Uma Visão Não-Autista (interdisciplinar) do

Autismo

Luís Alfredo Vidal de Carvalho

COPPE/UFRJ – Programa de Engenharia de Sistemas e Computação

Caixa Postal 68511, Rio de Janeiro, RJ, CEP 21945-970

E-mail: Okay@IamWaiting.com

Nivea de Carvalho Ferreira

COPPE/UFRJ – Programa de Engenharia de Sistemas e Computação

Caixa Postal 68511, Rio de Janeiro, RJ, CEP 21945-970

Adriana Fiszman

Instituto de Psiquiatria – IPUB/UFRJ

Av Venceslau Brás 71 – Botafogo, Rio de Janeiro, RJ

E-mail: afiszman@rio.com.br

Unitermos: Autismo, Córtex, Neurogênese, Ciência Cognitiva, Plasticidade Neuronal

Resumo

O autismo é um transtorno mental caracterizado por déficits na socialização,

comunicação e imaginação. Em contraste com estas deficiências, as crianças autistas

podem apresentar algumas capacidades isoladas especiais denominadas “ilhas de

habilidades” como, por exemplo, a facilidade para a aritmética, música e desenho, além de

excelente memória fotográfica, memória para dados e detalhes. A co-ocorrência de

epilepsia e retardo mental volveu a atenção dos pesquisadores para as teorias

neurobiológicas e cognitivas da síndrome. O presente trabalho propõe um modelo para esta

síndrome que reune os aspectos Neurobiológicos, Psicológicos e Computacionais do

autismo. Uma rede neuronal artificial capaz de definir mapas corticais --- projeções

sinápticas que preservam vizinhanças entre duas camadas de tecido neuronal --- foi

projetada para simular o processo de neurodesenvolvimento. Experimentos foram

realizados reduzindo-se o nível da substância fator de crescimento neuronal liberada pelos

neurônios, resultando em mapas corticais mal-desenvolvidos e sugerindo a causa da

neurogênese aberrante presente no autismo. As simulações computacionais sugerem que as

regiões do cérebro responsáveis pela formação das representações de mais alto nível estão

mal formadas nos pacientes autistas. A perda desta representação integrada do mundo pode

resultar em déficits cognitivos específicos na socialização, comunicação e imaginação e

pode, também, explicar algumas ilhas de habilidades. O modelo neuronal é baseado em

achados biológicos e em teorias cognitivas recentes do autismo. Algumas relações entre as

propriedades computacionais do modelo de rede neuronal e a teoria cognitiva do autismo

denominada Teoria da Fraca Coerência Central são estabelecidas, resultando em uma

nova visão integrada para a etiologia do transtorno

I. Introdução

O Autismo é um transtorno psiquiátrico que foi descrito pela primeira vez por Eugen

Bleuler em 1911. Suas observações sobre a perda do contato do paciente com a realidade e

a sua grande dificuldade de comunicação, o fizeram utilizar o termo “autismo” para a

doença. Mais tarde, em 1943, Leo Kanner observou quatro características fundamentais na

doença: extrema solidão, falha no uso da linguagem para fins comunicativos, insistência na

mesmice e tendência a repetir as mesmas ações de forma ritualizada (27). Ao mesmo

tempo, porém independentemente, Hans Asperger utilizou o mesmo termo para se referir às

características centrais do transtorno (3).

A percepção crescente do autismo como uma entidade nosológica distinta levou à

intensificação das pesquisas e ao desenvolvimento dos primeiros critérios diagnósticos

operacionalmente precisos por volta de 1978 (40, 43). Quase simultaneamente, outros

autores (49) definiram o que eles pensavam ser as características centrais da doença:

deficiências na socialização, comunicação e imaginação. Estas características formam uma

tríade, pela sua co-ocorrência e por persistirem durante o desenvolvimento da criança,

apesar de sua manifestação externa estar sujeita a mudanças.

A noção da tríade representa uma visão mais abrangente do espectro autista do que a

apresentada por Kanner e forma a base para os critérios diagnósticos atuais, como descrito

na 4ª edição do Manual Diagnóstico e Estatístico de Desordens Mentais, DSM-IV (2). Os

critérios diagnósticos expressos no DSM-IV para Transtorno Autista são coerentes com os

critérios contidos no CID-10 (10ª edição da Classificação Internacional de Doenças) (48)

para Autismo Infantil, ambos listados sob o título genérico de Transtorno Invasivo do

Desenvolvimento. Os critérios do DSM-IV e da CID-10 podem ser resumidos como perda

qualitativa de comunicação social e padrões de comportamento e interesse restritos e

repetitivos. Estas características devem ser evidentes até os três anos de idade, embora o

diagnóstico seja feito, normalmente, muito mais tarde.

Juntamente com a perda da linguagem verbal e gestual, contato visual pobre, ecolalia,

perseveração e baixa capacidade de generalização, alguns pacientes autistas

(aproximadamente um caso em dez) demonstram habilidades excepcionais em atividades

que envolvem cálculos matemáticos complexos, memória, desenho e música. Este

desempenho elevado na realização de tarefas cognitivas isoladas é denominada “ilhas de

habilidade”, não sendo um fenômeno dependente do aprendizado mas espontaneamente

emergente. As ilhas de habilidade ainda não possuem uma explicação e parecem ser

específicas do autismo, pois outros tipos de incapacidade mental ou transtorno do

desenvolvimento não estão associados a este perfil cognitivo (20).

De acordo com o critério rigoroso aplicado por Kanner, o autismo é uma doença que

aparece em quatro de cada 10.000 nascimentos. Com os critérios diagnósticos mais

genéricos usados na prática clínica, a incidência é mais alta: um ou dois em 1.000

nascimentos, aproximadamente a mesma da síndrome de Down (13). A relação entre

homens e mulheres acometidos pela doença é de 2 a 2.9 para 1, embora a preponderância

nos homens seja maior quando utilizado o critério mais restrito de Kanner, com relação

entre os sexos variando de 2.6 a 5.7 para 1.

O retardo mental é uma característica comumente presente no autismo, apesar de não

versar na sua definição. Aproximadamente três-quartos da população autista tem o QI no

limite definido como retardo mental. Apesar do QI global baixo, as habilidades intelectuais

das crianças autistas mostram variações marcantes, caracterizadas por altos e baixos,

conferindo um perfil espiculado (spiky profile) aos testes neuropsicológicos que intrigam os

estudiosos ainda hoje.

