadêmicos e acadêmicas envolvidos. Mas, infelizmente, nem sempre isso ocorre. Portanto é preciso reconhecer que cientistas são tendenciosos e tentar evitar certos padrões de comportamento opressores.

Quando a probabilidade de duas mulheres negras se encontrarem numa conferência científica for a mesma que a de dois homens brancos se encontrarem a gente pode começar a discutir outros detalhes mais sutis sobre representatividade. Por enquanto, vamos aos números (que infelizmente são apenas de gênero porque a discussão sobre representatividade de raça segue ainda mais atrasada no meio cientifico).

Um artigo recente (Helmer et al. 2017, referência [1]) publicado numa revista científica de alta qualidade analisou dados públicos sobre o gênero de 9 mil editores, 43 mil revisores e 126 mil autores de artigos publicados em jornais do grupo “Frontiers”. Esse estudou pioneiro avaliou os dados de 41 mil artigos publicados de 2007 a 2015 em 142 jornais das diversas áreas: exatas, saúde, engenharia, humanidades, ciências sociais, etc… Trabalhos anteriores eram restritos a disciplinas específicas devido à dificuldade em ter acesso a dados confidenciais sobre editores e revisores.

Off_1_Fig1

Figura 1: Modificada da ref. [1]. Porcentagem de mulheres escrevendo, revisando e editando artigos em diferentes revistas do grupo “Frontiers” no ano de 2015.

Os autores mostraram que as mulheres estão sub-representadas no processo de revisão por pares em todas as áreas. Esta sub-representatividade é ainda maior para editoras e revisoras do que a sub-representatitividade de cientistas mulheres atuando em cada área. Ou seja, a porcentagem de mulheres como editoras e revisoras de artigos acadêmicos é ainda menor do que a (já sub-repesentada) porcentagem de mulheres autoras de artigos. Na figura 1 podemos ver a parcela de autoras, revisoras e editoras em cada revista. Nos mais de 45 jornais mostrados na figura apenas 3 apresentam a porcentagem de revisoras maior ou igual que a de autoras (e ainda assim seguimos sub representadas como editoras). E em apenas um jornal a porcentagem de editoras é igual a de autoras (mas a porcentagem de revisoras é menor). Note que essa falta de representatividade no processo de avaliação por pares não diminui em áreas em que a quantidade de autoras mulher se aproxima de 50%.

Quando todos os jornais são considerados juntos, a fração de mulheres autoras, revisoras e editoras é significativamente menor que a de homens durante todo o período avaliado (ver Figura 2). De todos os trabalhos submetidos para essas revistas no ano de 2015 as mulheres representaram apenas 37% do total de autores, 28% do total de revisores e 26% do total de editores.

Os autores também utilizaram simulação computacional de uma rede de conectividade direcionada de editores para revisores e de revisores para autores para comparar os efeitos de gênero (ver Figura 2a). Eles simularam uma rede com as mesmas propriedades da obtida com os dados reais, mas desconsideraram os efeitos de conhecimento de gênero (mudando aleatoriamente o gênero de cada nó na rede mas preservando a porcentagem de homens e mulheres.) Com isso os autores puderam mostrar que a representatividade de revisoras e autoras é significativamente menor que o que poderia ser ao acaso.

Off_1_Fig2

Figura 2: Modificada da ref [1]. a1) Rede direcional de conexões entre editores e revisores. Cada nó, que representa um pesquisador, possui uma certa quantidade de setinhas chegando (que indica quantas vezes este foi indicado como revisor) e outro número de setinhas saindo (que indica quantas vezes foi editor). a2) Uma rede análoga, com mesmas propriedades mas em que o gênero dos pesquisadores foi modificado aleatoriamente serve como base de comparação entre escolhas tendenciosas e escolhas ao acaso. b) A fração de contribuição a cada ano de editores, revisores e autores separadas por gênero. Quando os dados (bolas e quadrados) são comparados com os dados obtidos com a rede em que o gênero foi aleatorizado, fica claro que mesmo levando em conta a sub-representatividade de mulheres em cada área, as escolhas de revisores e autores também sofreu algum efeito de escolhas tendenciosas.

Finalmente, os autores mostraram que na média a probabilidade de um editor indicar outro homem como revisor é maior que o acaso (veja Figura 3). O que significa, claramente, que a chance dele indicar uma mulher é menor. Através da definição de uma medida de “homofilia” (quanto um editor prefere indicar um revisor do mesmo gênero – já levando em conta que existem mais homens do que mulheres como opção), os autores perceberam que a homofilia está espalhada entre todos os editores homens avaliados. Isto significa que não existe um número mínimo de homens homofílicos que caso não fossem considerados na análise deixariam a rede mais equilibrada (i.e. sem preferência por homens). Em outras palavras, homens indicam outros homens de maneira sistêmica. Consciente ou inconscientemente a esmagadora maioria dos homens avaliados fez isso.

O estudo enfatiza (exageradamente, do meu ponto de vista) que este comportamento homofílico também foi verificado entre mulheres (veja Figura 3). No entanto, é preciso salientar (repetidamente) que os autores verificaram que o mecanismo de homofilia é bastante diferente entre homens e mulheres. A homofilia entre mulheres se resume a um pequeno grupo de editoras que majoritariamente indicam outras mulheres como revisoras. Ou seja, removendo apenas essas editoras da análise a chance de uma editora mulher indicar uma revisora mulher é a mesma dela indicar um revisor homem. Isso nos leva a refletir se o motivo da excessiva homofilia de algumas poucas editoras não é apenas uma resposta a um ambiente extremamente desigual. Ou seja, após perceber que no ambiente acadêmico muitos homens privilegiam outros homens (consciente ou inconscientemente) algumas mulheres passaram a usar como estratégia consciente promover mais mulheres cientistas que homens. Esta atitude, ao contrário de prejudicial como a homofilia entre homens, é totalmente aceitável enquanto houver falta de representatividade.

