Científicos de la computación de la Escuela de Ingeniería y Ciencias Aplicadas de Harvard (Cambridge, Massachusetts, EE.UU.) y el Instituto Wyss de Ingeniería Inspirada en la Biología de la misma universidad han unido sus fuerzas para poner potentes algoritmos de razonamiento probabilístico en manos de los bioingenieros .
En un nuevo estudio, Ryan P. Adams y Nils Napp han demostrado que una importante clase de algoritmos de inteligencia artificial podría implementarse utilizando reacciones químicas.
Estos algoritmos son un acoplamiento matemático de las ideas de la teoría de grafos y la probabilidad. Son lo más avanzado en el aprendizaje automático y ya son parte fundamental de herramientas cotidianas, como los motores de búsqueda o la corrección de errores en los teléfonos móviles .
El trabajo de Adams y Napp demuestra que algunos aspectos de la inteligencia artificial se podrían aplicar a escalas microscópicas utilizando moléculas. En el largo plazo, dicen los investigadores, estos desarrollos teóricos podrían abrir la puerta a «medicamentos inteligentes» que pudieran detectar, diagnosticar y tratar de forma automática una variedad de enfermedades utilizando un cóctel de sustancias químicas que pueden realizar razonamientos de tipo IA (inteligencia artificial).
Máquinas inteligentes a pequeña escala
«Entendemos mucho acerca de la construcción de sistemas de inteligencia artificial que pueden aprender y adaptarse a escalas macroscópicas», señala Adams, profesor asistente de ciencias informáticas en Harvard, en la nota de prensa de la universidad.
«Este trabajo demuestra que es posible también construir máquinas inteligentes a pequeñas escalas, sin necesidad de nada que parezca un ordenador normal. Este tipo de IA basada en la química será necesaria para crear terapias que se adapten a su entorno. La esperanza es conseguir finalmente medicamentos que se puedan especializar en la química de cada persona y puedan diagnosticar o tratar una amplia gama de patologías».
Adams y Napp diseñaron una herramienta que puede hacer representaciones probabilísticas de incógnitas (modelos gráficos probabilísticos, en el lenguaje de aprendizaje de la máquina) y compilarlos en un conjunto de reacciones químicas que estiman cantidades que no se pueden observar directamente. La idea clave es que la dinámica de las reacciones químicas se asigna directamente a los dos tipos de pasos computacionales que los informáticos normalmente realizan in silico (vía simulación computacional) para lograr el mismo fin.
Además de las posibilidades a largo plazo para la terapéutica inteligente, también podría abrir la puerta para el análisis de las reacciones biológicas naturales. Al igual que los robots, las células biológicas deben valorar la situación del entorno externo y actuar en consecuencia; el diseño de sistemas artificiales que realicen estas tareas podría dar a los científicos una mejor comprensión de cómo se resuelven estos problemas a nivel molecular en el interior de los sistemas vivos.
Investigaciones en curso
«Hay mucha investigación en curso para desarrollar dispositivos computacionales químicos», asegura Napp, becario postdoc en el Instituto Wyss. Una parte de la investigación de Napp tiene que ver con el desarrollo de nuevos tipos de dispositivos robóticos que se mueven y se adaptan como las criaturas vivas.
«Lo que hace a este proyecto diferente es que, en lugar de apuntar a la computación en general, nos hemos centrado en tomar algoritmos particulares que han tenido éxito en la solución de problemas difíciles en áreas como la robótica, y traducirlos de manera eficiente en descripciones moleculares», explica Napp.
«Por ejemplo, estos algoritmos permiten que los robots de hoy tomen decisiones complejas y fiables utilizando sensores ruidosos. Es muy emocionante pensar en lo que estas herramientas serían capaces de hacer para construir mejores máquinas moleculares .
De hecho , el campo de aprendizaje automático está revolucionando muchas áreas de la ciencia y la ingeniería. La capacidad de extraer información útil de grandes cantidades de información débil e incompleta, no sólo está impulsando el interés actual por el big data, sino que también ha permitido un rápido avance en disciplinas más tradicionales, como la visión artificial y la robótica, donde los datos están muy disponibles, pero son difíciles de interpretar. Los bioingenieros a menudo se enfrentan a retos similares, ya que muchas vías moleculares están todavía poco caracterizadas y los datos disponibles están afectados por ruido aleatorio.
Usando aprendizaje de máquinas, estos desafíos se pueden superar mediante el modelado de las dependencias entre las variables aleatorias y ser usados para extraer y acumular las pequeñas cantidades de información que cada evento aleatorio proporciona.
Referencia bibliográfica:
Nils E. Napp y Ryan P. Adams. Message Passing Inference with Chemical Reaction Networks.
Hacer un comentario