Classificação de interações sociais em camundongos : avaliação da atividade neural do córtex pré-frontal via imageamento de cálcio e aprendizado demáquina

Abstract

Resumo: A compreensão dos mecanismos pelos quais o cérebro codifica interações sociais com plexas permanece um desafio central na neurociência de sistemas. O presente trabalho teve como objetivo investigar se a dinâmica de atividade de populações de neurônios no Córtex Pré-Frontal (PFC) contém informações suficientes para a classificação au tomatizada de estados comportamentais em camundongos. Para tanto, empregou-se a técnica de microendoscopia de fluorescência combinada com indicadores de cálcio geneticamente codificados, permitindo o registro da atividade de centenas de neurônios em animais em livre movimento durante tarefas de interação social. O processamento dos sinais foi realizado via algoritmo MIN1PIPE, seguido pela análise da topologia da rede através da métrica de Força Nodal Líquida. Subsequentemente, utilizou-se o algoritmo Random Forest para treinar modelos preditivos baseados nos padrões temporais da atividade neural. Os resultados demonstraram que um subconjunto de apenas 10 neurônios foi suficiente para distinguir comportamentos sociais e não sociais com acurácias superiores a 90%, atingindo 98% em sessões específicas. A análise de dinâmica temporal revelou uma convergência entre as escalas de processamento da rede e as transições comportamentais do animal. Além disso, a análise comparativa validada pelo teste t de Welch revelou que neurônios anticorrelacionados apresentam, frequentemente, maior poder preditivo do que neurônios altamente sincronizados. Isso sugere que a sincronia massiva gera redundância, enquanto a segregação funcional fornece o contraste necessário para a codificação eficiente. Conclui-se que o PFC man tém uma representação robusta da interação social baseada no equilíbrio entre coesão e oposição de fase, validando a abordagem interdisciplinar como uma ferramenta eficaz para a decodificação de circuitos neurais

Abstract: The understanding of the mechanisms by which the brain encodes complex social interactions remains a central challenge in systems neuroscience. The present study aimed to investigate whether the activity dynamics of neuronal populations in the Pre frontal Cortex (PFC) contain sufficient information for the automated classification of behavioral states in mice. To this end, fluorescence microendoscopy (miniscopes) combined with genetically encoded calcium indicators was employed, allowing for the simultaneous recording of activity from hundreds of neurons in freely moving animals during standardized social interaction tasks. Signal processing was performed via the MIN1PIPE algorithm, followed by network topology analysis using the Node Strength metric. Subsequently, the Random Forest supervised machine learning algorithm was used to train predictive models based on the temporal patterns of neural activity. The results demonstrated that a subset of only 10 neurons was sufficient to distinguish between social and non-social behaviors with accuracies exceeding 90%, reaching 98% in specific sessions. Temporal dynamics analysis revealed a convergence between the network’s processing scales and the animal’s behavioral transitions. Furthermore, comparative analysis validated by Welch’s t-test revealed that anticorrelated neurons frequently exhibit greater predictive power than highly synchronized neurons. This suggests that massive synchrony generates redundancy, while functional segregation provides the necessary contrast for efficient encoding. It is concluded that the Prefrontal Cortex maintains a robust representation of social interaction based on the balance between cohesion and functional segregation, validating the integration of optical neu rotechnology and artificial intelligence as an effective approach for the study of neural circuits