Durante duas décadas após o artigo original de Kanner, os pesquisadores tentaram

descobrir uma causa orgânica para a doença mas, na ausência de claras evidências

neurológicas, seus esforços foram em vão. Teorias psicodinâmicas surgiram

responsabilizando os pais pelos sintomas de seus filhos e resultando numa infinidade de

terapias ineficazes.

Duas grandes classes de condições médicas estão associadas ao autismo: as de base

genética (como esclerose tuberosa e síndrome do X frágil) e as esboçadas em infecções pré,

peri e pós-natais (como a embriopatia por rubéola e a encefalite por herpes). As condições

genéticas podem representar traços familiares ou mutações espontâneas. Todos os estudos

realizados com gêmeos dão suporte à existência de uma contribuição genética bastante

significativa para o autismo. A principal hipótese para o modo de transmissão é a que

propõe que a diátese é multifatorial, com vários genes contribuindo de forma aditiva para a

dimensão de vulnerabilidade ao autismo (11).

Estudos neuropatológicos têm mostrado um aumento da densidade neuronal e a

presença de neurônios menores que o normal no hipocampo, amígdala, córtex entorrinal e

giro do cíngulo. Foi observada ainda uma perda neuronal na área de Broca e córtex

cerebelar (5), além de ramificações dendríticas reduzidas nas células piramidais das áreas

CA1 e CA4 do hipocampo (37). Imagens obtidas através de Ressonância Nuclear

Magnética revelaram anormalidades no romboencéfalo e no telencéfalo consistentes com os

achados neuropatológicos descritos acima (8). Aparentemente, existe uma variação na

neuropatologia do autismo que inclui padrões anormais de conexão --- provavelmente,

devido a problemas de migração neuronal durante o desenvolvimento (36) ---, truncagem

do crescimento neuronal normal (6) ou neurogênese aberrante (8) que podem resultar no

aumento ou na redução de neurônios e sinapses em diferentes regiões do cérebro.

Um modelo neuronal proposto há alguns anos atrás explorou achados relacionados ao

aumento ou redução do número de neurônios e sinapses nos cérebros de autistas (7).

Simulações computacionais da rede neuronal então proposta mostraram que uma boa

discriminação de estímulos é conseguida quando há um número grande de neurônios numa

determinada camada da rede neuronal, enquanto propriedades de generalização são obtidas

apenas quando poucos neurônios estão presentes nesta camada. O autor relacionou estes

resultados já conhecidos da teoria de redes neuronais artificiais (42) com as deficiências de

aquisição e generalização de conceitos e também com as ilhas de habilidades na

discriminação de estímulos observada no autismo. A questão de como o circuito neuronal

com muitos ou poucos neurônios surge no processo de neurodesenvolvimento não foi

abordada neste modelo por ser muito metafórico com a realidade cerebral.

No presente trabalho, um modelo mais realista é proposto no qual. Baseado no

processo biológico fundamental de competição neuronal, uma rede neuronal artificial

capaz de organizar sua estrutura em função dos estímulos recebidos, como em um processo

de neurodesenvolvimento, recrutará mais ou menos neurônios e fará mais ou menos

sinapses, sugerindo a causa da neurogênese aberrante do autismo. Em linhas gerais, este

trabalho mostra como a inibição neuronal excessiva em alguma fase do

neurodesenvolvimento pode resultar em circuitos neuronais aberrantes com habilidades

computacionais similares àquelas observadas no autismo. As simulações computacionais

sugerem que regiões do cérebro responsáveis pela formação de representações de mais alto

nível estão mal formadas nos pacientes autistas. A perda desta representação integrada do

mundo pode levar às deficiências cognitivas peculiares na socialização, comunicação e

imaginação, mas pode também explicar algumas ilhas de habilidades como excelente

memória e discriminação de estímulos. O modelo neuronal é baseado em achados

biológicos plausíveis e em teorias cognitivas do autismo recentemente desenvolvidas.

II. As Teorias Cognitivas do Autismo

A diversidade dos achados neuropatológicos aliada às falhas das teorias

psicodinâmicas direcionou as pesquisas para a busca de pontes teóricas entre o cérebro

autista e seu padrão comportamental. Uma das teorias cognitivas mais genéricas do autismo

é baseada na incapacidade social imposta pela doença. É proposto que três áreas centrais

da interação social --- imitação, atenção conjunta e relacionamento interpessoal --- sejam

prejudicadas em alguma fase do desenvolvimento, resultando em sérias limitações. A base

da adaptação social da criança reside na compreensão de que as outras pessoas são iguais a

ela, sendo assim capazes de compartilhar as mesmas impressões emocionais e cognitivas

sobre qualquer objeto. Qualquer dificuldade neste processo chamado de relacionamento

interpessoal, desde uma fase inicial do desenvolvimento da criança, pode causar, mais

tarde, sérias deficiências sociais e comunicativas. Resultados de estudos realizados com

crianças com cegueira congênita que apresentam um comportamento semelhante ao dos

autistas corroboram esta hipótese (23). A atenção conjunta --- processo de

compartilhamento do mesmo foco de atenção através da alternância dos atos de

direcionamento do olhar e do apontar entre um objeto e uma pessoa --- também inexiste nas

crianças autistas. A falha em utilizar o olhar como forma de comunicação, a pobreza na

interpretação das expressões emocionais de outras pessoas e a incapacidade de

compreensão da reação dos outros são características dos autistas que parecem estar

relacionadas à deficiência da atenção conjunta (28). Finalmente, a imitação dos outros é um

terceiro processo que as crianças autistas não desenvolvem corretamente. Uma criança

normal imita as outras pessoas na tentativa de expressar ou sentir a mesma emoção que a

outra pessoa demonstra. Imitar os outros é um tutorial básico que direciona a vida social

(MELTZOFF e GOPNIK, 1993).

Outra importante teoria cognitiva do autismo assume a hipótese de que uma criança

autista não pode representar os estados mentais dela mesma ou dos outros, ou seja, que não

pode desenvolver um modelo ou “teoria” de sua mente e das mentes dos indivíduos com os

quais se relaciona (4). Conseqüentemente, não é capaz de compreender ou predizer o

comportamento das pessoas. Uma criança autista é capaz de transmitir uma mensagem a

alguém e, posteriormente, não conseguir diferenciar quem sabe de quem ignora a

mensagem transmitida. A falta de uma “teoria da mente” dos outros implica em que

crianças autistas são severamente prejudicadas na sua capacidade de interpretação de

estados mentais. Elas não podem participar de brincadeiras de faz-de-conta, pois estas

exigem uma habilidade intuitiva para distinguir entre estados físicos (situações reais) e

estados mentais fictícios.

