RedacciónT21 
Podría parecer que las moscas de la fruta no tendrían nada en común con los ordenadores, pero una nueva investigación del Instituto Salk, que reúne a un conjunto de laboratorios que son un referente mundial en el mundo de la biología, revela que los dos identifican información novedosa de manera similar.
El trabajo, publicado en PNAS, no solo arroja luz sobre un importante problema neurobiológico: cómo los organismos detectan nuevos olores, sino que también podría mejorar los algoritmos para la detección de novedades en las ciencias de la computación.
«Cuando una mosca identifica un olor, necesita descubrir rápidamente si ha olido ese olor antes, para determinar si el olor es nuevo y algo a lo que debería prestarle atención», dice Saket Navlakha, un de los autores de esta investigación, en un comunicado.
«En informática, esta es una tarea importante llamada detección de novedades. Comprender cómo se comparan las estrategias de detección de novedades en ambos dominios podría darnos información valiosa sobre los algoritmos cerebrales y la computación», añade.
Los investigadores sugieren que su descubrimiento podría ser útil para detectar duplicados o anomalías en grandes conjuntos de datos, como bases de datos de pacientes o noticias.
En 2017, Navlakha descubrió cómo los cerebros de las moscas identifican olores similares: aplican el mismo algoritmo de «búsquedas por similitud» que usan los ordenadores (como los que sugieren productos para comprar que sean similares a compras anteriores) para mejorar los resultados de la búsqueda.
La nueva investigación se basa en otro estudio publicado en 2017 en la revista Cell, que describe cómo las moscas detectan olores completamente nuevos. Cuando Navlakha leyó el estudio, se sorprendió al ver cómo las moscas parecían estar usando una táctica similar a una herramienta informática para la detección de la novedad llamada filtro de Bloom.
Cuando un motor de búsqueda como Google rastrea la Web, necesita saber si un sitio web que ha encontrado ha sido indexado previamente, para que no pierda tiempo indexando el mismo sitio por segunda vez. El problema es que hay billones de sitios en la Web, y almacenarlos en la memoria es informáticamente costoso.
Filtro de Bloom
En la década de 1970, Howard Bloom, del MIT, ideó una estructura de datos que puede almacenar de forma compacta una gran masa de datos. En lugar de almacenar cada elemento en la base de datos en su totalidad, el filtro de Bloom almacena una pequeña «huella digital» de cada elemento, utilizando solo unos pocos bits de espacio por elemento. Al verificar si la misma huella digital aparece dos veces en la base de datos, un sistema puede determinar rápidamente si el elemento es un duplicado o algo novedoso.
Las moscas de la fruta son bien conocidas por cambiar su comportamiento en respuesta a nuevos olores. Una región en el cerebro de la mosca, llamada cuerpo pedunculado, contiene una colección de neuronas que procesa información olfativa.
Cuando se experimenta un nuevo olor, estas neuronas emiten una señal de «alerta de novedad» para que la mosca sepa que este olor es nuevo y vale la pena investigarlo. Sin embargo, si el olor no tiene un impacto fuerte, la próxima vez que se experimente el olor, se reducirá la intensidad de la señal de alerta y la mosca no perderá tiempo investigando el olor.
Este es un cálculo importante porque la mosca quiere prestar atención a algo solo si vale la pena. La señal de alerta cerebral de la mosca se genera usando una huella digital para olores similares a la «huella digital de datos» del filtro Bloom.
«Un desafío fundamental en el aprendizaje automático es encontrar representaciones de datos que sean adecuadas para una amplia gama de tareas», añade Sanjoy Dasgupta, primer autor del nuevo estudio. «El sistema olfativo de la mosca nos muestra una forma simple e ingeniosa de hacer esto».
Optimizando el filtro humano
Al analizar, desde una perspectiva informática, el circuito neural de la mosca que genera esta señal de novedad, Navlakha y Dasgupta descubrieron que la mosca de la fruta introdujo un par de nuevos giros al filtro Bloom tradicional, que su equipo ha elaborado y definido matemáticamente.
El primer giro consiste no solo en determinar si ha olido exactamente el mismo olor antes, sino también si ha percibido un olor parecido. Esto es importante porque reduce la probabilidad de percibir el mismo olor dos veces. El segundo giro implica determinar cuánto tiempo hace que ha percibido ese olor. Si ha pasado mucho tiempo, entonces la novedad del olor debería ser más alta que si has olido el olor recientemente.
Basado en la variante de filtro Bloom de la mosca de la fruta, el equipo creó un marco algorítmico para predecir artificialmente las respuestas de la mosca de la fruta ante olores nuevos. Y comprobaron que los resultados de esta simulación informática fueron muy similares a la respuesta real de las neuronas del cerebro de la mosca ante nuevos olores.
El equipo de Navlakha probó el marco algorítmico en varios conjuntos de datos de aprendizaje automático y descubrió que el filtro Bloom de la mosca mejora la precisión de la detección de nuevos olores, en comparación con otros tipos de filtros de detección de novedades creados por los seres humanos.
Navlakha agrega: «Lo que hace que este trabajo sea especialmente emocionante para nosotros es que representa una de las primeras estructuras de datos descubiertas en el cerebro, junto con un algoritmo simple de cómo el cerebro puede realizar realmente la detección de novedades».
Referencia
A neural data structure for novelty detection. Sanjoy Dasgupta et al. PNAS December 3, 2018. DOI:https://doi.org/10.1073/pnas.1814448115
Hacer un comentario