O que é potencial de ação neuronio na prática
Todo mundo que estuda neurofisiologia ou trabalha com modelagem computacional de neurônios passa por isso: o potencial de ação neuronio é o mecanismo básico de comunicação entre células nervosas, mas entender o conceito no papel é muito diferente de observar um em um experimento real ou implementá-lo em código. A coisa tem uma série de armadilhas que poucos textbooks mencionam com a sinceridade que merecem.
Como funciona o potencial de ação neuronio passo a passo
Vamos começar pelo método, porque é aqui que as coisas costumam dar errado. O potencial de ação se origina quando um neurônio atinge um limiar de despolarização, tipicamente em torno de -55 mV no corpo celular ou no segmento inicial do axônio. Os canais de sódio voltagem-dependentes se abrem, o sódio entra massivamente, e o potencial de membrana sobe rapidamente para cerca de +30 a +40 mV. Em seguida, os canais de sódio se inativam e os canais de potássio voltagem-dependentes se abrem, repolarizando a membrana. Um período refratário segue, depois o potencial volta ao valor de repouso em torno de -70 mV. O modelo matemático mais usado para descrever esse comportamento é o modelo Hodgkin-Huxley, publicado em 1952, que descreve quatro equações diferenciais acopladas para a condutância do sódio, do potássio e uma corrente de fuga. Existem simplificações, como o modelo de Morris-Lecar e o modelo de FitzHugh-Nagumo, mas ambos são aproximações que escondem detalhes importantes sobre a dinâmica temporal dos gates.
Uma coisa que ninguém te conta sobre simular potencial de ação neuronio em computadores é a questão da step size. Se você usar um integrador explícito com passo muito grande, digamos 1 ms, o potencial de ação simplesmente não se forma direito. A fase de subida é tão rápida — da ordem de frações de milissegundo — que um passo de 1 ms vai pular toda a dinâmica essencial. Eu já perdi meio dia debugando um simulador porque estava usando Euler explícito com passo de 1 ms e o neurônio nunca disparava. O workaround foi mudar para Runge-Kutta de quarta ordem com passo de 0,01 ms. A simulação ficou mais lenta, mas os resultados fizeram sentido.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Detalhes que os livros não mostram
O primeiro insight contraintuitivo é que o potencial de ação não é um evento binário como muitos imaginam. Existe uma zona cinzenta entre o limiar sublimiar e o disparo completo onde pequenas variações na geometria do axônio ou na densidade de canais iônicos fazem diferença enorme. Neurônios com segmentos iniciais do axônio mais longos ou mais próximos do soma têm limiares significativamente mais baixos. Isso não é triviai de perceber se você só olha para equações em uma página plana. O segundo ponto que causa confusão é a frequência de disparo. Muitos acham que o potencial de ação neuronio funciona num regime tudo-ou-nada simples, mas a codificação por taxa de disparo depende criticamente do padrão de inativação dos canais de sódio e da ativação lenta dos canais de potássio. Em altas frequências de repetição, a adaptação spike frequency aparece porque os canais de K+ acumulam abertura progressiva. Isso significa que o mesmo estímulo constante gera potenciais de ação cada vez mais espaçados ao longo do tempo. Se você está construindo um modelo e não está considerando adaptação, seu simulador provavelmente está produzindo resultados irrealistas.
Aqui vai um exemplo concreto. Simulei recentemente um neurônio cortical do tipo parvalbumina com o modelo Morris-Lecar estendido com adaptação. O neurônio precisa de uma corrente injetada de aproximadamente 200 pA para atingir disparo rítmico. Abaixo disso, o sistema fica num ponto fixo estável e nada acontece. Entre 200 e 400 pA, o neurônio dispara com frequência crescente, mas com adaptação visível. Acima de 400 pA, a dinâmica muda — o potencial de ação neuronio continua, mas surge oscilação de alto nível que não corresponde a nenhum padrão fisiológico real. Esse limite superior é um problema conhecido e raramente discutido em materiais introdutórios.
Limitações e quando não usar o modelo padrão
O modelo Hodgkin-Huxley clássico tem limitações sérias que precisam ser consideradas. Primeiro, ele foi desenvolvido para o axônio gigante de lula, que tem diâmetro na casa dos milímetros. Aplicá-lo diretamente a neurônios pequenos de mamíferos sem ajustar os parâmetros é um erro comum. Segundo, o modelo não leva em conta a geometria dendrítica — potenciais de ação em dendritos são bem diferentes dos axonais, e a propagação passiva ao longo de dendritos longos não é capturada pelas equações originais. Terceiro, a temperatura é um fator crítico. As constantes de taxa no modelo original foram determinadas a 6,3 °C. Para temperatura fisiológica de 37 °C, o fator Q10 precisa ser aplicado, e isso muda significativamente a cinética dos gates. Para quem está começando e quer apenas observar o fenômeno, a ferramenta mais acessível é o NEURON simulator, disponível gratuitamente em neuralensemble.org. Ele tem bibliotecas prontas de canais iônicos e permite construir seções multicompartmentais sem escrever uma linha de código C. Para simulações mais simples e educativas, há também o Brian2, que é mais fácil de aprender mas menos adequado para modelos complexos de morfologia.
Se o seu objetivo é implementação em hardware neuromórfico, o panorama é diferente. Modelos como o Izhikevich, apesar de serem uma simplificação extrema do potencial de ação neuronio, conseguem reproduzir padrões de disparo variados com apenas duas equações diferenciais. Isso pode ser implementado em FPGAs com recursos mínimos, algo que o modelo completo de Hodgkin-Huxley simplesmente não permite. O detalhe mais prático que eu gostaria de ter sabido quando comecei: sempre faça verificação de conservação de carga na sua simulação. A soma das correntes iônicas mais a corrente capacitiva deve ser zero em todo instante. Se não for, você tem um erro numérico que pode produzir resultados que parecem plausíveis visualmente mas estão tecnicamente errados. Um check de conservação rápido economiza horas de análise posterior.