Embora as deficiências na socialização, comunicação e imaginação definam as

características centrais da síndrome do autismo, um comportamento estereotipado,

repetitivo e restritivo também se faz presente. Este comportamento é muito similar ao

apresentado por pacientes que sofrem lesões no lobo frontal, sugerindo, então, uma outra

teoria cognitiva denominada Teoria da Função Executiva. Entende-se por funções

executivas os processos cognitivos como monitoramento do próprio desempenho,

desligamento voluntário de um contexto, utilização apropriada da informação

retroalimentada do ambiente, deslocamento voluntário da atenção, planejamento e inibição

de ações inadequadas, entre outras. A hipótese desta teoria é que alguns transtornos do

desenvolvimento causam distúrbios nos circuitos neuronais do lobo frontal ou do

hipocampo ou ainda dos núcleos da base, regiões sabidamente associadas às questões da

função executiva (47). Esta teoria é enfraquecida pelo fato de que algumas crianças têm

ilhas de habilidades em tarefas que exigem a higidez do lobo frontal (9).

Todas as teorias descritas anteriormente são capazes de explicar as deficiências

cognitivas, mas nenhuma delas se refere às ilhas de habilidades ou ao perfil de alto

desempenho em determinados exames da avaliação neuropsicológica em meio ao baixo

desempenho em outros (perfil espiculado). A recentemente desenvolvida Teoria da Fraca

Coerência Central afirma que as crianças autistas possuem um desempenho máximo em

atividades que não requerem integração, mas sim segmentação da informação (14, 15). De

acordo com esta teoria, o cérebro dos autistas tem um estilo cognitivo que favorece a

segmentação devido à limitação ou impossibilidade de um processamento mais genérico

(holístico) da informação (16). Quando processam informações verbais desconexas, as

crianças autistas apresentam um desempenho superior ao das crianças normais, pois as

crianças não-autistas têm a tendência de procurar por associações ou outras formas de

integração da informação processada, o que implica um desempenho baixa quando um

material desconexo é apresentado na avaliação verbal. As crianças autistas também

apresentam um bom desempenho em tarefas visuo-espaciais que requerem segmentação de

imagens (44). Achados de redução da coerência lógica em narrativas e de desempenho

superior em testes de segmentação visuo-espacial aplicados a pais não-autistas de crianças

autistas sugerem que a diminuição da coerência central pode ser transmitida geneticamente

(32). É importante notar também que adultos com autismo que passam nos testes da teoria

da mente demonstram padrões de fraca coerência central (19). Este resultado fornece

indícios de que a fraca coerência central é uma característica independente e adicional do

autismo, que, em princípio, não guarda relação óbvia com as deficências supostamente

relacionadas à falta de uma “teoria da mente”.

III. O Processo de Competição e Cooperação Neuronal

Em meados do século XIX os cientistas Helmholtz e Mach estudaram vários

fenômenos da percepção visual em humanos. Eles estavam particularmente interessados em

ilusões de ótica como o fato de bordas e contornos entre partes claras e escuras de uma

imagem tenderem a ser realçadas em relação às partes claras e escuras interiores da

imagem. Eles explicaram a ilusão através da hipótese de que na retina humana as células

são excitadas pela luz que converge para uma região central e inibidas pela luz que se

projeta nas regiões vizinhas a esta. Quase um século depois, experimentos demonstraram

que o olho de um caranguejo chamado Limulus (21) e alguns vertebrados (31) possuem

uma estrutura concêntrica de cooperação central e competição lateral denominada on-

center/off-surround. Nesta estrutura, cada neurônio está em cooperação, através de sinapses

excitatórias, com neurônios da vizinhança imediata, ao mesmo tempo que está em

competição, através de sinapses inibitórias, com neurônios que não pertencem a esta

vizinhança. Existem ainda evidências experimentais de que este mesmo mecanismo se

apresenta também nos sistemas nervosos central e periférico dos mamíferos.

Aparentemente, as células corticais piramidais são conectadas segundo a estrutura on-

center/off surround (46). Outras regiões do cérebro, como o hipocampo (1) e o cerebelo

(10), também apresentam esta estrutura geneticamente imposta.

As estruturas de competição e cooperação entre neurônios são encontradas não

apenas como inatas, mas também como parte de processos neuronais dinâmicos. Na

verdade, a competição é essencial para o neurodesenvolvimento durante o qual os

neurônios competem por determinadas substâncias químicas. Na formação sináptica, por

exemplo, substâncias chamadas genericamente de fatores de crescimento neuronal são

liberadas por neurônios excitados e, através de difusão, alcançam as células vizinhas,

promovendo o crescimento sináptico. As células que recebem o fator de crescimento

neuronal formam sinapses e sobrevivem, enquanto as células que não entram em contato

com tais substâncias morrem (25, 26). Um neurônio que libera fator de crescimento

neuronal guia o processo tri-dimensional de formação de sinapses, tornando-se um centro

de convergência sináptica. Quando células próximas liberam diferentes fatores de

crescimento neuronal em diferentes quantidades, vários centros de convergência são

gerados, sendo estabelecida uma competição por sinapses entre eles. Pelo menos dois

processos participam da dinâmica da formação sináptica:

neurônios pré-sinápticos que competem por fatores de crescimento

neuronal para sobreviverem; e

neurônios pós-sinápticos que liberam essas substâncias competindo

por sinapses que os manterão vivos através de seus estímulos aferentes.

Vale notar que, como um único neurônio é capaz de receber e liberar fatores de

crescimento neuronal ao mesmo tempo, estes dois processos descritos anteriormente

ocorrem efetivamente em cada neurônio. Conseqüentemente, se estabelece uma rede de

informação que controla o desenvolvimento dos circuitos neuronais de maneira guiada pela

estimulação do ambiente, registrando o mundo e plastificando o cérebro.