Portanto, independente das causas que levam homens e mulheres a serem homofílicos, o maior problema do sexismo no processo de avaliação por pares está na falta de representatividade. E claro, sabendo que existem dois problemas distintos – falta de representatividade e homofilia – podemos estar atentos para evitá-los.

Um dos meus conselhos preferidos para acadêmicos que querem combater essas tomadas de decisões tendenciosas é: quando você tiver que indicar um pesquisador como revisor, editor, ou para um comitê, uma banca, uma palestra ou qualquer outra coisa, gaste um minuto a mais tentando lembrar se existe uma mulher daquela área, tão boa quanto o pesquisador que vier primeiro em sua mente. É muito provável que exista, mas que ela não tenha dividido uma cerveja com você ou que vocês não tenham jogado futebol juntos, simplesmente porque vivemos numa sociedade que ainda é segregada (leia mais aqui: a academia e o tapinha nas costas). A mesma sugestão de “gaste um minuto a mais” vale para lembrar de pesquisadores de outras etnias, outros países ou qualquer minoria. Não é que não custa nada… Mas “um minuto” custa bem pouco em nome do poder de mudança dessa atitude.

E aí, você já indicou uma cientista hoje?

 

 

Off_1_Fig3

Figura 3: Modificada da ref [1]. Comparando a probabilidade de uma mulher ser indicada como revisora por outra mulher ou por um homem. Se a escolha fosse independente de gênero todos os valores seriam aproximadamente iguais ao valor obtido “ao acaso” pela rede de conexões mostrada na Figura 2a. Em neurociência nota-se claramente que a homofilia (preferencia pelo mesmo gênero) só foi verificada entre os homens. Nas outras áreas mostradas ocorrem entre homens e mulheres. No entanto, os autores do artigo reportaram que a estratégia homofílica de homens e mulheres é diferente. A homofilia entre homens é sistêmica. (Veja o texto para mais detalhes)

* Explicação do termo específico: processo de revisão por pares (se esse termo te pareceu estranho , e/ou você não é da academia, pode começar por aqui)

Quando um grupo de cientistas realiza uma nova descoberta e escreve um artigo expondo seus resultados, este artigo é submetido a uma revista científica para ser avaliado e, se considerado correto, publicado. Cada um deste grupo que envia o trabalho é um(a) autor(a). O processo de avaliação envolve inicialmente um(a) editor(a), que é um(a) cientista experiente da grande área de conhecimento relativa aquele trabalho, que deve escolher (tipicamente) dois(duas) outros(as) cientistas na área específica do trabalho que poderiam avaliar aqueles resultados. Esses(as) cientistas são chamados(as) revisores(as). Eles(as) devem avaliar se os métodos utilizados para obter o resultado cientifico estão corretos, se o trabalho é reprodutível e como se insere naquela área (se já foi reportado anteriormente, se é uma grande inovação, ou um passo a mais em uma teoria estabelecida). Caso o trabalho seja considerado correto e inédito, do ponto de vista científico, será aceito para publicação.

Referência:

[1] Helmer et al. eLife 2017.

2

Oscilações e sintaxe: entendendo a relação entre a atividade cerebral e a estrutura linguística das frases

A nossa capacidade de armazenar informação por um curto intervalo de tempo está relacionada com o que chamamos “memória de trabalho”. Se alguém te diz um número de telefone e você precisa memorizá-lo temporariamente até poder anotá-lo, você está utilizando esse tipo de memória. No entanto, a quantidade de informação que somos capazes de armazenar parece estar relacionada com o tipo:números, rostos, palavras, etc. Em particular, quando a mensagem é transmitida através da leitura, os cientistas costumam comparar duas situações distintas:  palavras memorizadas formando  uma relação lógica entre si  versus  palavras em uma lista de itens descorrelacionados. Imagine que, por uma razão qualquer, você precisa memorizar uma sequência de 10 palavras. Qual das duas sequências abaixo você acha que seria mais fácil de lembrar?

Dez estudantes felizes viajaram para uma bela praia nas férias

Arroz vestido correm cidade duas carro cor pular ontem feio

Provavelmente a série que forma uma frase da qual você consegue extrair um contexto é a mais fácil de ser memorizada. De fato existe um número típico de palavras que uma pessoa consegue facilmente armazenar (aproximadamente 6) mas este número pode ser bem maior se as palavras formarem uma frase.

Essa distinção entre o processamento mental durante a leitura de uma frase e a leitura de lista de palavras é bastante útil para estudar propriedades sintáticas da estrutura linguística, ou seja, as relações formais entre as palavras numa frase. De acordo com diversos linguistas, a estrutura sintática das frases envolve a criação de estruturas hierárquicas (conhecidas como estruturas “tipo árvore” como a que é mostrada na figura 1). Graças a essas estruturas, subconjuntos de palavras podem ser agrupados para formar, por exemplo, o sujeito da frase. Assim temos que [[dez estudantes] felizes] poderiam ser agrupados como “eles”; ou [uma bela praia] poderia ser agrupada como “lá” ou “um lugar”. Assim, apesar das palavras aparecerem de maneira linear e sequencial, nossa compreensão se dá através de agrupamentos (chamados em inglês de nested phrases).

Se essas teorias estiverem corretas poderíamos, em princípio, ser capazes de observar como o nosso cérebro constrói essas estruturas e o que acontece com a informação armazenada temporariamente nas diferentes regiões corticais após o agrupamento de palavras. Onde e quando estamos aglomerando toda essa informação? Em outros termos, qual a diferença na nossa atividade cerebral quando compreendemos (lendo ou ouvindo) uma lista de palavras e uma frase?

Esse é o tipo de perguntas que une linguistas, neurocientistas e físicos. E uma das maneiras mais atuais de abordar essa questão é através de análise de dados cerebrais (ou usando o termo da moda: neuroimagem). Três artigos super recentes (dois já publicados [1,2] e um que ainda está no bioarxiv [3]) trataram essa questão analisando a atividade cerebral de pessoas durante a seguinte tarefa: ler palavras apresentadas sequencialmente em uma tela com intervalos de centenas de milissegundos. Veja detalhes do experimento realizado [1] na Figura 1.

6_PNAS

Modificado da referência [1]. Exemplo de uma frase utilizada na tarefa (e sua estrutura tipo árvore) e de uma lista de palavras (que não possui uma estrutura hierárquica). Exemplo da potência da atividade cerebral em cada série relativa ao momento em que a última palavra apareceu. Note que as cores vermelhas indicam um crescimento da atividade no final da frase (t=0) que não ocorre no final da lista de palavras. Uma comparação entre as regiões do cérebro em que a atividade aumenta no fim da frase, da lista e a comparação entre os dois casos.

Em uma primeira etapa, cada uma das 80 séries da tarefa as palavras apresentadas formam apenas uma lista descorrelacionada com 3 a 10 palavras. Dois segundos após a última, uma nova palavra aparece na tela e a pessoa deve responder se aquela palavra pertence à primeira lista. Na segunda parte do experimento as palavras formam uma frase de tamanho variável. Dois segundos após a última palavra uma nova frase menor é apresentada e a pessoa deve dizer se esta frase menor tem o mesmo sentido da primeira. Usando o exemplo anterior teríamos algo como:

Dez estudantes felizes viajaram para uma bela praia nas férias ……(2 seg) ….. Elas foram

Arroz vestido correm cidade duas carro cor pular ontem feio ……(2 seg) ….. cidade

O segundo experimento reportado [2,3] é um pouco diferente, mas, em termos gerais, visa comparar lista de palavras e frases. Os três artigos analisaram as oscilações da atividade cerebral no fim da última palavra de cada série e perceberam que certos padrões estavam relacionados à faixa de frequências analisada. Esses resultados parecem convergir para a ideia de que as oscilações em diferentes frequências desempenham papéis diferentes ao longo da leitura.

Um dos grupos [1] descobriu que em diversas áreas do cérebro relacionadas à linguagem a componente da atividade cerebral filtrada em frequências de 70 a 150 Hz (chamada banda de frequência gama entre neurocientistas) cresce sucessivamente com o aparecimento de novas palavras da frase. A mesma, entretanto, decresce subitamente quando uma palavra finaliza uma expressão, podendo ser usada para o agrupamento de uma ideia (por exemplo após a palavra “praia“ na expressão “uma bela praia”). Em particular essa faixa de frequência está relacionada com a atividade elétrica dos neurônios. Em outras regiões corticais, como a mostrada na figura 1 podemos ver que após a última palavra numa frase (que ocorre no tempo t=0) a potência do sinal aumenta bastante (em vermelho), mas o mesmo não ocorre para o fim da lista de palavras. Além disso, o aumento da atividade é proporcional ao número de palavras na frase, e não ao número de palavras na lista.

O segundo grupo [2,3], por sua vez, mostrou que de maneira geral a resposta cerebral à lista de palavras é diferentes da resposta à frase em várias faixas de frequências: teta (~4-7 Hz), alfa (~8-12 Hz), beta (~13-29 Hz) e gama (>30 Hz). Os autores sugerem que cada banda seria responsável por uma tarefa cognitiva diferente: theta facilitaria relembrar o contexto léxico, alfa e beta reflletiriam a unificação semântica. Para eles a informação sintática também seria codificada por alfa e beta, enquanto que para o primeiro grupo a informação sintática (o agrupamento em estruturas hierárquicas) estaria relacionada com gama. Finalmente, o segundo grupo sugere que gamma está relacionada com a capacidade de predição da palavra seguinte numa frase de acordo com o contexto. Além disso, os autores mostraram [3] que o fluxo de informação no final da frase entre as regiões envolvidas em tarefas relacionadas a linguagem é dado esquematicamente pela Fig 2. Este é, possivelmente, o primeiro estudo mostrando a direcionalidade da informação na rede formada pelas regiões corticais relacionadas à linguagem! E muitos acreditam que foram mudanças evolutivas nessa rede que deram aos humanos a capacidade de desenvolver uma linguagem mais rebuscada que a de outros animais. Portanto, muitos outros trabalhos nessa linha devem aparecer por aí.

6_brain

Modificado da referência [3]. A figura mostra esquematicamente a direção do fluxo da informação medido através da causalidade de Granger. Um fluxo unidirecional de informação do córtex parietal (em verde) para o córtex temporal posterior (em vermelho) e deste para o córtex temporal anterior e para o córtex frontal (azul). Além de uma interação bidirecional entre os dois últimos.

Referências

[1] Nelson, Matthew J., et al. “Neurophysiological dynamics of phrase-structure building during sentence processing.” Proceedings of the National Academy of Sciences (2017): 201701590.

[2] Lam, Nietzsche HL, et al. “Neural activity during sentence processing as reflected in theta, alpha, beta, and gamma oscillations.” NeuroImage 142 (2016): 43-54.

[3] Schoffelen, Jan Mathijs, et al. “Frequency-specific directed interactions in the human brain network for language.” bioRxiv (2017): 108753.

0

Oscilações cerebrais e estímulos ambíguos: os altos e baixos da nossa percepção do mundo

Uma questão recorrente em neurociência tenta explicar como o nosso cérebro processa os estímulos que recebemos do mundo exterior através dos nossos sentidos: visão, audição, tato… Várias cientistas concordam que, do ponto de vista filosófico, o cérebro só funciona da maneira como funciona porque está (intimamente) conectado com o que chamamos de realidade. E portanto, ainda que fossemos capazes de produzir uma máquina com as mesmas propriedades do cérebro, seria necessário incorporar a essa máquina certos sistemas sensoriais e alimentá-la com estímulos externos.

