Beruflich Dokumente
Kultur Dokumente
William W. Lytton
Resumo:
A epilepsia é um conjunto complexo de doenças que podem envolver muitas áreas
do córtex, bem como sistemas subjacentes. A miríade de manifestações das convulsões,
que pode ser tão variada quanto o déjà vu ou as alucinações olfativas, pode, portanto, dar
aos pesquisadores alguns insights sobre as funções e as relações que ocorrem nessas
regiões. Epilepsia, também é complexa genética e fisiopatologicamente: envolve
mudanças microscópicas (no que diz respeito aos canais iônicos, sinapses, proteínas),
macroscópicas (na escala de um trauma cerebral) e mudanças intermediárias estando aqui
em uma complexa interação de causalidade.
Há muito tempo se reconheceu que na modelagem computacional será necessário
separar essa causalidade, para se entender melhor desde a propagação das convulsões e
eventualmente compreender e prever a eficácia dos tratamentos. Ao longo dos últimos
anos, um progresso substancial foi feito em modelagem em epilepsia em níveis que
variam do molecular ao socioeconômico. Nós analisamos esses esforços e tentamos
conectá-los aos objetivos médicos de compreender e tratar o distúrbio.
Breve Introdução:
A epilepsia é uma das várias doenças paroxísticas ou episódicas do cérebro. Esses
distúrbios, que incluem Esclerose múltipla (EM), ataques isquémicos transitórios (TIAs)
e enxaqueca, são todos os distúrbios dinâmicos – distúrbios que se desdobram ao longo
do tempo. Considerando que a esclerose múltipla envolve o sistema imunológico e os
ataques isquêmicos transitórios envolvem a hemodinâmica, a epilepsia é um distúrbio
dinâmico unicamente do próprio cérebro. Portanto, ela é particularmente adequada ao
estudo a partir da perspectiva da modelagem computacional e da teoria dos sistemas
dinâmicos.
Os sinais e sintomas da epilepsia são variados, provavelmente devido ao fato de
que a epilepsia pode envolver muitas áreas do córtex, bem como sistemas subjacentes. A
epilepsia é, portanto, uma desordem, de interesse tanto para o clínico como para aqueles
que se interessam pelo funcionamento e pelas interrelações dos subsistemas cerebrais. O
progresso na compreensão da epilepsia tem sido feito em todas as áreas da neurociência,
da neurogenética e cristalografia de proteínas para imagiologia e comportamento. A
modelagem pode ser usada para unir esses subcampos e nos permite entender um nível
de organização em outros termos. A concordância entre ciência básica e fenomenologia
clínica está mais próxima na epilepsia do que na maioria dos distúrbios cerebrais.
Simulação computacional pode associar conceitualmente anormalidades e diferentes
níveis de organização que são identificados por experimentos.
Esta revisão centra-se em duas principais síndromes de epilepsia que são
particularmente bem estudadas na modelagem e em práticas experimentais: a epilepsia de
ausência na infância e epilepsia do lobo temporal mesial (MTLE). As crises de ausência
são episódios breves de perda de consciência, sem convulsões. A ausência é considerada
uma crise generalizada primária, embora pesquisas mais recentes sugiram que uma crise
de ausência individual tem um início focal. Experimentação e modelagem implicam
fortemente em interações tálamo-corticais nesse transtorno.
Por outro lado, as crises de MTLE produzem alterações de consciência e
convulsões. As crises se propagam a partir do lobo temporal em um processo denominado
generalização secundária. O MTLE é considerado o protótipo da epilepsia focal e é
pensado ser em grande parte adquirido, presumivelmente por lesão e a reação subsequente
no cérebro à essa lesão. Entretanto, fatores familiares também são importantes.
Esta revisão descreve vários níveis e tipos de modelos para dar o sabor da
modelagem e destacar os progressos recentes e o potencial de aplicação terapêutica desses
modelos computacionais. Irá se partir do macroscópico ao nível microscópico, da
modelagem da dinâmica da ocorrência das convulsões na população pediátrica a um
modelo detalhado que leve em conta a dinâmica dos canais iónicos sensíveis à tensão.
Será feita uma comparação a cerca dos modelos conceituais e dinâmicos e como o modelo
conceitual é usado como base para uma interpretação dinâmica dos dados. Este amplo
escopo exigiu a omissão de muitos trabalhos importantes.
