“BrainDish”: El uso de cerebros vivos para realizar las labores de cómputo

En la piedra angular de la literatura de ciencia ficción, DUNE de Frank Herbert (1965), los seres humanos descartaron el uso de máquinas pensantes debido a una cruel guerra entre las inteligencias artificiales y los seres humanos, unos 10.000 años antes de los eventos que se narran en la película de Denis Villeneuve.

En vez de computadores, en DUNE nos presentan a los “mentats”, seres humanos capaces de realizar una gran cantidad de cálculos que dejarían en vergüenza a cualquier supercomputadora moderna. En paralelo en el mundo real, durante los primeros años de la carrera espacial, la NASA usó calculadoras humanas para verificar los datos aeroespaciales usados en los análisis de trayectoria de las misiones que buscaban poner al hombre en la Luna. A diferencia de lo ocurrido en DUNE, estas calculadoras humanas fueron reemplazadas por las computadoras IBM 7090.

El uso de cerebros vivos para realizar las labores de cómputo usualmente llevadas a cabo por una CPU, parece sacado de las películas de horror y ciencia ficción de los años 70, pero es exactamente lo que propone una reciente investigación a cargo del Dr. Brett Kagan, investigador principal de Cortical Labs, una empresa australiana especializada en el diseño de interfaces entre neuronas y placas electrónicas.

Los resultados de este estudio fueron publicados en la revista Neuron y en el artículo se presenta el “BrainDish”, una red neuronal capaz de aprender a realizar tareas específicas.

El BrainDish es un cultivo de células neuronales de ratón que se encuentran sobre un chip HD-MEA (High Density MicroElectrode Array), una placa tipo pozo que posee una alta densidad de electrodos capaces de enviar y recibir información eléctrica de la red neuronal. Estos electrodos se encuentran recubiertos en platino, un metal inerte en condiciones fisiológicas, lo que le permite a estas neuronas crecer sobre los electrodos, formar conexiones entre ellas y retener su capacidad de generar potenciales de acción de forma espontánea. Este tipo de cultivos es conocido como un organoide cerebral.

El objetivo de este proyecto era demostrar si esta red neuronal era capaz de resolver tareas de forma “inteligente” aprovechando el lenguaje eléctrico que comparten las neuronas. Existen dos condiciones para que este comportamiento sea considerado inteligente. Lo primero es que el sistema tiene que ser capaz de percibir su ambiente externo, a lo que después debe reaccionar de forma particular de acuerdo con la información sensorial que recibe. Esto es análogo a cuando caminamos por la calle sin chocar con todo lo que tenemos por delante. Durante la caminata tomamos la decisión consciente de no caminar contra un muro o un auto en movimiento, por ejemplo, según lo que podemos ver, oler o escuchar.

Para observar si existe “inteligencia” en las decisiones de la red neuronal, los investigadores evaluaron su desempeño para jugar el videojuego PONG. El videojuego está basado en una versión sumamente sencilla del tenis de mesa en donde dos barras verticales simulan ser las paletas y un píxel que da bote entre ellas simula ser la pelota. La simplicidad de este sistema le permitió a la empresa DeepBrain desarrollar los primeros algoritmos de “Deep Learning” utilizados en el entrenamiento de inteligencias artificiales.

Para que la red neuronal pueda interactuar con el juego, la superficie del chip HD-MEA fue separada en distintas secciones. Una sección sensorial le diría a la red dónde está la pelota y dos secciones motoras accionarían el movimiento de las paletas. Para poder diferenciar el movimiento de las paletas, se separó la zona motora del cultivo en dos mitades, una superior y otra inferior. Cuando la actividad del hemisferio superior fuera mayor que la del inferior la paleta se movería hacia arriba y lo mismo en el caso contrario para moverla hacia abajo. Si el movimiento de la paleta resulta en la intercepción de la pelota un estímulo eléctrico (de 75 mV por 100 ms) sería aplicado a todos los electrodos. En el caso contrario un estímulo eléctrico distinto (de 150 mV por 400 ms) sería aplicado al azar entre los electrodos de la sección sensorial.

