Dentro del esfuerzo de Moonshot para finalmente descubrir el cerebro

'Aquí está el problema con la inteligencia artificial hoy en día', dice David Cox. Sí, se ha vuelto asombrosamente bueno, desde un reconocimiento facial casi perfecto hasta autos sin conductor y máquinas de juego Go campeonas del mundo. Y es cierto que algunas aplicaciones de IA ya ni siquiera tienen que programarse: se basan en arquitecturas que les permiten aprender de la experiencia.

Sin embargo, todavía hay algo torpe y de fuerza bruta al respecto, dice Cox, neurocientífico de Harvard. Para construir un detector de perros, necesitas mostrarle al programa miles de cosas que son perros y miles que no lo son, dice. Mi hija solo tuvo que ver un perro, y desde entonces felizmente ha señalado cachorros. Y el conocimiento que la IA actual logra extraer de todos esos datos puede ser extrañamente frágil. Agregue un poco de estática ingeniosa a una imagen (ruido que un humano ni siquiera notaría) y la computadora podría confundir a un perro con un contenedor de basura. Eso no es bueno si las personas usan el reconocimiento facial para, por ejemplo, la seguridad en los teléfonos inteligentes (ver ¿Está la IA montando un caballo de un solo truco?).

El erudito postdoctoral Abhinav Grama observa el cerebro.

Después de la prueba, se extrajo el cerebro del animal.

Esta historia fue parte de nuestra edición de noviembre de 2017

• Ver el resto del número
• Suscribir

Para superar tales limitaciones, Cox y docenas de otros neurocientíficos y expertos en aprendizaje automático unieron fuerzas el año pasado para Machine Intelligence from Cortical Networks (MICrONS) iniciativa : un esfuerzo de 100 millones de dólares para aplicar ingeniería inversa al cerebro. Será el equivalente en neurociencia de un lanzamiento a la luna, dice Jacob Vogelstein, quien concibió y lanzó MICrONS cuando era oficial de programa de la Agencia de Proyectos de Investigación Avanzada de Inteligencia, el brazo de investigación de la comunidad de inteligencia de EE. UU. (Ahora está en la firma de capital de riesgo Camden Partners en Baltimore). Los investigadores de MICrONS están tratando de trazar la función y la estructura de cada detalle en una pequeña porción de corteza de roedor.

Es un testimonio de la complejidad del cerebro que se necesita un disparo a la luna para mapear incluso esta pequeña parte de la corteza, un cubo que mide un milímetro de lado, del tamaño de un grano de arena grueso. Pero este cubo es miles de veces más grande que cualquier trozo de cerebro que alguien haya tratado de detallar. Contendrá aproximadamente 100.000 neuronas y algo así como mil millones de sinapsis, las uniones que permiten que los impulsos nerviosos salten de una neurona a la siguiente.

Un cerebro de rata en un plato.

Es una ambición que deja atónitos a otros neurocientíficos. Creo que lo que están haciendo es heroico, dice Eve Marder, quien pasó toda su carrera estudiando circuitos neuronales mucho más pequeños en la Universidad de Brandeis. Es una de las cosas más emocionantes que suceden en la neurociencia, dice Konrad Kording, quien hace modelos computacionales del cerebro en la Universidad de Pensilvania.

El cerebro se pega a una placa antes de ser escaneado.

La recompensa final serán los secretos neuronales extraídos de los datos del proyecto, principios que deberían formar lo que Vogelstein llama los componentes básicos computacionales para la próxima generación de IA. Después de todo, dice, las redes neuronales actuales se basan en una arquitectura de hace décadas y en una noción bastante simplista de cómo funciona el cerebro. Esencialmente, estos sistemas difunden el conocimiento a través de miles de nodos densamente interconectados, de forma análoga a las neuronas del cerebro. Los sistemas mejoran su rendimiento ajustando la fuerza de las conexiones. Pero en la mayoría de las redes neuronales informáticas, las señales siempre caen en cascada, de un conjunto de nodos al siguiente. El cerebro real está lleno de retroalimentación: por cada manojo de fibras nerviosas que transmiten señales de una región a la siguiente, hay un número igual o mayor de fibras que regresan en sentido contrario. ¿Pero por qué? ¿Son esas fibras de retroalimentación el secreto del aprendizaje instantáneo y tantos otros aspectos del inmenso poder del cerebro? ¿Está pasando algo más?

