A pesquisa científica, ao transcorrer anos, apresenta transformações significativas impulsionadas pelo avanço contínuo da tecnologia. Entre as muitas ferramentas inovadoras que desenham esse cenário, a modelagem matemática e computacional emerge como uma abordagem que tem ganhado os laboratórios, transformando a maneira como exploramos os resultados das pesquisas.
As melhorias no desempenho da computação nos permitem modelar sistemas químicos, biológicos e materiais muito mais complexos e cruzar quantidades cada vez maiores de dados. A utilização deste conhecimento oferece uma vantagem notável na captura da integralidade dos fenômenos naturais, permitindo a inclusão de múltiplos parâmetros, interações e variáveis, resultando em representações mais fidedignas. Enquanto abordagens tradicionais podem ser limitadas em sua capacidade de reproduzir sistemas (WANG et al., 2020).
Seja na simulação do comportamento de partículas, nas reações moleculares, na previsão de mudanças climáticas ou na compreensão de dinâmicas populacionais, a capacidade de criar ambientes controlados virtualmente oferece uma perspectiva inigualável para testar hipóteses e antecipar resultados. Experimentos virtuais podem ser realizados sem a necessidade de recursos físicos, reduzindo custos e tempo. Além disso, a capacidade de repetir simulações com facilidade permite uma validação robusta, melhorando a confiabilidade das descobertas (WANG et al., 2020).

Na área das ciências da saúde, a modelagem computacional desempenha um papel crucial no processo de compreensão da fisiopatologia e no desenvolvimento de tratamentos e novos medicamentos, destes prevendo propriedades moleculares, interações e eficácia de compostos antes mesmo de sintetizá-los (KRIEGESKORTE e DOUGLAS, 2018; WANG. et al. 2020).
Neste contexto, a neurociência computacional é um campo que utiliza análise teórica, modelos matemáticos e abstrações do cérebro para perceber os princípios que controlam o desenvolvimento, estrutura, fisiologia, processos emocionais e cognitivos do sistema nervoso. Kriegeskorte e Douglas (2018) descrevem que o objetivo dos modelos matemáticos em neurociência é capturar as principais propriedades desse sistema biológico em múltiplas escalas espaço-temporais, desde potenciais de membrana, função de neurotransmissor e arquitetura topográfica até faculdades mentais, como memória. Para que, a partir destes sistemas, fornecer subsídios para entender melhor os processos fisiopatológicos que causam transtornos mentais e, finalmente, diagnosticar e tratar essas patologias de forma mais eficaz.

Neste contexto, a revisão de Khaleghi et al. (2022) destaca que o ponto importante na modelagem computacional é que esses modelos não devem ser formulados para testar certas hipóteses sobre função cerebral e disfunção. Em vez disso, é muito melhor que eles sejam como observatórios matemáticos para examinar e validar diferentes hipóteses candidatas. Ou seja, esses modelos computacionais enquadram ideias que podem ser examinadas diretamente por experimentos psicológicos ou biológicos. Portanto, um modelo computacional é uma ferramenta poderosa, não apenas uma hipótese, e pode ser vinculado a outras ferramentas de pesquisa e clínicas (KHALEGHI et al., 2022).

Mas será que esse método poderia ser considerado uma forma de prever todo e qualquer fenômeno?
Apesar dos avanços, é imperativo reconhecer os desafios associados. A precisão dos modelos depende da qualidade dos dados de entrada e da validade das suposições subjacentes. Além disso, a interpretação dos resultados requer uma compreensão crítica das limitações e das incertezas inerentes aos modelos. 
A maioria dos modelos matemáticos em biologia de sistemas enfrenta três problemas: modelos altamente não lineares, muitos parâmetros para aproximação e o escasso conteúdo de informações dos dados experimentais disponíveis. Nesse sentido, o sucesso da maioria das tentativas científicas depende da precisão com que os fenômenos podem ser modelados a partir de uma síntese e fusão dos achados experimentais já relatados. Por conseguinte, há uma demanda por métodos de otimização que sejam capazes de estimar os parâmetros de forma eficiente e por mais dados descritos (WANG et al., 2020; KHALEGHI et al., 2022).

Em conclusão, a ascensão da modelagem matemática e computacional representa uma revolução nas pesquisas científicas contemporâneas. Essa abordagem oferece uma janela para a compreensão profunda de fenômenos complexos, promovendo avanços inovadores em uma variedade de campos. No entanto, é crucial abordar essas ferramentas com um equilíbrio entre entusiasmo e cautela, reconhecendo tanto seu potencial transformador quanto suas limitações inerentes, não podendo ser considerada cegamente como uma previsora de tudo. Destarte, o futuro da pesquisa científica sem dúvida será moldado pela constante evolução e integração da ciência computacional com as outras áreas.

REFERÊNCIAS: 
KHALEGHI, A. et al. Computational neuroscience approach to psychiatry: a review on theory-driven approaches. Clinical Psychopharmacology and Neuroscience, v. 20, n. 1, p. 26, 2022.
KRIEGESKORTE, N.; DOUGLAS, P. K. Cognitive computational neuroscience. Nature neuroscience, v. 21, n. 9, p. 1148-1160, 2018.
WANG, Y. et al. A survey of current trends in computational predictions of protein-protein interactions. Frontiers of Computer Science, v. 14, p. 1-12, 2020.