Es importante diferenciar si el comportamiento de la red neuronal es aprendizaje o si son una serie de eventos aleatorios afortunados. Para verificar esto se utilizó el principio de energía libre para la percepción y la acción. Este principio se basa en la capacidad de los seres vivos para planificar acciones que les permitan sobrevivir en su ambiente. En términos prácticos, es un modelo estadístico que nos permite diferenciar si el comportamiento del BrainDish minimiza la energía libre utilizada para realizar la acción, de esta forma podremos determinar si la red neuronal aprende a realizar la tarea de forma efectiva o si fue un golpe de suerte.

A partir de este principio de energía libre, se diseñaron una serie de pruebas para demostrar que esta red de neuronas es capaz de realizar una tarea y mejorar su desempeño a medida que la repite. Con este objetivo, se evaluó el desempeño de la red modificando los estímulos de retroalimentación que recibe al pegarle o no pegarle a la pelota con las paletas y el largo de la sesión de juego. La primera modificación fue una prueba de retroalimentación silenciosa en donde la red no recibió un estímulo eléctrico al interceptar la pelota, pero sí se mantuvo el tiempo en el que ocurrirá esta retroalimentación. La segunda modificación fue una prueba de no retroalimentación, en donde tanto las señales eléctricas como las de tiempo fueron suprimidas y el juego continuó a pesar de que la red fallara en conectar con la pelota. Durante estas pruebas, se evaluaron la cantidad de veces que la red interceptaba la pelota en sesiones de entre uno y veinte minutos. Como control se utilizó una red de células sin actividad eléctrica y el ruido eléctrico de placas sin células, que se produce por interferencias no deseadas en el entorno electromagnético.

En todas las condiciones, la retroalimentación, ya sea con estímulos eléctricos o silenciosa, demostró ser necesaria para que la red pudiera desempeñar la tarea de forma exitosa, acumulando un mayor número de golpes a la pelota a medida que aumentaba el tiempo de la sesión, mientras que en las series de sesiones donde no había retroalimentación no había diferencia con el desempeño de la red control. Los resultados de estas sesiones de juego sugieren que la red aprende cuando tiene la retroalimentación positiva, mientras que no aprende nada cuando no la tiene. Esto parece obvio para nosotros, pero es muy significativo a la hora de evaluar la capacidad de estas redes neuronales para realizar tareas concretas.

En la actualidad, al hablar del desarrollo de inteligencias artificiales es imposible no pensar en modelos de lenguaje como ChatGPT o Bard. Estos modelos están basados en “redes neuronales” entrenadas con una gran cantidad de datos y emulan cómo las neuronas usadas por los seres vivos comparten información entre ellas. Estos modelos son capaces de generar respuestas de texto a partir de una consulta o “prompt”. A pesar de su versatilidad para generar desde listas de supermercado hasta códigos para software, ChatGPT genera sólo texto y eso está bien, porque para eso fue diseñado, pero el método que usa, el Machine Learning, puede ser aplicado a otras cosas, como generar imágenes originales a partir de entradas de texto como DALL-E o Stable Diffussion. Al final estas inteligencias artificiales son distintas herramientas para desarrollar distintas tareas y sólo se encuentran limitadas por la capacidad de cómputo que tienen disponible o las restricciones que les impone el equipo de investigadores que la está desarrollando.

A pesar de que se encuentra en sus primeras fases de desarrollo, las posibles aplicaciones de organoides cerebrales, a diferencia de las inteligencias artificiales sintéticas, no tiene límites tan bien definidos, principalmente porque no sabemos aún cuál es el potencial de esta masa de células para aprender, tomar decisiones inteligentes o si son capaces de desarrollar un lenguaje. ¿Qué tan complejo debería ser un organoide cerebral antes de ser considerado un ser vivo consciente? ¿Deberían tener algún tipo de derecho estas “inteligencias artificiales? ¿Los organoides son capaces de sufrir? Este tipo de preguntas son las mismas que hoy en día nos hacemos para utilizar animales para el estudio de la neurociencia o el desarrollo de nuevos fármacos, en donde buscamos disminuir el sufrimiento animal en el desarrollo de nuevas tecnologías.

Existe una versión interactiva de este experimento en https://spikestream.corticallabs.com/.

Fuente: https://www.sciencedirect.com/science/article/pii/S0896627322008066?via%3Dihub

*Este artículo surge del convenio con el Centro Interdisciplinario de Neurociencia de la Universidad de Valparaíso.