Por  outro lado, imagina-se (e até mesmo espera-se) que, enquanto vivencia diversas experiências sensoriais, o cérebro seja capaz de criar modelos para representar o mundo (e sobreviver nele) de maneira autônoma ou auto-supervisionada .

Sendo assim, podemos separar a atividade elétrica gerada no cérebro em dois tipos: uma atividade diretamente relacionada aos estímulos externos apresentados e uma atividade endógena (que se origina no interior do próprio organismo). Esta segunda, pela própria definição, não seria causada (apenas) pelos inputs do mundo exterior.

Um exemplo clássico dessa dicotomia é a ilusão de ótica gerada pelo cubo abaixo (também chamado cubo de Necker):

1200px-Necker_cube

1200px-Necker_cube2

Fig. 1 Cubo de Necker. Algumas vezes percebemos o cubo como se a parede destacada em azul estivesse mais próxima de nós. Outras vezes visualizamos a parede vermelha mais perto.

Apesar da imagem do cubo manter-se imutável, nossa percepção dela pode variar ao longo do tempo. Quando olhamos para o cubo, ocorre algo como um processo bi-estável no nosso sistema visual e ainda que nada esteja mudando na imagem podemos interpretá-la de duas maneiras diferentes. Portanto, é pertinente nos perguntarmos o que está mudando internamente. Ou qual o processo interno comandando esta mudança?

giphy_spinningdancer

Fig. 2: [Animação] Outro exemplo de bi-estabilidade na nossa percepção visual. Com alguma concentração, podemos ver a bailarina girar para um lado ou para o outro, embora o vídeo seja sempre o mesmo. Nesse caso o estimulo externo não é estático, mas é periódico.

Esse tipo de ambiguidade sensorial também pode ocorrer com estímulos sonoros. Lembra daquela brincadeira de ficar ouvindo alguém falar “cajá” repetidamente? Se não lembra, fala aí pra você mesma em voz alta: caja-caja-caja-cajacajacajaca-jaca-jaca. Em alguns momentos você escuta cajá e em outros jaca? O que você acha que está mudando dentro da sua cabeça?

Um trabalho recente (de autoria de quatro mulheres!) deu um passo bastante interessante na resposta dessa pergunta [1]. Elas mediram a atividade eletromagnética do cérebro de voluntários utilizando magnetoencefalografia (MEG) [2] enquanto eles ouviam repetidamente palavras como cajá e jaca. No caso do artigo os participantes falavam francês e ao invés de cajá-jaca o estímulo sonoro foi algo como “plan” e “lampe”.

As autoras pediram que os voluntários se concentrassem em uma das duas palavras possíveis em cada bloco da tarefa. Os resultados confirmaram que durante a tarefa, apesar do sinal acústico ser constante, os voluntários conseguiam manter-se por vontade própria ouvindo apenas uma das duas palavras (“plan” ou “lampe”).

Mais do que isso, elas mostraram que é possível diferenciar a percepção das duas palavras olhando apenas para o sinal eletromagnético gerado pelo MEG. Mas muuuuito mais do que isso, elas mostraram que o que diferencia o sinal gerado pelo nosso cérebro quando escutamos “lampe” do sinal gerado quando escutamos “plan” é a diferença de fase das oscilações cerebrais (veja a figura do artigo e a legenda abaixo).

AnneKosem

Fig. 3: Modificada da Ref. [1]: (A) Na esquerda, correlação entre a atividade do envelope de onda do estímulo sonoro externo e a atividade cerebral durante sequencias em que o voluntário escutava “plan” e outras em que escutava “lampe” para diferentes frequências. Na direita, onde a diferença entre o espectro “plan” e “lampe” é significativa.  (B) Correlação cruzada entre o estímulo sonoro externo e a atividade cerebral para as faixas de frequências em que a diferença era mais significativa. (C) Distribuição das diferenças de fase. Para frequências entre 100-115Hz, os sinais cerebral e acústico estão em fase para “plan” (barra vermelha em 0graus), enquanto que para “lampe” (azul) possuem uma diferença de fase média de 135 graus.

Posso explicar um pouco mais. É bem conhecido que durante diversas tarefas cognitivas os sinais elétricos do nosso cérebro são oscilatórios (algo parecido com uma função sen(θ) ou cos(θ)). No caso do artigo citado, as cientistas comparam as ondas geradas pelo cérebro com as ondas que representam o sinal sonoro emitido: o espectro de Fourier da gravação “plan-plan-planplanplanplanp-lanp-lanp-lampe-lampe” (que, vale enfatizar, é sempre o mesmo sinal).

Elas descobriram que para cada pessoa a diferença de fase entre o sinal cerebral e o sonoro no caso “plan” é um certo ângulo θ, enquanto que diferença de fase entre o sinal cerebral e o sonoro no caso “lampe”  é um outro ângulo α. Note que na Fig. 3C a barra vermelha marca o ângulo θ e a barra azul marca o ângulo α para este voluntário.  Ou seja, temos que para frequências de 100-115Hz  as diferenças de fase são θ=0 e α=135 graus. Enquanto que para frequências de 30-50 Hz as diferenças de fase são θ=145 e α=315 graus (ou equivalentemente -45 graus). Outros voluntários apresentaram outros valores para θ e α, mas de maneira consistente, cada pessoa codifica “plan” com uma fase diferente da que usa para “lampe”.