O que é epilepsia?
Um entendimento inicial (ou modelo) de algo é geralmente fornecido por uma
definição de livro ou dicionário, que pode fornecer uma raiz e uma via para uma
taxonomia e esquemas de classificação. A característica comum das epilepsias é a
ocorrência e recorrência de convulsões. Epilepsia é, portanto, um transtorno convulsivo.
Esse transtorno convulsivo trata-se da ocorrência transitória de sinais e / ou sintomas
provenientes de uma atividade neuronal anormal excessiva ou síncrona no cérebro. Um
aspecto adicional a definição de uma convulsão é o envolvimento do córtex cerebral, isto
permite que seja distinguido da atividade excessiva ou síncrona em outras partes do
cérebro, tais como tremores ou a dor que surge de um tronco cerebral, gânglio (neuralgia
do trigêmeo). Na revisão bibliográfica, o termo convulsão também é aplicado a atividade
neurológica em criaturas como petite e acortical e como o zebrafish e as moscas da fruta.
Isto é razoável, visto que essas síndromes animais que estão envolvidas respondem aos
anticonvulsivantes (como a neuralgia do trigêmeo), permitindo aos pesquisadores avaliar
as drogas e realizar manipulações genéticas que seriam impossíveis de serem efetivadas
em animais maiores.
A dificuldade na definição da epilepsia surge em parte da vasta diversidade de
síndromes de epilepsia e de suas manifestações convulsivas. O padrão clínico atual de
classificação pode ser confuso devido às confusões feitas com a etiologia e manifestação.
Os esforços para alterar e substituir este esquema de classificação levaram a desacordos
e sugestões concorrentes para as normas já existentes. No entanto,
as classificações concorrentes concordam com o uso de eixos multidimensionais para
pensar sobre a desordem.
A dificuldade em definir a epilepsia também reflete o conflito clínico. Enquanto
uns querem dividir a epilepsia de acordo com suas condições, outros sugerem que as
manifestações e as causas se sobrepõem dando pouco valor a divisão. Ambas as visões
têm validade. No entanto, a epilepsia geralmente surge de uma confluência de causas
poligênicas, proteômicas e adquiridas. A metáfora de um rio de epilepsia foi desenvolvida
por Lennox para descrever esse rio de possibilidades causais. Uma maquiagem particular
genética ou proteica fornece uma interação de canais iônicos, pesos sinápticos e
configurações de rede que podem tornar um indivíduo mais ou menos propenso a
desenvolver epilepsia, seja em resposta a um acidente vascular cerebral, traumatismo
craniano ou simplesmente pela falta de dormir. Por outro lado, uma mutação particular
no canal iónico, mesmo invariavelmente epileptogênica, produzirá
diferentes manifestações da doença em dois indivíduos, bem como diferenças em outros
canais, rede anatomica e danos cerebrais.
1. Modelagem multiescala
Como a epilepsia é caracterizada por convulsões recorrentes, se poderia imaginar
que construiríamos um modelo de epilepsia diretamente como um modelo de convulsão.
Contudo, a complexidade de tal modelo o torna inatingível para um futuro previsível.
Mais importante ainda, esse modelo violaria um princípio central da modelagem
computacional: a simplificação. Grande parte da arte da modelagem consiste em decidir
o que deixar de fora. Na modelagem computacional, utilizamos o conceito de modelagem
multiescala.
Conceitualmente, a modelagem multiescala familiar em biologia: modelos de
biologia celular dependem de modelos de biologia molecular e assim por diante. Na
ciência biomédica construímos hierarquias de modelos: modelos de modelos de modelos.
Uma doença clínica é representada por um ou mais modelos animais in vivo, cujos
aspectos podem ser mais explorados em vitro. Uma fatia cerebral aguda de um animal
epiléptico e um modelo reduzido para a compreensão das convulsões no animal de
origem. Modelos computacionais podem ser modelos explícitos de um desses modelos
ou uma tentativa de traduzir os resultados de tais modelos até um modelo superior ou a
nível clínico.
No caso da epilepsia, a modelagem multiescala pode ser visualizada sob várias
dimensões. Primeiro, há a escala espacial. Os modelos variam desde um único canal
iónico até o nível das áreas cerebrais. Há também uma escala temporal: modelagem dos
disparos (na escala de milissegundos), convulsões (de segundos a minutos), tratamentos
medicamentosos (ao longo dos meses) e a evolução da doença (ao longo dos anos).
