Las redes neuronales son sistemas informáticos diseñados para imitar tanto la estructura como la función del cerebro humano. Investigadores de Caltech han estado desarrollando una red neuronal compuesta por cadenas de ADN en lugar de componentes electrónicos, que realiza cálculos mediante reacciones químicas en lugar de señales digitales.
Una propiedad importante de cualquier red neuronal es su capacidad de aprender mediante la asimilación y retención de información para futuras decisiones. Ahora, investigadores del laboratorio de Lulu Qian , profesora de bioingeniería, han creado una red neuronal basada en ADN capaz de aprender. Este trabajo representa un primer paso hacia la demostración de comportamientos de aprendizaje más complejos en sistemas químicos.
Un artículo que describe la investigación aparece en la revista Nature el 3 de septiembre. Kevin Cherry (PhD ’24) es el primer autor del estudio.
La capacidad de aprender se manifiesta en múltiples escalas: nuestros cerebros se reconfiguran para integrar nueva información, nuestros sistemas inmunitarios codifican químicamente información sobre futuros encuentros con patógenos, e incluso las bacterias unicelulares aprenden información simple sobre gradientes químicos y la utilizan para encontrar alimento. El aprendizaje es un componente clave de la inteligencia, ya sea natural o artificial; por ejemplo, los dispositivos «inteligentes» pueden aprender tus preferencias y ofrecerte recomendaciones personalizadas.
«Nuestro objetivo era construir un sistema molecular desde cero que pudiera tomar ejemplos, encontrar los patrones subyacentes y luego actuar con base en nueva información nunca antes vista», dice Qian. «Imaginemos una célula artificial futura con una célula biológica como maestra. Esta observa cómo reacciona la maestra a diferentes señales moleculares, almacena esas experiencias y, a lo largo de muchas lecciones, descubre cómo responder por sí sola a señales similares, pero no idénticas».
En 2018 , Cherry y Qian crearon una red neuronal basada en ADN capaz de reconocer números escritos a mano, codificados con ADN, como patrones químicos. Dado que incluso para los humanos puede ser difícil reconocer la escritura descuidada de otros, identificar números escritos a mano es una prueba común para la inteligencia de programación en redes neuronales artificiales electrónicas clásicas. Estas redes deben considerar las variaciones en la escritura, comparar un patrón desconocido con sus supuestos recuerdos y determinar qué número representa la imagen. En el sistema de Cherry y Qian, en lugar de píxeles digitales que componen un número, cada «imagen» molecular estaba compuesta por 20 hebras de ADN únicas, asignadas para representar un píxel individual en un patrón de 10×10. Al diseñar el sistema de ADN, se utilizó una computadora clásica para determinar la cantidad necesaria de cada componente molecular para representar los recuerdos.
El nuevo estudio se basa en esa investigación para diseñar un sistema capaz de desarrollar sus propios recuerdos, codificados en señales químicas llamadas cables moleculares. Estos cables pueden activarse químicamente para almacenar información. Cuando el sistema detecta un ejemplo molecular de un número escrito a mano, activa un conjunto de cables, cada uno de los cuales presenta una conexión entre un número y sus características físicas de identificación. Con el tiempo, el sistema crea un registro físico de lo aprendido, que se almacena en concentraciones de moléculas específicas de ADN. El concepto es similar al aprendizaje del cerebro humano. (Hay un dicho en neurociencia que dice que «las células que se activan juntas, se conectan entre sí». En este caso, el cableado es molecular y los recuerdos residen en la propia química).
Cada red neuronal puede realizar sus cálculos para identificar números en una diminuta gota que contiene miles de millones de cadenas de ADN de más de mil tipos. Cada tipo de cadena fue diseñado desde cero para reaccionar únicamente con componentes específicos previstos bajo ciertas condiciones. Al finalizar la cascada de reacciones químicas, el sistema devuelve un resultado. Por ejemplo, si una imagen molecular se reconoce como un «0» manuscrito, se produce una señal fluorescente que corresponde al resultado, como rojo para el 0 y azul para el 1.
«Nuestro camino hacia una red neuronal de ADN que aprende nos llevó siete años, y el camino fue todo menos sencillo», dice Cherry. «En un sistema molecular complejo, solucionar un problema era como tapar una fuga en una presa y que otra se abriera en otro lugar. En lugar de abordar los desafíos uno por uno, necesitábamos dar un paso atrás y ver el panorama completo, para luego diseñar soluciones que abordaran todos los desafíos a la vez. Fue una decisión audaz, porque significaba empezar desde cero. Con un diseño nuevo y holístico, finalmente logramos lo que buscábamos: un sistema molecular que puede aprender. En retrospectiva, la ciencia nos enseñó algo más importante: que los problemas más difíciles exigen una visión amplia y la valentía de empezar de cero cuando hay más en juego».
El trabajo sienta las bases para que algún día se puedan desarrollar medicamentos «inteligentes» que puedan adaptarse en tiempo real a amenazas patógenas, o materiales «inteligentes» que puedan aprender y adaptarse a las condiciones externas (como un vendaje que aprende de las señales de su propia piel y responde para promover una curación más rápida de las heridas).
Una representación abstracta del cálculo y el aprendizaje del ADN en una gota.Crédito: Olivier Wyart y Ailadi Cortelletti
Ilustración artística del aprendizaje líquido: una red neuronal de ADN desarrolla habilidades de resolución de problemas por sí sola.
El artículo se titula «Aprendizaje supervisado en redes neuronales de ADN». Cherry y Qian son los autores del estudio. La financiación fue proporcionada por Schmidt Sciences y la Fundación Nacional de Ciencias.
Caltech News. Traducido al español