Os processos de competição descritos acima são essenciais para a formação de

organizações neuronais chamadas mapas. Um mapa neuronal pode ser descrito como um

circuito biológico composto por dois conjuntos de neurônios, denominados domínio e

imagem, de tal forma que padrões de ativação similares do domínio são projetados em

neurônios vizinhos na imagem. Em outras palavras, um mapa neuronal é uma projeção que

transforma similaridades do domínio em relações espaciais na imagem. Estudos dos

córtices visual (24), somatosensorial (35) e associativo (17) mostraram que pequenas

regiões destes tecidos respondem a estímulos similares. De fato, estímulos como posição,

orientação, cor, freqüência espacial, freqüência auditiva e significados (38, 39, 41, 45) são

representados como mapas nos circuitos neuronais corticais.

A existência de mapas neuronais despertou a curiosidade dos cientistas nas últimas

décadas, sendo de principal importância a questão de como estas estruturas surgem do

padrão de conexão do tipo on-center/off-surround. Teorias computacionais trouxeram

esclarecimentos importantes, pois mapas corticais foram artificialmente desenvolvidos a

partir de regras simples de plasticidade neuronal em modelos computacionais de simulação

(33). O modelo mais genérico dentre estes é o chamado Mapa Auto-Organizável (30) no

qual duas camadas de tecido neuronal com n neurônios cada, correspondendo ao domínio e

à imagem, são inicialmente conectadas aleatoriamente de maneira que cada neurônio i na

imagem receba projeções sinápticas wi Rn de cada neurônio do domínio (Figura I).

Neurônios no domínio não formam sinapses entre si e recebem as entradas sensoriais

(estímulos), enquanto que neurônios na imagem estabelecem sinapses entre si, seguindo o

padrão on-center/off-surrond, i.e., excitação ou cooperação de curta distância e inibição ou

competição de longa distância (Figura II).

As sinapses on-center/off-surround não se alteram durante o desenvolvimento do

mapa pois são consideradas geneticamente estabelecidas, enquanto que as sinapses entre o

domínio e a imagem são modificadas ao longo do processo. A cada vez que a rede neuronal

entra em contato com um estímulo xk Rn , k=1, 2,... na sua camada domínio, existirá

apenas um neurônio excitado i* na imagem, porque a cooperação de curta distância e a

competição de longa distância fazem com que o neurônio mais excitado iniba os demais.

A posição r* do neurônio vencedor na imagem determina o quanto as sinapses serão

modificadas. Sinapses dos neurônios próximos ao vencedor serão fortemente modificadas

de tal forma que estes neurônios serão mais intensamente excitados pelo estímulo xk numa

próxima oportunidade. As sinapses dos neurônios distantes do vencedor serão pouco

modificadas ou permanecerão intactas, dependendo da dispersão da função de vizinhança

(ri, r*) que estabelece o raio em torno do neurônio vencedor dentro do qual ocorre a

cooperação e fora do qual ocorre a competição. O vetor ri Rn representa a posição de um

neurônio i genérico na camada imagem. Por este processo, cada neurônio na imagem será

mais facilmente excitado pelo estímulo xk (facilitação sináptica) no futuro. O

desenvolvimento do mapa se dá devido ao fato de que a quantidade de facilitação sináptica

é inversamente proporcional à distância do neurônio vencedor. O processo de modificação

sináptica twi para cada neurônio i é repetido para cada passo de aprendizado t onde o

estímulo xk Rn , k=1, 2, ... é apresentado à rede neuronal, sendo dado por

twi = (t).(ri, r*).(xk - wi), (1)

onde (t) é a taxa de modificação sináptica definida por

(t) = 0.(t-1)

; 0 < < 1, t = 1, 2, ... (2)

A taxa de modificação sináptica começa com um valor 0 e decresce a cada iteração t

com velocidade .

A função simétrica de vizinhança (ri, r*) tem a forma de uma curva gaussiana

(Figura III) dada pela equação

(ri, r*) = exp(-|| ri - r*||2 / 2(t)

2). (3)

A dispersão inicial da gaussiana, 0, é alta para representar o fato de que todos os

neurônios da imagem são considerados vizinhos (em cooperação) a princípio. Isto permite

que a desorganização inicial das sinapses convirja para um padrão mais organizado onde a

vizinhança é de grande importância. A cada vez que um estímulo é apresentado à camada

imagem, esta vizinhança torna-se mais estreita, fazendo com que o mapa vá adquirindo

mais e mais uma organização localizada. O cálculo de (t) é dado por:

(t) = 0.(t - 1)

, 0 < < 1, t = 1, 2, ... (4)

onde é uma taxa de decréscimo.

A forma com que a taxa de modificação sináptica decresce e a vizinhança se estreita é

fundamental para o processo de formação do mapa. Quando a taxa de modificação sináptica

decresce rapidamente, não há tempo suficiente para que as sinapses se modifiquem,

fazendo com que a desorganização dada pela aleatoricidade inicial das sinapses permaneça

até o final do processo. Por outro lado, quando a vizinhança se estreita muito rapidamente,

o nível de cooperação neuronal necessária para a formação do mapa cortical não se faz

presente, gerando relações de vizinhança mal definidas no final da simulação. Podemos

relacionar a função de vizinhança ao perfil de concentração do fator de crescimento

neuronal no tecido cortical ao redor do neurônio que o liberou. Quando o equilíbrio

dinâmico entre a liberação desta substância e a metabolização da mesma é alcançado em

todo do tecido, devido ao processo de difusão, um perfil de concentração que decresce

assintoticamente com a distância radial (ver Figura III) é atingido. O parâmetro 0

representa a quantidade de fator de crescimento neuronal liberado pelos neurônios no início

do processo de neurodesenvolvimento.

O não entendimento do equacionamento matemático do modelo aqui desenvolvido

não prejudica a compreensão do texto e de seus resultados. Em realidade, o formalismo

matemático foi incluido no texto apenas para mostrar ao leitor que a nova disciplina

denominada Neurociência Computacional busca a definição de modelos e teorias

quantificadoras, detalhistas e reducionistas do cérebro e da mente, seguindo a metodologia

científica analítica Cartesiana, aceita como padrão nas ciências em geral. Por ser o cérebro

um sistema complexo (complexo no sentido formal da Física-Matemática e não no sentido

usual de nosso idioma), as equações do modelo não podem ser resolvidas mas somente

simuladas no computador digital.