Com esses resultados as autoras mostraram que através de um processo endógeno somos capazes de alterar a fase da oscilação cerebral de maneira independente do estímulo exterior. Isso é uma grande descoberta sobre a funcionalidade da fase nas oscilações cerebrais. Até pouco tempo, muitos acreditavam que a diferença de fase nas oscilações da atividade elétrica de grupos de neurônios era devida apenas ao tempo de transmissão sináptico entre uma região e outra. E sendo assim, não deveria alterar-se ao longo de uma mesma tarefa cognitiva. Muito menos ser diferente para o mesmo estímulo externo como no estudo citado. Assim, parece que esse artigo contribui para fortalecer uma teoria que vem ganhando força nos últimos anos: a de que não apenas  as oscilações em diferentes frequências, mas também a diferença de fase dessas oscilações funcionam como graus de liberdade extras para processarmos ou codificarmos a informação no cérebro. E isso, mais do que nos permitir “ler a mente” e dizer se a pessoa está percebendo  “cajá” ou “jaca” é um grande avanço no entendimento de como percebemos tais coisas.

Enquanto isso, os mecanismos neuronais responsáveis por essa mudança ainda são objeto de estudo.

Aqui posso fazer uma especulação totalmente pessoal, baseada no que tenho visto dessa área, e puxar a sardinha  para os meus modelos neuronais preferidos. Eu apostaria alguns chicletes que o mecanismo biológico que está por trás desses resultados com diferenças de fase é a variação da intensidade das correntes sinápticas inibitórias na região do córtex auditivo. Mas, por enquanto, isso é só a minha hipótese e ficamos aguardando as cenas dos próximos artigos…

 

Referências

[1] Anne Kösem, Anahita Basirat, Leila Azizi, e Virginie van Wassenhove (2016). High-frequency neural activity predicts word parsing in ambiguous speech streams. Journal of neurophysiology, 116(6), 2497-2512.

Para ler outros trabalhos das autoras: Anne Kösem, Virginie van Wassenhove.

[2] Para ler mais sobre MEG: cilque aqui , ou aqui para ler em inglês.

 

1

Em que região do nosso cérebro são processados os cálculos matemáticos mais complicados?

Ou de maneira alternativa, para que parte do nosso córtex deveríamos acender uma vela e agradecer quando acertamos aquela integral tripla na prova de Cálculo? Ou ainda, qual parte do cérebro devíamos xingar quando não aprendemos a fórmula de Bhaskara pro vestibular? Essas perguntas pareciam estar em aberto até (quase) agora. E grandes cientistas pareciam divergir em suas apostas sobre essas respostas. Em particular, a grande questão era: será que o circuito cerebral que é ativado enquanto fazemos cálculos é o mesmo circuito ativo durante o uso da linguagem?

Provavelmente já ouvimos algumas vezes que a matemática é uma linguagem. Mas será que o nosso cérebro realmente coloca a matemática junto do português, inglês ou mandarim? O Noam Chomsky* escreveu que “a origem da capacidade matemática está na abstração das operações linguísticas” (em tradução livre). Já o Einstein** disse o seguinte: “palavras e linguagem, sejam escritas ou faladas, não parecem possuir nenhum papel importante nos meus mecanismos de pensamentos <!– [sobre física/matemática]”.

No ano passado um artigo da matemática Marie Amalric (e seu orientador de Doutorado) na revista americana PNAS (Proceedings of National Academy of Science) [1] deu uma resposta bastante elegante a essas perguntas. Utilizando técnicas de imageamento (fMRI) para escanear a atividade cerebral de matemáticos profissionais, os autores mostraram que os processamentos matemáticos de alto nível ocorrem em regiões cerebrais que não se superpõem àquelas responsáveis por processamentos de linguagem verbal (veja a Fig. 1).

Fig1Texto4

Figura 1: Nas regiões em vermelho a ativação é significativamente maior durante tarefas que incluem ouvir ou ler textos do que durante o repouso. Nas regiões amarelas a atividade é maior quando o matemático reflete sobre (A) o significado de uma frase matemática do que o de uma frase não-matemática; (B) o significado de uma frase matemática com sentido do que o de uma frase matemática sem sentido. Reproduzida da Ref. [1].

 

Ao longo do estudo, os voluntários escutaram diversas frases sobre matemática e sobre conhecimentos gerais e deviam decidir se cada uma era verdadeira, falsa, ou sem sentido (ver Fig. 2A).

Exemplos de frases sobre conhecimento geral (não-matemáticas):

  • Verdadeira: Exceto pelo Vaticano, Gibraltar é o menor país do mundo.
  • Falsa: O metrô de Paris foi construído antes do de Istanbul.
  • Sem sentido: Um poeta é predominantemente verde na taxa sobre o metrô.

Exemplo de frases matméticas:

  • Verdadeira: Uma função suave cujas derivadas são todas não-negativas é analítica.
  • Falsa: Uma desigualdade entre duas funçõs permanece válida para suas funções primitivas.
  • Sem sentido: Em médias finitas, a expansão em série das raízes de um mapa holomórfico é reflexiva.

A taxa de acerto entre os matemáticos foi de 63% e 65% para as frases matemáticas e não-matemáticas respectivamente, indicando que a dificuldade das duas tarefas eram similares (ver Fig.2B). Para os não-matemáticos, a taxa de acerto das frases não-matemáticas foi de 64% enquanto para as específicas de matemática, a taxa de acerto foi de 37%.  Note que a taxa de acerto ao acaso quando se tem três opções de resposta (verdadeira, falsa, ou sem sentido) é 33%.

Fig2Texto4

Figura 2: A tarefa consiste em ouvir uma frase, ter um período para refletir sobre o sentido da frase e em seguida apertar um de três botões escolhendo se ela é verdadeira, falsa, ou semsentido. (B) A taxa de acertos dos matemáticos (em preto) e dos não matemáticos (em cinza) quando as frases eram sobre matemática ou conhecimento geral (não-matemática). Reproduzida da Ref. [1].

