Primera red neuronal artificial basada en ADN.

Antes de que evolucionasen los cerebros basados en neuronas las células necesitaban algún tipo de mecanismo que les permitiese adaptarse a un entorno cambiante. Ese mecanismo era lo que podemos llamar un circuito biomolecular, esto es, una serie de interacciones moleculares que arrojaban un resultado u otro dependiendo de los estímulos exteriores, dándole a la célula un comportamiento “inteligente”. Si bien la hipótesis existía de que los sistemas biomoleculares realizaban computaciones in vivo del tipo de las que hacen las redes neuronales, e incluso existían propuestas teóricas de cómo podían sintetizarse sistemas análogos, no existía ninguna evidencia experimental. Ahora, un equipo de investigadores encabezado por Lulu Qian, del Instituto de Tecnología de California (Estados Unidos), presenta la primera red neuronal biomolecular, basada en ADN, que puede acceder a “recuerdos” a partir de patrones incompletos, exactamente como hace un cerebro. Los resultados se publican en Nature.

Los investigadores basaron su red neuronal bioquímica en un modelo simple de neurona: una función de umbral lineal. La neurona modelo recibe señales de entrada, las multiplica por un peso positivo o negativo, y sólo si la suma de los pesos de las entradas sobrepasan un cierto umbral se “activa” la neurona, produciendo una salida. Este modelo es una sobresimplificación de las neuronas reales pero ha probado ser bastante bueno.

Para construir la red neuronal de ADN, consistente en cuatro neuronas y un total de 112 cadenas de ADN, los científicos emplearon un proceso llamado cascada de desplazamiento de la secuencia. Este proceso fue desarrollado para otro de los logros de este equipo, un circuito de ADN que calcula raíces cuadradas. Pero veamos en qué consiste, que tiene más nombre que dificultad de concepto.

Imagina una doble hélice de ADN, son dos cadenas emparejadas perfectamente, como una cremallera. Ahora imagina que pudieses tirar de las dos cadenas en sentido opuesto de tal forma que como resultado por cada extremo sobresale una sola cadena y en la parte central sigues teniendo la cadena doble. Esto es lo que se llama desplazamiento de la secuencia. Mientras flotan estas cadenas “parcialmente dobles” en una disolución acuosa en la que también hay presentes cadenas sencillas, puede ocurrir que una cadena sencilla se una a la cola de una cadena parcialmente doble. Los condicionantes termodinámicos hacen posible que la unión de esta cadena sencilla desplace completamente la otra cadena de la doble hélice, creando una nueva cadena parcialmente doble y una nueva cadena sencilla. La cadena sencilla inicial sería una entrada (input) y la cadena sencilla final sería una salida (output).

Como se pueden sintetizar cadenas de ADN con la secuencia de bases que se quiera, los investigadores pueden programar estas interacciones para que se comporten como una red de neuronas modelo. Ajustando las concentraciones de cada cadena de ADN en la red, los científicos pueden enseñarle a ésta a recordar patrones únicos de respuestas sí/no que caracterizan una salida (output) determinada. A diferencia de otras redes neuronales que pueden aprender de ejemplos, en este caso fueron cálculos por ordenador de las concentraciones necesarias los que se usaron para implantar los “recuerdos” en la red neuronal de ADN.

La red neuronal está de esta manera preparada para jugar a un juego de adivinación en el que trata de identificar a un científico misterioso. Los investigadores “entrenaron” a la red neuronal para que “conociese” a cuatro científicos, cada una de cuyas identidades está representada por un conjunto único y específico de respuestas a cuatro preguntas sí/no (¿es británico?¿tiene un Nobel?, etc.).

¿Cómo funciona en la práctica? Tras pensar en un científico de los cuatro, un jugador humano da un subconjunto de respuestas que identifican parcialmente a un científico. El jugador introduce en el tubo de ensayo esas pistas en forma de cadenas de ADN sencillas (inputs) que corresponden a esas respuestas. La red neuronal realiza sus “cálculos” y comunica su resultado en forma de señales fluorescentes correspondientes a las cadenas de ADN de salida (output) que vendrían a interpretarse como “el científico en el que estás pensando es...”. Si los datos de entrada no son suficientes para dar una respuesta concreta, la red puede “decir” que no tiene información suficiente como para elegir a un científico concreto o que las pistas son contradictorias. Los investigadores jugaron con 27 formas distintas de responder a las preguntas y el sistema dio la respuesta correcta cada vez. El sistema demuestra así su capacidad de “deducir” una respuesta a partir de datos incompletos, algo que habitualmente se atribuye al cerebro como algo característico.

Pongamos el hallazgo un poco en contexto. Si bien el experimento es lo que se llama una prueba de principio, es decir, que esto puede hacerse, esta red neuronal es muy limitada, incluso sus posibilidades de expansión son muy limitadas. Considera que un cerebro humano tiene del orden de cien mil millones de neuronas, por no hablar del número de conexiones entre ellas; crear una red neuronal de ADN de 40 neuronas, 10 veces el tamaño de la que estamos hablando, ya representa un reto gigantesco. Además, el sistema es muy lento: emplea ocho horas para dar una respuesta. Por si fuera poco el sistema es de un sólo uso. Por lo tanto, esto es muy interesante, tremendamente interesante, pero dentro de un orden.

Pero las limitaciones del sistema para crear una superinteligencia en un tubo de ensayo no nos deben ocular las posibilidades más realistas que tienen los sistemas bioquímicos con inteligencia artificial (como puede que el nombre quede grande, digamos capacidades básicas de toma de decisiones). Podemos pensar en aplicaciones en la investigación médica, biológica o química. Estos sistemas podrían operar dentro de las células dando pistas sobre qué está ocurriendo o diagnosticando una enfermedad. Los procesos bioquímicos que pueden responder de forma “inteligente” a la presencia de otras moléculas podría permitir a los químicos producir compuestos cada vez más complejos o construir nuevas estructuras, molécula a molécula.

No podemos negar que el desarrollo de estos sistemas, más allá de los retos tecnológicos, podrían arrojar luz, aunque fuese indirectamente, sobre la evolución de la inteligencia.

Esta entrada es una participación de Experientia docet en la VI Edición del Carnaval de Química que organiza Divagaciones de una investigadora en apuros.

Referencia:

Qian, L., Winfree, E., & Bruck, J. (2011). Neural network computation with DNA strand displacement cascades Nature, 475 (7356), 368-372 DOI: 10.1038/nature10262