De uma maneira intuitiva, podemos afirmar que a equação (1) tenta modelar o

processo de crescimento sináptico, representado pela variável twi, que depende da

capacidade do organismo de formar novas sinapses ( variável (t) ), do grau de

competição e cooperação entre os neurônios durante o processo de neurogênese ( variável

(ri, r*) ) e também dos estímulos que afluem do ambiente para o cérebro durante a

neurogênese ( (xk - wi) ). A capacidade de formar novas sinapses é alta no início do

processo de neurogênese e diminui à medida que os circuitos neuronais se consolidam. Por

isto, a variável (t) na equação (2) é modelada por uma função exponencial decrescente

no tempo. O nível de competição e cooperação entre os neurônios durante o processo de

neurogênese ( variável (ri, r*) da equação (3)) é modelado por uma curva gaussiana cuja

a dispersão (“largura”) é dada pela disponibilidade de fator de crescimento neuronal (t).

Este, por sua vez, é muito disponível no início do neurodesenvolvimento, tornando-se

cada vez mais escasso à medida que o mapa cortical se consolida. Sendo assim, (t)

também é modelado por uma função exponencial decrescente (equação (4)) à semelhança

da já descrita equação (2).

Uma maneira de avaliar a eficiência do processo de neurodesenvolvimento é calcular

o valor total de mudanças sinápticas ocorridas. É sabido que mudanças em larga escala nos

padrões sinápticos estão relacionadas com a boa formação de circuitos neuronais (25, 26).

Quando as sinapses não são modificadas (fortalecidas ou enfraquecidas), o mapeamento

final alcançado é bem próximo daquele apresentado no início do processo. A cada iteração

t do algoritmo de auto-organização, o neurônio vencedor determina como as sinapses do

neurônio i serão modificadas de acordo com a equação (1). A soma de todas as variações

twi durante o processo de plastificação corresponde à mudança total realizada nas sinapses

que compõem o mapa:

S t n ||twi||. (5)

Na próxima seção, algumas simulações mostram como mapas anormais podem se

desenvolver a partir de processos de auto-organização sináptica, resultando em redes

neuronais com habilidades computacionais capazes de explicar algumas características

cognitivas das crianças autistas.

IV. Simulações Computacionais

Um mapa auto-organizável capaz de representar o desenvolvimento sináptico entre

duas camadas corticais bidimensionais foi implementado computacionalmente na

linguagem C. Uma camada cortical de mais baixo nível (aqui denominada domínio) com

400 neurônios artificiais recebe os estímulos de entrada das áreas sensoriais e projeta suas

saídas para a camada cortical de mais alto nível (chamada de imagem), também com 400

neurônios artificiais (ver Figura I). Um conjunto de 1.000 estímulos de entrada foi gerado

aleatoriamente. Os limites de variação dos números aleatórios utilizados foram variados

quatro vezes para produzir quatro diferentes conjuntos de 250 estímulos cada. Estes

conjuntos definem agrupamentos de padrões de entrada considerados similares, como pode

ser visto na Figura IV, onde os estímulos de cada agrupamento são representados sobre

uma camada cortical bidimensional por diferentes símbolos geométricos. Simulações

computacionais realizadas em estações de trabalho RISC e apresentadas a seguir mostraram

como mapas corticais artificiais mal desenvolvidos podem apresentar características que

remontam à fenomenologia do autismo, principalmente às ilhas de habilidades.

Inicialmente, as sinapses entre as camadas corticais do domínio e da imagem são

definidas aleatoriamente. Como conseqüência, os estímulos apresentados à camada

domínio (mostrados na Figura IV) são projetados em posições aleatórias na camada

imagem, como representado na Figura V. As similaridades entre os estímulos obviamente

não são preservadas na camada cortical de mais alto nível (imagem), ou seja, não existe

uma representação em forma de mapa. Em todos os experimentos que se seguem, a camada

domínio foi excitada 25 vezes com os 4 agrupamentos de 250 estímulos de uma maneira

aleatória. Os parâmetros 0, e são mantidos constantes com valores 0.8, 0.99 e 0.99,

respectivamente, para todas as simulações.

Como o parâmetro 0 representa a quantidade de fator de crescimento neuronal

liberada pelos neurônios da camada imagem no início do processo de

neurodesenvolvimento, em uma primeira simulação este parâmetro foi inicializado com

um valor alto (0= 4.0), suficiente para o correto desenvolvimento do mapa cortical. Após a

execução do processo simulado de neurodesenvolvimento, os quatro agrupamentos de

estímulos presentes na camada domínio (Figura IV) foram mapeados em quatro regiões

diferentes e bem definidas da imagem, como mostra a Figura VI. As sinapses entre as duas

camada corticais foram alteradas em um total S igual a 11.382, transformando o mapa

inicialmente desorganizado (Figura V) em um mapa claramente organizado (Fgura VI).

Podemos também observar que os 250 estímulos de cada agrupamento foram mapeados em

apenas 100 neurônios (em média) na camada imagem. Na verdade, qualquer outro estímulo

nunca antes apresentado à rede neuronal, mas que seja similar aos outros 250 estímulos de

um agrupamento, será mapeado diretamente sobre a região da camada cortical da imagem

responsável pela representação deste agrupamento. Como o cérebro está exposto a uma

infinidade de estímulos parecidos durante toda a nossa vida, podemos concluir que os

mapas corticais são uma estrutura inteligente capaz de representar uma grande gama de

instâncias ou variações de estímulos em uma região reduzida, bem definida e constante do

córtex. Em outras palavras, os mapas neuronais são capazes de, baseados em poucos

exemplos ou instâncias, criar ou representar uma categoria inteira no córtex. Uma vantagem

direta desta capacidade é a economia realizada, pois se cada estímulo fosse representado

por um neurônio específico, bilhões dessas células não seriam suficientes para representar

toda uma vida de estímulações.

A construção deste mapas só é possível porque os neurônios corticais e suas regras

de plasticidade sináptica geram um circuito neurocomputacional capaz de extrair as

características comuns dos estímulos. O mapa cortical considera as características comuns

como as componentes principais (ou a coerência central) dos estímulos, enquanto que as

características não-comuns, que poderiam dificultar o processo de categorização, são

descartadas. Mapas corticais são possíveis porque seus circuitos generalizam os estímulos

que lhes são apresentados, ou seja eles consideram as características gerais (comuns ou

centrais) como as que realmente importam, enquanto as especificidades (detalhes) de cada

estímulo não são computadas.

Um cérebro normal, constituído por mapas corticais bem-formados, extrai

constantemente e de forma natural a coerência central de cada estímulo que atinge o córtex.

Como vivemos em um mundo complexo e de freqüente mudança, encontrar as

características principais de estímulos é uma tarefa cognitiva importante para o

reconhecimento de que novas situações são, de alguma forma, parecidas com outras

experiências já vividas anteriormente e para as quais possuímos respostas prontas.