Podemos também modelar entre e sobre os eixos clínicos. Por exemplo, a
modelagem da semiologia das crises convulsivas nos ajudaria a explicar a propagaçao e
progressão dessas. Similarmente, a simulação pode avaliar a dinâmica da rede neuronal
no contexto das transições entre atividade tônica e clônica. A modelagem pode também
associar convulsões a sinais ou causas. A simulação estende-se ao impacto
socioeconômico: modelos de saúde pública podem ser usados para avaliar os vários
tratamentos e qualidade de vida ou impacto econômico.
a) Modelos estáticos:
A neurociência computacional é um ramo dos sistemas computacionais biológicos
que combina dois tipos de estudo interligados: aquisização de conhecimento, mineração
de dados (KDD), e simulação. O KDD permite pesquisa de padrões em dados estáticos e
fornece substrato e contexto para a construção de simulações. KDD pode ser usado para
explorar tanto bases de dados biológicos como as taxonomias que foram desenvolvidos
para a saúde pública, seguros de saúde e fins bibliográficos.
A complexidade da epilepsia tem dificultado um acordo com esses sistemas de
classificação e taxonomia. Taxonomias formais e ontologias desenvolvidas por KDD
podem ajudar a esclarecer os aspectos e subtipos de Epilepsia que são exploradas através
de pesquisas e modelagem.
No contexto do KDD, o banco de dados é um modelo computacional. A estrutura
de bases de dados complexas (por exemplo, para redes genéticas, cascatas de sinalização
celular ou caminhos) incorpora os dados, incorporando as relações tais como como
hierarquias, heranças e associações. KDD extrai informação que não seria aparente
através de uma leitura humana sem a mediação desses modelos. Similarmente, uma
ontologia formal organiza os dados dentro de uma taxonomia, com regras para ligar,
incorporar ou transformar conceitos. Vários modelos qualitativos podem ser construídos
a partir de uma ontologia. Esses modelos definem a fenomenologia em termos de classes,
tipos ou tamanhos brutos.
Outro tipo de modelo computacional estático, é o modelo gráfico que gera e
examina diagramas de conectividade. Gráficos dirigidos, nos quais A a B difere de B para
A, são usados para definir padrões de conectividade neuronal. A grande diferença entre
gráficos aleatórios (com probabilidades de conectividade uniformes) e pequenos, com
distâncias médias baixas de qualquer um para qualquer outro. Gráficos de pequeno porte
geralmente contêm hubs (semelhante ao sistema de hub da companhia aérea). A teoria
dos grafos tem sido usada ao nível de áreas cerebrais, tão bem como no nível das redes
neuronal, e será discutido mais adiante.
b) Modelos dinâmicos
A modelagem dinâmica envolve o carregamento de equações que descrevem a
mudança em um computador. Estas equações são numericamente resolvidas para fornecer
previsões de como um sistema complexo irá evoluir. Embora a modelagem
computacional seja uma extensão da modelagem matemática, ela difere por ser em si um
esforço experimental que produz insights inesperados durante a exploração. A simulação
produz uma grande quantidade de dados virtuais que complementam dados
experimentais. Os dados virtuais podem então ser minados para fornecer comparação com
o sistema original, e assim permitir a exploração dos parâmetros ausentes, bem como
contribuir para o desenvolvimento de novas hipóteses. Desta forma, a simulação e o KDD
são parceiros em apoio mútuo.
Modelos dinâmicos incluem modelos estocásticos (aleatórios) tais como modelos
de Poisson, modelos de Monte Carlo, Markov e outros. Nesses modelos, intervalos ou
instâncias são tiradas aleatoriamente de uma distribuição. Modelos de Markov têm sido
utilizados para modelar o tempo de ocorrência de convulsões e são também amplamente
utilizados para modelar transições de canais de íons. Os modelos Monte Carlo são usados
para seguir trajetórias de moléculas e íons individuais em uma sinapse.
