Una red neural artificial reconoce "escritura manual molecular"

Una red neural artificial reconoce escritura manual molecular
OLIVIER WYART
Actualizado: jueves, 5 julio 2018 7:46

MADRID 5 Jul. (EUROPA PRESS) -

Investigadores de Caltech, en California, Estados Unidos, han desarrollado una red neuronal artificial hecha de AND que puede resolver un problema clásico de aprendizaje automático: identificar correctamente los números escritos a mano. El trabajo, que se publica en la edición digital de 'Nature' y saldrá en la edición impresa el 19 de julio, es un paso significativo para demostrar la capacidad de programar la inteligencia artificial en circuitos biomoleculares sintéticos.

"Aunque los científicos apenas han comenzado a explorar la creación de inteligencia artificial en máquinas moleculares, su potencial ya es innegable --dice el autor principal, Lulu Qian, profesor asistente de Bioingenería--. Similar a cómo las computadoras electrónicas y los teléfonos inteligentes han hecho a los humanos más capaces que hace cien años, las máquinas moleculares artificiales podrían hacer que todas las cosas hechas de moléculas, incluso incluyendo pintura y vendajes, sean más capaces y respondan mejor al medio ambiente en los próximos cien años"

Las redes neuronales artificiales son modelos matemáticos inspirados por el cerebro humano. A pesar de ser muy simplificadas en comparación con sus contrapartes biológicas, las redes neuronales artificiales funcionan como redes de neuronas y son capaces de procesar información compleja. El objetivo final del laboratorio Qian para este trabajo es programar comportamientos inteligentes (la capacidad de calcular, tomar decisiones y más) con redes neuronales artificiales hechas de AND.

"Los seres humanos tienen más de 80.000 millones de neuronas en el cerebro, con lo que toman decisiones muy sofisticadas. Los animales más pequeños como lombrices intestinales pueden tomar decisiones más simples con solo unos pocos cientos de neuronas. En este trabajo, hemos diseñado y creado circuitos bioquímicos que funcionan como una pequeña red de neuronas para clasificar información molecular sustancialmente más compleja de lo que era posible anteriormente", dice Qian.

Para ilustrar la capacidad de las redes neuronales basadas en AND, Kevin Cherry, estudiante de posgrado de laboratorio de Qian, eligió una tarea que es un desafío clásico para las redes neuronales artificiales electrónicas: reconocer la escritura a mano. La escritura humana puede variar ampliamente, por lo que cuando una persona examina una secuencia de números garabateada, el cerebro realiza tareas computacionales complejas para identificarlos.

Debido a que puede ser difícil incluso para los humanos reconocer la letra descuidada de los demás, identificar números escritos a mano es una prueba común para programar la inteligencia en redes neuronales artificiales. A estas redes se les debe "enseñar" cómo reconocer números, explicar variaciones en la escritura a mano, luego comparar un número desconocido con sus supuestos recuerdos y decidir la identidad del número.

REACCIONES QUÍMICAS PARA IDENTIFICAR LA ESCRITURA MOLECULAR

En este trabajo, Cherry, que es primer autor del artículo, demostró que una red neuronal hecha de secuencias de AND cuidadosamente diseñadas podría llevar a cabo reacciones químicas prescritas para identificar con precisión la "escritura molecular". A diferencia de la escritura visual que varía en forma geométrica, cada ejemplo de escritura molecular en realidad no toma la forma de un número. En cambio, cada número molecular se compone de 20 hebras únicas de AND elegidas entre 100 moléculas, cada una asignada para representar un píxel individual en cualquier patrón de 10 por 10. Estas cadenas de AND se mezclan en un tubo de ensayo.

"La falta de geometría no es infrecuente en las firmas moleculares naturales, pero todavía se requieren sofisticadas redes neuronales biológicas para identificarlas: por ejemplo, una mezcla de moléculas únicas de olor comprende un olor", dice Qian. Dado un ejemplo particular de escritura a mano molecular, la red neuronal de AND puede clasificarla en hasta nueve categorías, cada una representando uno de los nueve posibles dígitos escritos a mano del 1 al 9.

Primero, Cherry construyó una red neuronal de AND para distinguir entre seises y sietes escritos a mano. Probó 36 números escritos a mano y la red neuronal del tubo de ensayo identificó correctamente todos ellos. Su sistema teóricamente tiene la capacidad de clasificar más de 12.000 manuscritos 6 y 7, el 90 por ciento de esos números tomados de una base de datos de números manuscritos ampliamente utilizados para el aprendizaje automático, en las dos posibilidades.

Crucial para este proceso fue codificar una estrategia competitiva de que "el ganador se lleva todo" utilizando moléculas de AND, desarrolladas por Qian y Cherry. En esta estrategia, se utilizó un tipo particular de molécula de AND denominada aniquilador para seleccionar un ganador al determinar la identidad de un número desconocido.

"El aniquilador forma un complejo con una molécula de un competidor y una molécula de un competidor diferente y reacciona para formar especies inertes y no reactivas --detalla Cherry--. El aniquilador rápidamente se come todas las moléculas del competidor hasta que solo queda una sola especie competidora. El competidor ganador es luego restaurado a una alta concentración y produce una señal fluorescente que indica la decisión de las redes".

Luego, Cherry se basó en los principios de su primera red neuronal de AND para desarrollar una aún más compleja, una que pudiera clasificar números de un dígito 1 hasta 9. Cuando se le presenta un número desconocido, esta "sopa inteligente" sufrirá una serie de reacciones y emitirá dos señales fluorescentes, por ejemplo, verde y amarillo para representar un 5, o verde y rojo para representar un plan de 9.

Qian y Cherry planean desarrollar redes neuronales artificiales que puedan aprender, formando "recuerdos" a partir de ejemplos añadidos al tubo de ensayo. De esta manera, dice Qian, la misma sopa inteligente puede ser entrenada para realizar diferentes tareas.

"Diagnósticos médicos comunes detectan la presencia de unas pocas biomoléculas, por ejemplo, colesterol o glucosa en sangre --dice Cherry--. Utilizando circuitos biomoleculares más sofisticados como el nuestro, las pruebas de diagnóstico algún día podrían incluir cientos de biomoléculas, con el análisis y la respuesta estables canalizado directamente en el entorno molecular".

Leer más acerca de: