Durante o sono profundo, um fluido semelhante à água circula pelo cérebro, ajudando a remover resíduos metabólicos associados a doenças como o Alzheimer. Este processo de limpeza faz parte do sistema glinfático, que foi descrito pela primeira vez em 2012 por Miken Nedregaard – um neurocientista pioneiro e codiretor do Centro de Neurociência Translacional da Universidade de Rochester.
Os cientistas ainda não compreendem completamente como este sistema funciona, incluindo um detalhe importante: a rapidez com que o fluido se move dentro e fora do cérebro. Medir essa renovação lenta dentro do cérebro vivo é particularmente desafiador porque os pesquisadores precisam de métodos que possam observar esse processo sem causar danos permanentes.
O desafio de medir o fluxo do líquido cefalorraquidiano
“Você pode colocar um microscópio em uma pequena parte do cérebro e observar o que está acontecendo lá com grande detalhe, e já trabalhamos com esse tipo de dados no passado, mas esta é apenas uma pequena visão do processo geral”, diz o professor Douglas Kelly, do Departamento de Engenharia Mecânica de Eurochester. “Se você deseja obter imagens de todo o cérebro, a ressonância magnética é um ótimo método porque oferece uma visão tridimensional. Mas a ressonância magnética também tem sérias limitações, a maior das quais é que ela não registra a velocidade do fluxo de fluido, pelo menos para fluxos tão rápidos.”
Para superar essa limitação, Kelly e pesquisadores da URochester, da Brown University e da Universidade de Copenhague usaram inteligência artificial. Em um novo estudo que Avanço da ciênciaa equipe descreve uma abordagem de inteligência artificial baseada na física para calcular a velocidade do fluxo de fluido a partir de dados de ressonância magnética (MRI).
Os pesquisadores treinaram redes neurais usando vídeos que mostravam a propagação da cor ao longo do tempo no tecido cerebral. Ao analisar como o corante se move, a IA pode estimar a velocidade do fluido e a permeabilidade do tecido cerebral circundante.
Duas velocidades muito diferentes dentro do cérebro
As descobertas revelaram duas vias principais pelas quais o sistema glinfático remove partículas do cérebro, incluindo as proteínas beta-amilóides associadas à doença de Alzheimer – e as velocidades destas vias diferem dramaticamente.
Nas áreas mais abertas ao redor do cérebro, incluindo o espaço próximo à superfície entre o crânio e o cérebro, o fluido semelhante à água se move a uma velocidade de alguns mícrons por segundo. No entanto, nas profundezas do tecido cerebral, o fluido se move muito mais lentamente. Os pesquisadores descobriram que esse fluxo mais profundo é cerca de 50 vezes mais lento.
A equipe está atualmente usando animais como ratos para fazer medições básicas de como o fluido normalmente se move no cérebro. Essas medições ajudam os pesquisadores a desenvolver e melhorar ferramentas de IA. Eventualmente, eles esperam comparar os padrões de circulação entre cérebros saudáveis e doentes, bem como entre cérebros jovens e velhos.
Para medir o cérebro humano
Um importante objetivo de longo prazo é expandir a abordagem ao público. Medir a circulação de fluidos dentro e ao redor do cérebro humano pode abrir novos caminhos para o estudo de doenças neurológicas e lesões cerebrais.
“Estamos trabalhando duro para poder medir o fluxo de fluidos semelhantes à água dentro e ao redor do cérebro humano, porque então as aplicações clínicas se tornarão mais importantes e emocionantes”, diz Kelly. “Esperamos que um dia possamos ver se um paciente com Alzheimer tem má circulação no cérebro, ou até mesmo rastrear a má circulação no início da vida para prevenir a doença de Alzheimer. Ou podemos observar quando alguém teve uma concussão para ver se a circulação de fluidos no cérebro está prejudicada. Este estudo nos traz um passo mais perto disso.”
Esta pesquisa é apoiada pelo Centro Nacional de Saúde Complementar e Integrativa do NIH e pela Iniciativa NIH BRAIN. Os colaboradores gerais neste estudo incluem o estudante de doutorado da Brown University, Juan Diego Toscano, cientista computacional da Eurochester, Yasen Guo, estudante de doutorado da Brown University, Zhibo Wang, estudante de doutorado da Eurochester, Mohammad Vaezi, professor assistente da Universidade de Copenhague, Yuki Mori, professor da Brown University, George Karniadaki, professor da Brown University, George Karniadaki.