A forma de trabalho da modelagem dinâmica é o modelo determinístico, que
geralmente é descrito por equações diferenciais. Para a informatização, essas equações
são discretizadas no espaço e no tempo (usando aproximações). Exemplos
neurobiológicos de modelos dinâmicos incluem modelos comportamentais e as equações
de Hodgkin-Huxley. Outra forma de modelo determinístico é o modelo impulsionado por
eventos, que gera o tempo de forma descontínua através da modelagem de cadeias de
eventos dependentes. Tais modelos podem ser usados para modelar as sequencias de
disparos. Nas seções a seguir, são descritas algumas convulsões dinâmicas específicas e
modelos de epilepsia.
3. Modelos estocásticos
A maioria dos cientistas está bastante familiarizada com um tipo básico de
modelagem matemática - a de ajustar os dados a uma distribuição. É fácil ativar o
processo de ajuste de dados para criar dados sintéticos a partir de um modelo de
parâmetros estáticos - por exemplo, os dois parâmetros (μ e σ) de uma distribuição
gaussiana - e, por sua vez, criam um simples modelo estocástico.
Modelos estocásticos podem ser usados quando um sistema é muito complexo
para considerar modelar os seus detalhes. Eles também são usados quando um sistema é
sujeito a caprichos que não podem ser modelados. Por exemplo, as convulsões são mais
prováveis depois de uma noite de sono perdida. Não é possível modelar padrões
comportamentais que possam levar isso em consideração. A modelagem estocástica pode
ser usada para o curso clínico da epilepsia e para investigar se podemos prever os
momentos de início de convulsões.
a) Previsões convulsivas
Modelos estocásticos iniciais de ocorrência de convulsões sugeriram que eles
seguissem um modelo de distribuição. Estudos clínicos subseqüentes indicaram que
alguns pacientes mostrarão desvios deste padrão de ciclicidade (recorrência periódica da
convulsão, como às vezes é visto com a menstruação).
Outras pesquisas de modelagem sugeriram que os cérebros de alguns pacientes
exibem dois estados que têm diferentes probabilidades de ocorrência de convulsões (alta
e baixa, correspondentes, respectivamente, a períodos de propensão a convulsão e estado
de resistência). O modelo Markov de dois estados foi um modelo de convulsão animal:
onde um longo período de estado propenso a convulsão foi associado a um longo período
no estado resistente à convulsão.
A modelagem de Markov também tem sido usada para a adequação dos algoritmos
de previsão da convulsão. Um modelo para este efeito usou três estados do cérebro de
Markov: «Normal», «pré-convulsivo» e «convulsivo», com transições bidirecionais
possíveis entre quaisquer dois estados.
O único estado diretamente observável foi o estado de convulsão. Este era,
portanto, um modelo de Markov oculto: onde os outros dois estados não puderam ser
diretamente observados a partir dos dados mas foram inferidos através do modelo. Além
das transições probabilísticas entre os estados, o modelo inclui probabilidades de emissão:
a probabilidade de que dado estado seria observado. Por exemplo, a detecção de do estado
pré-convulsivo foi associado a uma expecifica probabilidade de emissão. O modelo
poderia sugerir onde falsos positivos (o algoritmo que indica pré-convulsão quando o
cérebro era normal) e falsos negativos (O algoritmo não está sendo disparado mesmo que
o cérebro encontre-se em pré-convulsão).
Do ponto de vista neurobiológico, este modelo é interessante porque torna
explícita a noção de pré-convulsão e faz previsões específicas sobre as transições para
dentro e para fora deste estado. Uma previsão significativa da convulsão só será possível
se tal estado existe. A existência desse estado em alguns pacientes é sugerida pela sua
capacidade de predizer suas crises um dia antes que ocorram. Sem um estado de pré-crise,
o máximo que pode ser alcançado é uma melhora na detecção do início da convulsão. O
modelo demonstrou transições bidirecionais entre a pré-convulsão e convulsões, uma
possível causa de agrupamento de crises. Da mesma forma, demonstrou a pre-convulsão-
ao normal, transições que teriam que ser mais feitas por qualquer terapia que possibilite
a predição.
b) Modelagem clínica.