Os resultados de imageamento cerebral sugerem fortemente que a interpretação de frases sobre matemática avançada (ainda que não falem explicitamente de números ou formas geométricas como nos exemplos acima) requerem o mínimo da utilização de regiões cerebrais responsáveis pela linguagem usual. Mais importante ainda, nos matemáticos, todos os domínios matemáticos testados (algebra, análise, topologia, e geometria) recrutam regiões dos dois hemisférios (regiões prefrontal, parietal e temporal inferior), que são ativadas quando matemáticos ou não-matemáticos manipulam números simples mentalmente, ou realizam tarefas espaciais.

Assim, parece que esses resultados podem nos levar a uma reformulação da frase do Chomsky: “a capacidade matemática está na abstração das operações de reconhecimento numérico ou espacial“.

Além disso, estes resultados podem ajudar a entender outros estudos sobre educação, explicando o motivo da correlação encontrada entre a habilidade de crianças em reconhecer números e tarefas de reconhecimento espacial antes de possuirem linguagem falada e seu posterior desempenho nas disciplinas de matemática na escola. E também podem vir a explicar o porquê de algumas pessoas que possuem afasia (perda da capacidade de compreensão de linguagem) não apresentarem acalculia (incapacidade de fazer contas matemáticas) ou vice-versa.

[1] AMALRIC, Marie; DEHAENE, Stanislas. Origins of the brain networks for advanced mathematics in expert mathematicians. Proceedings of the National Academy of Sciences, v. 113, n. 18, p. 4909-4917, 2016.

*Chomsky é um linguista, filósofo, cientista cognitivo, ativista político que, de tão importante, tem o dia do seu nascimento comemorado como Natal no filme Capitão Fantástico.

** Como física eu aceito fácil que você não conheça o Chomsky, mas o Einstein…. Hmmmmm … é aquele mesmo com a língua pra fora.

1

Ome sweet ome

Baseado no sucesso do projeto genoma na década de 90 (The Human Genome Project) , que possibilitou a descoberta da sequência completa do genoma humano, surgiu recentemente o “Human Connectome Project”, que pretende mapear as conexões cerebrais [1]. Mas para além dos resultados acadêmicos obtidos, a expressão -ome parece ter agradado os cientistas e poderia se dizer que está na moda. Surfando nessa onda, apareceram diversos outros termos: proteome, transcriptomes, epigenome, microbiome, brainnetome… E o mais novo do mercado, candidato a queridinho do ano (aqui em casa) é o oscillome [2].

Apesar das oscilações aparecem em diversas áreas da física e da biologia, por enquanto, o termo está relacionado apenas às oscilações cerebrais. Em particular, oscillome se refere a uma nova leva de artigos sobre oscilações corticais durante a realização de tarefas que envolvem a compreensão da linguagem. Se a nova expressão vai cair nas graças da academia ainda não dá pra saber, mas o tema “oscilações e linguagem” parece que veio para ficar. Vários experimentos têm relacionado frequências de oscilações da atividade elétrica do cérebro com experimentos de leitura e audição que necessitam reconhecimento da linguagem. Por um lado, os avanços tecnológicos têm permitido medidas dos sinais elétricos com menos ruídos e mais fáceis de serem interpretadas. Por outro lado, estudar a linguagem através de métodos de imageamento cerebral parece ser uma área promissora, se queremos entender que aspectos do nosso cérebro são intrisecamente diferentes de outros primatas e desenvolver métodos de aprendizado mais eficientes para crianças e adultos.

Um experimento bem recente e interessante mostrou que quando compreendemos o significado de uma sentença, a frequência de oscilação elétrica do nosso cérebro é diferente daquela medida quando ouvimos palavras aleatórias [3]. Em outras palavras, a frequência pode estar codificando nossa interpretação da frase. Pareceu muito abstrato? Vou tentar explicar…

Utilizando magnetoencefalografia [4], o grupo de Ding e colaboradores mediu a atividade elétrica do cérebro de voluntários enquanto ouviam algumas listas de palavras [3]. Na primeira parte do experimento, os voluntarios escutaram uma lista de palavras descorrelacionadas (Itália, estuda, rato, menina) apresentadas em uma frequência específica de quatro palavras por segundo, ou 4Hz. Durante esta etapa, foi verificado que a atividade elétrica de algumas regiões do cérebro oscila na mesma frequência de 4Hz. Para os mais matemáticos, a transformada de Fourier do sinal cerebral apresenta um pico em 4Hz. Para os mais visuais, a potência do sinal elétrico mostrada na Figura 1e possui um pico em 4Hz.

Até aqui, o que podemos concluir é que o nosso cérebro reconhece uma frequência que nos foi imposta.

Ou seja, se olharmos apenas para o sinal elétrico, poderíamos dizer quantas palavras foram apresentadas por segundo. Portanto, o resultado deve ser o mesmo se a lista de palavras for no nosso idioma, ou em um outro que não conhecemos. E, de fato, no experimento foram avaliadas pessoas que falam inglês (mas não falam chinês) e pessoas que falam chinês, e o pico em 4Hz foi encontrado tanto para frases em inglês como em chinês.

Mas a descoberta super incrível vem agora. Na segunda parte do experimento, os voluntários ouviram uma lista de palavras que juntas passam a ter sentido de frase (menina, ama, sorvete, gelado). Assim, além de 4 palavras por segundo (4Hz) podemos inferir que temos duas expressões simples por segundo (menina-ama, sorvete-gelado: 2Hz) e uma frase inteira por segundo (menina-ama-sorvete-gelado: 1Hz). Mas essas novas frequências não são uma propriedade do som que foi imposto ao voluntário, e sim a interpretação do nosso cérebro sobre o significado da lista de palavras. Ou seja, se a lista de palavras estiver no nosso idioma, podemos fazer esse reconhecimento. Mas se a lista de palavras estiver num idioma que não entendemos, não somos capazes de agrupar expressões e frases.