Uma vez que as propriedades computacionais de mapas corticais bem-formados

foram analisadas, verificaremos, através da descrição das próximas simulações, como

mapas mal-formados possuem propriedades computacionais semelhantes às mentes

autistas. Para isso, vamos decrescer o valor de 0 (a quantidade de fator de crescimento

neuronal liberada inicialmente) em cada simulação, mostrando como a redução desta

substância resulta na alteração dos mapas corticais e suas habilidades computacionais.

Iniciando com 0 = 3.5, a uma redução de 12,5% em relação à simulação anterior que

corresponde ao mapa bem formado, e partindo da mesma inicialização aleatória das

sinapses (Figura V), chega-se ao mapa mostrado na Figura VII.

Comparando os resultados obtidos com estas duas simulações (Figuras VI e VII),

podemos observar que nesta última houve uma reorganização do mapeamento obtido

anteriormente. As regiões responsáveis pela representação dos agrupamentos assumiram

formas e disposições relativas diferentes na camada imagem. No entanto, as propriedades

computacionais, e conseqüentemente cognitivas, são as mesmas pois houve um

reconhecimento das características comuns dos estímulos que foram classificados ou

categorizados em regiões bem definidas do córtex simulado (imagem). Olhando mais

detalhadamente para o mapa da Figura VII, é possível observar que alguns estímulos foram

classificados erradamente em categorias diferentes no canto superior direito e inferior

esquerdo da imagem.

Reduzindo-se ainda mais o valor de 0, atribuindo-lhe agora o valor de 2.5 que

representa uma redução de 37,5% em relação a 0 = 4.0 do mapa bem-formado, obtivemos

como resultado final o mapa mostrado na Figura VIII. Nesta, podemos notar que os

agrupamentos não formam mais uma região bem definida, mas, ao contrário, estão

particionados em uma região grande e outra região menor. Como o número de estímulos

que estão dispostos fora do agrupamento principal de cada categoria é alto, não podemos

mais utilizar o conceito de classificação incorreta mencionado anteriormente. Na realidade,

os agrupamentos foram divididos ao meio. Do ponto de vista computacional, o processo de

auto-organização extraiu dos estímulos não somente suas características comuns mas

também algumas especificidades. Estas fazem com que os estímulos sejam diferenciados,

forçando o mapa a criar uma nova categoria para representá-los pois estes já não podem

mais ser considerados como pertencentes a uma mesma categoria, como tinham sido

anteriormente. Assim, podemos dizer que a redução do fator de crescimento neuronal

liberado gera um mapa mais discriminativo, fazendo emergir uma propriedade de

segmentação ou discriminação em lugar da propriedade de generalização ou determinação

da coerência central. Os detalhes que eram antes descartados são, agora, considerados,

adicionando uma nova dimensão na definição da similaridade entre os estímulos.

Estímulos que antes formavam um conjunto de padrões similares e, portanto, eram

projetados sobre a mesma área cortical são, agora, devido a um aumento da capacidade

discriminativa do mapa, percebidos como diferentes o suficiente para requererem um novo

agrupamento para representá-los. A consequência cognitiva deste estilo computacional

emergente é que uma situação que era facilmente reconhecida e processada como uma

experiência já conhecida e para a qual uma resposta já existia, é agora tratada como um

novo evento para o qual a resposta ainda deve ser construída.

Quando atribuimos a 0 um valor ainda menor de 1.5, temos mais evidenciada a

capacidade discriminativa do mapa (Figura IX). Cada agrupamento é representado na

camada imagem por diferentes categorias, dispostas em áreas corticais distantes.

Uma redução ainda mais extrema do fator de crescimento neuronal, representado por

0 = 1.0, produz um mapa completamente segmentado, como pode ser visto na Figura X.

Esta última simulação mostra um mapa dual da primeira simulação. Mapas com alta

capacidade de discriminação e fraca extração da coerência central (Figura X) representam o

outro lado da moeda em relação aos mapas com forte detecção da coerência central (ou alta

capacidade de generalização) (Figura VI). Entre estes dois extremos existe uma infinidade

de mapas auto-organizáveis, possivelmente representantes da mesma síndrome neurológica

em seus diferentes níveis de prejuízo mental. A curva apresentada na Figura XI mostra

como a mudança sináptica total S varia com a liberação do fator de crescimento neuronal

no início do processo de neurodesenvolvimento simulado. À medida em que reduzimos o

valor de 0, a mudança sináptica total também é reduzida.

Com estes resultados, é possível concluir que a fraca extração da coerência central é

consequência do baixo nível de fator de crescimento neuronal. Os mapas mal-formados são

o resultado de sinapses que praticamente não foram alteradas (como indica o baixo valor de

S) e, portanto, não submetidas ao processo de fortalecimento e consolidação ou

enfraquecimento e eliminação (26) normais no neurodesenvolvimento. Os baixos valores

de S encontrados nos mapas com fraca coerência central desenvolvidos aqui estão de

acordo com os estudos que afirmam possuírem os autistas um número excessivo de sinapes

(29).

V. Análise dos Resultados

As simulações realizadas aqui permitem a extrapolação de seus resultados para a

cognição e a sintomatologia do autismo. Para iniciarmos nossa análise, mencionamos que

alguns autores notaram que “crianças autistas não tendem a integrar experiências atuais

com outras previamente vividas” (22) e também que “não se atêm às informações

principais, prestando atenção nas que são irrelevantes” (18). Nas simulações realizadas com

uma quantidadade de fator de crescimento neuronal reduzida, o mapa resultante mostrou

uma menor capacidade de generalização e maior discriminação, representando,

respectivamente, as características de falta de integração e aumento na atenção aos detalhes

das informações. Mapas mais discriminativos estão relacionados com o estilo cognitivo

onde os estímulos são segmentados e registrados como função de sua especificidade.

Conseqüentemente, a cognição será orientada para o reconhecimento de partes,

promovendo um comportamento caracterizado pela inflexibilidade e precisão excessiva.

Para as crianças autistas as ações devem ser sempre realizadas da mesma maneira, do

contrário não serão corretamente interpretadas. A criança autista resiste a caminhos

diferentes para a escola. Ambientes organizados de forma ligeiramente diferentes não são

reconhecidos como os mesmos, e objetos devem sempre estar dispostos da mesma maneira

espacial para que elas os possam reconhecer.