Outro estudo usou modelagem seguindo o curso clínico (remissão e recaída).Um
modelo de Markov de três estados ajustou o curso da epilepsia em 602 crianças. O modelo
previu que um subconjunto (Aproximadamente 20%) dos pacientes nunca sofreria
remissão. A proporção de pacientes que se espera em remissão após 4-5 anos foi prevista
para ser aproximadamente 70%. Esses grupos poderiam então ser analisados para
diagnosticar os seus distúrbios e ligar a estes a dinâmica da desordem com sua definição
(taxonomia). Este modelo tem valor prognóstico: podemos dar aos pais uma ideia da
chance de remissão, uma vez que a criança atinge a idade escolar. Além disso, o modelo
mostrou que a probabilidade de permanecer em remissão difere um pouco de acordo com
o tempo decorrido desde o início da epilepsia a remissão durante o período inicial de 3
anos após o diagnóstico. A probabilidade era ligeiramente reduzida se a criança levou 4
anos para se submeter a remissão. Este resultado pode ter implicações neurobiológicas.
Claramente, a epilepsia no cérebro da criança é um processo altamente não-estacionário
- o cérebro está em constante mutação devido tanto à efeitos de convulsões e de alterações
dos processos normais ou anormais. Pode-se imaginar que existem periodos críticos,
vulneraveis no desenvolvimento do cérebro ou no desenvolvimento da epilepsia, durante
os quais, intervenções terapêuticas seriam particularmente eficazez.
Direções futuras
Esta revisão mostrou que a modelagem da epilepsia e da convulsão pode ser usada
em vários níveis para a compreensão dos vários aspectos clínicos dessa desordem:
prognóstico, predição, classificação, ação terapêutica e diagnóstico. Mostrei como um
modelo de progressão da doença pediátrica pode ser utilizada para fornecer informações
de prognóstico para os subgrupos de pacientes. Seria particularmente valioso para
conectar diretamente modelos de bancos de dados taxonômicos e ontologias, como
também com bancos de dados genéticos, a fim de correlacionar essas várias fontes
clínicas aos resultados no paciente. Desta forma, a modelagem ontológica e o KDD
podem nos ajudar a desenvolver novas classificações e definir síndromes e
subsindromes.A previsão bem sucedida da convulsão exigirá uma combinação de
modelagem e trabalho experimental. A previsão de ataques não só permitirá o
desenvolvimento de dispositivos de terminação de crises convulsivas, mas
desenvolvimento de dispositivos que simplesmente alertam os períodos de alta
probabilidade de convulsão. No entanto, como sugerido pelo modelo de ausência-
epilepsia, algumas crises provavelmente não têm um estado de pré-convulsão sendo
portanto imprevisível. Similarmente, nós poderíamos desenvolver modelos de
computador que interagissem diretamente com acompanhamento clínico contínuo de
crises; isso seria gradualmente um modelo de um determinado para as convulsões do
paciente. Sugeri que a causação multifatorial de epilepsia pode ser abordada por modelos
de computador que encapsulam os muitos conspiradores e causas e atenuantes ou
exacerbando influências. Esta complexidade também se estende ao domínio terapêutico,
onde observa-se que muitos fármacos têm múltiplos locais de ligação e efeitos múltiplos.
Esta complexidade da acção do fármaco tem sido minimizado por chamar as drogas
«Sujas», na presunção de que a vinculação adicional é provável de ser uma causa de
efeitos secundários indesejáveis. No entanto, em muitos casos a sujidade pode ser um
aspecto crítico da eficácia da droga. O desenvolvimento de novos fármacos
anticonvulsivantes beneficiarão a modelagem de tais efeitos sinérgicos. Atualmente,
farmacoterapêutica racional é levada a cabo por concepção de ligandos para receptores
específicos. Os farmacoterapêuticos racionais também poderão utilizar o computador
para determinar quais os receptores devem ser direcionados em conjunto. Uma grande
área de biologia de sistemas computacionais não foi discutida aqui: a simulação dinâmica
de Genômica, proteômica e fisiômica celular (transdução de sinais
Caminhos) que permite o estudo de alterações no nível de biologia celular. Esta pesquisa
tem enorme importância para o sistema sináptico e plasticidade celular que
provavelmente subjaz a muitos tipos de epilepsia. Não foi discutido aqui porque há pouco
trabalho nesta área sobre a epilepsia. Um aspecto interessante da neurociência
computacional é sua acessibilidade a pesquisadores com antecedentes muito diferentes.
Recentemente foi sugerido que "aplicação da biologia de sistemas à prática médica é o
futuro da medicina ". Com ampla participação, avanços na modelagem computacional e
aplicação clínica dos resultados, é uma previsão que poderá ser cumprida para epilepsia.