A pergunta que Ding respondeu com sucesso foi: olhando para o sinal elétrico é possível saber se o voluntario reconheceu a frase? E a resposta é: sim!

De fato, quando os voluntários ouviram listas de palavras que formavam uma frase no seu próprio idioma, além da frequência de 4Hz, apareceram outras duas frequências nos sinais elétricos medidos: 2Hz e 1Hz. (A transformada de Fourier do sinal apresentou picos em 1, 2 e 4 Hz, e a potência do sinal elétrico na Figura 1f possui três picos!). Para tirar a prova dos nove, quando os voluntários ouviram as listas em um idioma que não entendem (e portanto não sabem interpretar expressões de duas palavras nem frases de quatro palavras) a atividade elétrica do cérebro só apresentou a frequência de 4Hz.

figure

Figura 1: Modificada da Ref. [3]. Potencia do sinal elétrico cerebral em função da frequência desse sinal para voluntários escutando uma lista de palavras: (e) descorrelacionadas e (f) que formam uma frase com significado.

Este resultado pode ser entendido como o nosso cérebro agrupando as expressões! As novas frequências que surgem são o resultado da nossa interpretação sobre o mundo. Agora, por exemplo, só olhando para o sinal elétrico do cérebro (mais especificamente para as frequências desse sinal), podemos dizer se está ocorrendo um reconhecimento do idioma ou não.

Sendo bem honesta, o verdadeiro papel das oscilações no cérebro ainda não é conhecido, muito menos sua relação com a linguagem, a importância de cada frequência ou mesmo a fase do sinal. Existem diversas teorias publicadas, vários resultados experimentais fortalecendo algumas delas, e um monte de cientista tentando entender melhor tudo isso. Mas por muitos anos as comunidades que estudavam oscilações e linguagem estavam separadas, de modo que só temos a ganhar com esse (re)encontro.

[1] Lichtman, Jeff W., Joshua R. Sanes. “Ome sweet ome: what can the genome tell us about the connectome?.” Current opinion in neurobiology 18.3 (2008): 346-353.

[2] Murphy, Elliot. “A Pragmatic Oscillome: Aligning Visual Attentional Mechanisms with Language Comprehension.” Frontiers in Systems Neuroscience 10 (2016).

[3] Ding, Nai, et al. “Cortical tracking of hierarchical linguistic structures in connected speech.” Nature neuroscience 19.1 (2016): 158-164.

[4] https://en.wikipedia.org/wiki/Magnetoencephalography

0

Neurociência computacional: como a física (e a galera de exatas) pode nos ajudar a entender o cérebro

O desejo de entender a natureza é a força que move a ciência. Nossa habilidade em desenvolver modelos para descrever o mundo e usá-los para fazer predições tem sido fundamental, tanto para nossa evolução quanto para nossa sobrevivência. Por isso, pode-se dizer que uma das especialidades do nosso cérebro é “construir modelos”. Há quem use esta ideia, inclusive, como a própria definição de cérebro. Em última análise, o cérebro seria “a máquina que constrói a realidade” [1]. Ou de maneira menos mecanicista, a estrutura ou o organismo que interpreta (o que chamados de) realidade.

Entender quais os mecanismos que ocorrem no nosso cérebro durante essas atividades de interpretação e predição é um dos grandes objetivos de físicos envolvidos com neurociência. Em particular, existe uma área de pesquisa que busca quantificar o fluxo de informação no cérebro e como este fluxo está associado aos sinais elétricos dos neurônios e a atividades cognitivas como aprendizado e memória. Essa área tem atraído uma quantidade cada vez maior de profissionais de física, matemática, engenharia, etc, devido às suas habilidades de desenvolverem modelos matemáticos e computacionais que podem ser comparados com dados experimentais neurofisiológicos. E graças ao destaque que a galera de exatas vem ganhando nesse campo, em março desse ano, a revista Nature Neuroscience dedicou uma edição inteira à chamada Neurociência Computacional e Teórica [2].

Uma das grandes questões que podem ser abordadas nessa linha relaciona a conectividade da rede formada por neurônios e sinapses (rede anatômica ou estrutural) com a conectividade da rede gerada pelo fluxo de informação, i.e., pela atividade elétrica dos neurônios (rede funcional) [3]. Uma das minhas analogias preferidas compara esse problema (da conectividade cerebral) com o do fluxo de carros em uma cidade. O mapa das ruas e avenidas de uma grande cidade é fixo (ou, pelo menos, muda lentamente com a construção e/ou destruição de novas vias), enquanto o tráfego dos carros por essas vias pode variar bastante em poucas horas. Por exemplo, pela manhã o trânsito costuma ser intenso na direção do centro ou de complexos industriais, mas no fim do dia o fluxo costuma se inverter, e o trânsito aumenta na direção dos bairros residenciais. Da mesma maneira, podemos pensar sobre o funcionamento do nosso cérebro. A distribuição anatômica das sinapses é praticamente fixa (ou muda lentamente devido à plasticidade cerebral) e pode ser comparada com o mapa das ruas e avenidas. Por outro lado, os sinais elétricos enviados através das sinapses para as diversas regiões de cérebro, ou o fluxo de informação trocado entre os neurônios, seria equivalente ao fluxo de carros ao longo das ruas. Tanto o fluxo de carros como o de informação elétrica podem variar rapidamenteser mais intenso em determinados momentos do dia, ou em certas áreas mas os dois guardam estreitas relações com o mapa físico sobre o qual são construídos (mapa das ruas ou mapa anatômico).