Outra conseqüência cognitiva presente nos mapas discriminativos é o fato de que as

informações (estímulos) não são categorizadas, mas representadas por segmentos ou

instâncias. Neste caso, o princípio da economia realizada pelos mapas corticais é quebrado,

e uma grande quantidade de neurônios será necessária para representar conceitos que

seriam normalmente mapeados em regiões menores e mais bem definidas. Quando largas

regiões corticais são responsáveis pela representação de conceitos muito específicos, surge

um fenômeno computacional denominado explosão combinatória caracterizado pelo

processamento ineficiente das informações devido a uma disponibilidade limitada de

hardware (neurônios). Este fenômeno poderia resultar no baixo QI e no interesse restrito a

poucos assuntos que se observam nas crianças autistas.

Por outro lado, mapas altamente discriminativos permitem uma segmentação

automática e rápida da informação, bem como a representação de detalhes. Possivelmente,

esta é a razão pela qual as crianças autistas apresentam ilhas de habilidades como a

excelente memória bruta (memória para nomes, telefones, etc…), grande capacidade de

resolução de jogos onde as partes de um contexto devem ser rapidamente analisadas,

execução de desenhos detalhados e realistas e alta discriminação de tons e sons musicais

(12).

Lembrando que o processamento cognitivo é obtido através de uma série de mapas

corticais hierárquicos, onde a entrada de um mapa de mais alto nível é a saída do mapa de

nível imediatamente inferior, é impossível prever o que acontece quando o primeiro mapa

na hierarquia classifica estímulos similares em regiões corticais diferentes. Talvez, a mente

do autista não possa desenvolver regras de linguagem por não possuir o mapa cortical de

mais alto nível apropriado (39) que depende de mapas de mais baixo nível bem-formados.

Assim também seria explicada a dificuldade de interação social apresentada por pacientes

autistas que pode ser resultante da impossibilidade de reconhecimento de expressões faciais

e emocionais, tarefas que exigem a interpretação de contexto e integração de informação

que ocorrem nos mapas de mais alto nível.

VI. Conclusões

O autismo é caracterizado por deficiência na socialização, comunicação e imaginação

e também por talentos excepcionais para tarefas que envolvem memória ou discriminação

sensorial. Existem muitas teorias cognitivas para a doença, mas apenas uma delas, a teoria

da fraca coerência central, é capaz de explicar as ilhas de habilidades.

Após uma detalhada análise do conceito de mapas corticais, foi apresentado um

algoritmo de auto-organização para simular o processo de neurodesenvolvimento de mapas

neuronais. Algumas simulações realizadas mostraram como os mapas se desenvolvem e

quais são seus principais parâmetros de controle. Um destes parâmetros está associado a

uma substância química denominada fator de crescimento neuronal. As simulações

mostraram como a quantidade desta substância, liberada pelos neurônios durante o processo

de neurodesenvolvimento, é capaz de gerar mapas com capacidade de generalização

diferentes.

As propriedades computacionais destes mapas foram analisadas e relacionadas com a

teoria cognitiva da fraca coerência central do autismo. A falta de fator de crescimento

neuronal produziu mapas com baixa propriedade de generalização ou fraca extração da

coerência central. Deficiências cognitivas e, o mais importante, habilidades cognitivas

(ilhas de habilidades) observadas nos autistas foram explicadas por analogias entre as

propriedades computacionais dos mapas apresentados e a teoria da fraca coerência central.

O objetivo do trabalho é propor uma teoria neurobiológica do autismo, afirmando que o

transtorno é o resultado da única expressão cognitiva possível para um cérebro constituído

de mapas corticais altamente discriminativos. Embora estas simulações e analogias sejam

importantes para o entendimento do autismo do ponto de vista neurobiológico, a existência

de mapas corticais altamente discriminativos nos cérebros autistas deve ser verificada

experimentalmente. Na realidade, o principal objetivo da modelagem e simulação

computacional em Neurologia e Psiquiatria é exatamente estabelecer direções para a

pesquisa clínica e experimental.

Referências Bibliográficas

1. 1. Andersen P, Gross GN, Lomo T, Sveen O. The Interneuron. Los Angeles: Univ. of

California Press; 1969.

2. APA. American Psychiatric Association. Diagnostic and Statistical Manual

of Mental Disorders (4th edition), Washington DC 1994.

3. Asperger HD. Autistischen Psychopathen im Kindesalter. Arch

Psychiat Nervkrankh 1944; 117: 76-136.

4. Baron-Cohen S, Leslie AM, Frith U. Does the autistic child have a `theory

of mind'? Cognition 1985; 21: 37-46.

5. Bauman M, Kemper TL. Developmental cerebellar abnormalities: A

consistent finding in a early infatile autism. Neurology 1986;36 -190.

6. Bauman M. Microscopic neuroanatomic abnormalities in autism. Pediatrics 1991; 87

(5 Pt 2): 791-796.

7. Cohen IL. An artificial neural network analogue of learning in autism. Biol

Psychiatry 1994; 36: 5-20.

8. Courchesne E, Press GA, Yeung-Courchesne R. Parietal lobe abnormalities

detected with MR in patients with infatile autism. Am J Roentgenol 1993; 160: 387-

393.

9. Duncan J. Attention, Intelligence and the frontal lobes. In: Gazzaniga MS

(editor). The Cognitive Neurosciences. Cambridge, MA: MIT Press; 1995, p. 721-733.

10. Eccles JC, Ito M, Szentagothai J. The cerebellum as a neuronal machine.

New York: Springer; 1967.

11. Fein D, Joy S, Green LA, Waterhouse L. Autism and Pervasive

Developmental Disorders. In: Fogel BS, Schiffer RB, Rao SM, editors.

Neuropsychiatry. Baltimore: Williams & Wilkins, 1996.

12. Frith U. Autism: Explaining the Enigma. Oxford, UK: Oxford Univ. Press; 1989.

13. Frith U. Autism. Mysteries of the Mind. Scientific American

1993; June, 92 - 98.

14. Frith U, Happe F. Language and communication in the autistic disorders

[Review]. Philos Trans R Soc Lond B Biol Sci 1994; 346: 97-104.

15. Frith U, Happe F. Autism: beyond theory of mind [Review]. Cognition

1994; 50: 115-32.

16. Frith U. Cognitive explanations of autism. Acta Paediatr Suppl 1996; 416:

63-68.