Uma diferença nessa analogia é que o tráfego dos carros poderia, a princípio, ser monitorado por diversas câmeras espalhadas pela cidade, enquanto o nosso cérebro, além de estar escondidinho dentro da caixa craniana, possui da ordem de 1015 sinapses! Um número exageradamente maior do que o de ruas em uma grande cidade [4]. Portanto, precisamos descobrir maneiras inteligentes de monitorar o fluxo da atividade elétrica dentro do cérebro para entender como pensamos, aprendemos, lembramos. Além disso, precisamos desenvolver modelos biologicamente plausíveis que descrevam a atividade elétrica dos neurônios ou das regiões corticais. Conectando milhares destes neurônios, é possível estudar como a topologia da rede interfere na sua atividade global; como diversos mapas dinâmicos, associados a diferentes atividades cognitivas, podem surgir de um mesmo mapa anatômico. Ou ainda, precisamos entender como a atividade cerebral varia quando agrupamos tipos diferentes de células nervosas, quando consideramos neurônios excitatórios e inibitórios, ou a presença de ruído, ou quando adicionamos atrasos no tempo gasto para as correntes elétricas percorreram determinadas distâncias.

Este processo interativo de desenvolver modelos, comparar com os dados, fazer predições, testá-las, melhorar os experimentos, melhorar os modelos, comparar novamente com os dados, etc, tem permitido uma compreensão cada vez maior do que acontece no cérebro em diferentes escalas espaciais (molecular, neuronal, cortical), e temporais (milissegundos, horas, anos). Mas muito além da perspectiva de aumentar nossa compreensão sobre o que é consciência, o que são os pensamentos e as memórias, como podemos usar o nosso cérebro para estudar o próprio cérebro, todo esse longo processo científico tem ajudado de maneira bem prática a desenvolver melhores estratégias de aprendizagem, diagnósticos mais precisos e tratamentos cada vez mais eficientes de diversas doenças cognitivas e neurodegenerativas.

Referências:

[1] Um dos TED talks mais legais sobre o cérebro que conheço, apresentado por um físico: TEDxBuenos Aires. Mariano sigman: La maquina que construye la realidad. https://www.youtube.com/watch?v=1y8hiuBUnV8

[2] Edição especial da revista Nature Neuroscience sobre Neurociência Computacional e Teórica: http://www.nature.com/neuro/focus/neural-computation-and-theory/index.html#ed

[3] Bullmore, E. & Sporns, O., 2009. Complex brain networks: graph theoretical analysis of structural and functional systems. Nature Reviews Neuroscience, 10(3), pp.186-198. http://www.nature.com/nrn/journal/v10/n3/abs/nrn2575.html

[4] Olhando no Google Maps, a ilha de Manhattan possui cerca de 250 avenidas ao longo do eixo mais comprido e pouco mais de 10 ao longo do eixo perpendicular. Supondo que o mapa das ruas fosse uma rede retangular regular isso daria pouco mais de 2500 cruzamentos (ordem de 103 <<< 1015 ).

0

O que é Física? Ou melhor, será que isso importa (tanto)?

Quando uma física calcula a dosagem de radiação para um paciente com câncer isso é física ou medicina? Quando um físico descobre a estrutura do DNA, isso é física ou biologia? Quando uma física descobre as propriedades radioativa de um novo elemento isso é física ou é química? Quando um engenheiro descobre por acaso a radiação de micro-ondas de fundo isso é física ou engenharia?

A famigerada pergunta “O que é física?” costuma gerar debates acalorados. No entanto, a resposta a essa pergunta, além de complexa, tem mudado bastante nas últimas décadas. Nessa era da ciência interdisciplinar em que frequentemente nos deparamos com termos como física biológica, econofísica, sociofísica, física médica, física computacional e tantos outros, definir física apenas como a ciência que estuda as propriedades da matéria e energia parece demasiadamente simplista. Por outro lado, a definição preferida de muitos colegas – “Física é a ciência que estuda a natureza” – apesar de abrangente e empolgante, pode soar um pouco esnobe.

Sendo assim, em uma tentativa inovadora de responder a esta pergunta de maneira científica, a italiana Roberta Sinatra e seus colaboradores publicaram recentemente na Nature Physics [1] um estudo sistemático, baseado em uma ideia intrigante: “Física é o que físic@s fazem”.

Nesse estudo, a equipe de Sinatra desenvolveu um algoritmo que analisou mais de 42 milhões de artigos no Web of Science publicados entre 1900 e 2012 e suas referências. Desses artigos, 2,4 milhões foram publicados em uma das 242 revistas de física e considerados como o núcleo principal da área. Utilizando um estudo de redes (uma outra área super interdisciplinar!) onde os artigos são os nós e as citações são os links da rede, eles mostraram que 3,2 milhões de publicações fora do núcleo principal possuem as mesmas propriedades estatísticas das que pertecem ao núcleo. Ou seja, desconsiderando a revista onde foi publicado, um artigo qualquer destes 3,2 milhões pode ser tão influente sobre os artigos do núcleo quanto qualquer outro trabalho do próprio núcleo. Por isso estas pesquisas diretamente relacionadas ao núcleo principal foram consideradas como a região da fronteira entre a física e as outras áreas, e portanto foram chamadas de interdisciplinares.

Para garantir que esta região interdisciplinar é tão física quanto qualquer física, eles ressaltaram que entre estes 3,2 milhões de artigos da fronteira estão algumas publicações que deram origem a 6 prêmios Nobel de Física, entre elas o modelo de Hubbard para partículas interagentes de 1963 e o estudo das redes neurais de Hopfield de 1982, além de diversas outras pesquisas de grande impacto para a física.

Que tal, então, abrir um pouco as caixinhas rotuladas como Física, Matemática, Química, Biologia… e olhar para o que tem acontecido de incrivelmente interessante na interface dessas áreas?

Referência:

[1] Roberta Sinatra, Pierre Deville, Michael Szell, Dashun Wang, Albert-László Barabási. A century of physics, Nature Physics 11, 791-796 (2015).