17. Goldman-Rakic PS. Modular organization of the prefrontal cortex and

regulation of behavior by representational memory. Trends in neuroscience 1984;

7,419-429.

18. Happe F. The autobiographical writings of three Asperger syndrome

adults: Problems of interpretations and implications for theory. Autism and

Asperger Syndrome. Cambridge, UK: Cambridge Univ. Press; 1991.

19. Happe F. Wechsler IQ profile and theory of mind in autism: a research

note. J Child Psychol Psychiatry 1994; 35:1461-1471.

20. Happe F, Frith U. The neuropsychology of autism. Brain 1996; 119: 1377-400.

21. Hartline HK, Ratliff F. Inhibitory interactions of receptor units in the eye

of Limulus. J of Gen Physiol 1957; 40:351-376.

22. Hermelin B. Images and Language. Autism: A reappraisal of concept and

treatment. New York: Plenum Press; 1978.

23. Hobson P. Autism. Sussex: Erlbaum; 1993.

24. Hubel DH, Wiesel TN. Receptive fields and functional architecture in

two non-striate visual areas (18 and 19) of the cat. J Neurophysiol 1965; 28, 229

298.

25. Kandel ER. Cellular mechanisms of learning and the biological basis of

individuality. In: Kandel ER, editor. Principles of Neuroscience. Norwalk: Appleton

and Lange; 1991, p. 1009-1031.

26. Kandel ER, Jessel TM. Early experience and the fine tuning of synaptic

connections. In: Kandel ER, editor. Principles of Neuroscience. Norwalk: Appleton

and Lange; 1991, p. 945 - 958.

27. Kanner L. Autistic disturbances of affective contact. Nerv. Child 1943; 2:

217-50.

28. Kasari C, Sigman MD, Baugmgartner P, Stipek DJ. Pride mastery in

children with autism. J Child Psychol Psychiatry 1993; 34: 353-62.

29. Kemper TL, Bauman M. The contribution of neuropathologic studies to

the understanding of autism. Behav Neurol 1993;11:175-187.

30. Kohonen T. Self-organized formation of topologically correct feature maps.

Biol Cybernetics 1982; 43:59-69.

31. Kuffler, S. Discharge pattern and fuctional organization of mammalian retina.

J Neurophysiol 1953; 16:37-68.

32. Land R, Folstein SE, Isaacs C. Spontaneous narrative-discourse

performance of parents of autistic individuals. J Speech Hear Res 1991; 34: 1339-

1345.

33. Malsburg C. Self-organization of orientation sensitive cells in the striate

cortex. Kybernetik 1973; 14: 85-100.

34. Meltzoff AN, Gopnik A. The role of imitation in understanding persons and

developing a theory of mind: Perspectives from autism. Oxford, UK: Oxford Univ.

Press; 1993.

35. Mountcastle VB. Modality and topographic properties of single neurons of

cat’s somatic sensory cortex. J Neurophysiol 1957; 20:408-434.

36. Piven J, Berthier ML, Starkstein SE, Nehme E, Pearlson G, Folstein S. Magnetic

resonance imaging evidence for a detect of cerebral cortical development in

autism. Am J Psychiatry,1991; 147: 734-9.

37. Raymond G, Bauman M, Kemper T. The hippocampus in autism. Golgi

analysis. Programs and Abstracts. Child Neurology Soc 1989; 26: 483-84.

38. Reale RA, Imig TH. Tonotopic organization in auditory cortex of the cat. J Comp

Neuro 1980; 192: 265-91.

39. Ritter H, Schulten K. Convergency properties of Kohonen's topology

conserving maps: fluctuations, stability and dimension selection. Biol

Cybernetics 1989; 60: 58-71.

40. Ritvo E, Freeman B. National Society for Autistic children definition of the

syndrome of autism. J Autism Childhood Schizophrenia 1978; 8:162-169.

41. Robson JG. Receptive fields: neural representation of the spatial and

intensive attibutes of the visual image. New York: Academic Press; 1975.

42. Rumelhart DE, McClelland JL. Parallel Distributed Processing. Cambrideg, MA:

MIT Press; 1985.

43. Rutter M. Diagnosis and definition of childhood autism. J Autism Childhood

Schizophrenia 1978; 8:139-384.

44. Shah A, Frith U. Why do autistic individuals show superior performance on

the block design task? J Child Psychol Psychiatry 1993; 34: 1351-64.

45. Spitzer, M. A neurocomputational approach to delusions. Compr Psychiatry

1995; 36:83-105.

46. Szentagothai, J. The module concept in cerebral cortex architecture. Brain

Research 1967; 95, 475-496.

47. Upton D, Corcoran R. The role of the right temporal lobe in card sorting: a

case study. Cortex 1995;31: 405-9.

48. WHO. World Health Organization: mental disorders: the ICD-10

classification of mental and behavioural disorders. Diagnostic Criteria for

research. Geneva, Switzerland; 1993.

49. Wing L, Gould J. Severe impairments of social interaction and associated

abnormalities in children: epidemiology and classification. J Autism Dev

Disord 1979; 9:11-29.

FIGURAS

Figura I – Um mapa auto-organizável com duas camadas bidimensionais de neurônios.

Figura II – O padrão sináptico On-center/Off-surround da camada imagem.

Figura III – A função de vizinhança representando a concentração de fator de

crescimento neuronal.

Figura IV – O conjunto de 1.000 estímulos dividido em 4 agrupamentos de 250

estímulos cada.

Figura V – Devido ao caráter aleatório do padrão sináptico inicial, os estímulos

são projetados na camada imagem de maneira desorganizada.

Figura VI – Um mapa cortical bem-formado gerado com fator de crescimento

neuronal suficiente.

Figura VII – Um mapa cortical desenvolvido com quantidade reduzida de fator de

crescimento neuronal (0 = 3.5). Alguns estímulos são classificados

incorretamente.

Figura VIII - Outro mapa cortical desenvolvido a partir de uma redução ainda mais

drástica da quantidade de fator de crecimento neuronal (0 = 2.5).

Alguns agrupamentos são divididos ao meio.

Figura IX – Uma menor quantidade de fator de crescimento neuronal liberada (0 = 1.5)

gera uma mapa mais discriminativo. Os agrupamentos são classificados

em várias categorias.

Figura X – Um redução extrema de fator de crescimento neuronal liberado (0 = 1.0)

gera um mapa completamente segmentado.

S

0

Figure XI – A mudança sináptica total como uma função da quantidade de fator de

crescimento neuronal liberado.