MICrONS debería proporcionar al menos algunas de las respuestas, dice el neurocientífico Sebastian Seung de la Universidad de Princeton, quien está desempeñando un papel clave en el esfuerzo de mapeo. De hecho, dice, no creo que podamos responder a estas preguntas sin un proyecto como este.

Imagen 1: El cubo pequeño en la parte superior izquierda es la parte del cerebro que se mapeará. Imagen 2: Esa parte del cerebro está encerrada en acrílico en preparación para ser cortada en rodajas extremadamente finas.

Acercándose

Los equipos de MICrONS, uno dirigido por Cox, otro con base en Universidad de arroz y el Baylor College of Medicine, y un tercero en Carnegie Mellon, están buscando algo que es notablemente completo: una reconstrucción de todas las células en un milímetro cúbico del cerebro de una rata, además de un diagrama de cableado, un conectoma, que muestra cómo cada célula está conectado a todas las demás células, y los datos muestran exactamente qué situaciones hacen que las neuronas se disparen e influyan en otras neuronas.

El primer paso es observar los cerebros de las ratas y averiguar qué están haciendo realmente las neuronas en ese milímetro cúbico. Cuando al animal se le da un estímulo visual específico, como una línea orientada de cierta manera, ¿qué neuronas de repente comienzan a disparar impulsos y cuáles vecinas responden?

Hace apenas una década, capturar ese tipo de datos variaba de difícil a imposible: las herramientas simplemente nunca existieron, dice Vogelstein. Es cierto que los investigadores podrían introducir cables ultrafinos en el cerebro y obtener hermosos registros de la actividad eléctrica en las neuronas individuales. Pero no pudieron grabar más de unas pocas docenas a la vez porque las celdas están muy juntas. Los investigadores también podrían trazar un mapa de la geografía general de la actividad neuronal colocando humanos y otros animales en máquinas de resonancia magnética. Pero los investigadores no pudieron monitorear neuronas individuales de esa manera: la resolución espacial era de aproximadamente un milímetro en el mejor de los casos.

Las rebanadas cortadas de cerebro se adhieren a una cinta de plástico.

La cinta, con muestras de cerebro adheridas, se recorta y se coloca en una placa deslizante que entrará en una enorme máquina de escaneo.

Lo que rompió ese callejón sin salida fue el desarrollo de técnicas para hacer que las neuronas se enciendan cuando disparan en un cerebro vivo. Para hacerlo, los científicos suelen sembrar las neuronas con proteínas fluorescentes que brillan en presencia de iones de calcio, que surgen en abundancia cada vez que una célula se dispara. Las proteínas pueden insertarse químicamente en el cerebro de un roedor, transportarse por un virus benigno o incluso codificarse en el genoma de las neuronas. Luego, la fluorescencia se puede activar de varias maneras, quizás la más útil, mediante un par de láseres que bombean luz infrarroja a la rata a través de una ventana colocada en su cráneo. Las frecuencias infrarrojas permiten que los fotones penetren en el tejido neuronal comparativamente opaco sin dañar nada, antes de ser absorbidos por las proteínas fluorescentes. Las proteínas, a su vez, combinan la energía de dos de los fotones infrarrojos y la liberan como un solo fotón de luz visible que se puede ver con un microscopio ordinario cuando el animal mira algo o realiza otras acciones.

Andreas Tolias, quien lidera parte del equipo de Baylor, dice que esto es revolucionario porque puede grabar desde cada neurona, incluso aquellas que están una al lado de la otra.

Una vez que un equipo en el laboratorio de Cox ha mapeado la actividad neuronal de una rata, se mata al animal y se le infunde el cerebro con el osmio, un metal pesado. Luego, un equipo encabezado por el biólogo de Harvard, Jeff Lichtman, corta el cerebro en rodajas y descubre exactamente cómo se organizan y conectan las neuronas.

Ese proceso comienza en un laboratorio del sótano con una máquina de escritorio que funciona como una rebanadora de salami de delicatessen. Una pequeña placa de metal sube y baja, tallando metódicamente la punta de lo que parece ser un crayón de color ámbar y adhiriendo las rebanadas a una cinta transportadora hecha de cinta plástica. La diferencia es que el salami es en realidad un tubo de resina dura que encierra y sostiene el frágil tejido cerebral, la placa móvil contiene una hoja de diamante increíblemente afilada y las rebanadas tienen un grosor de unos 30 nanómetros.

Los escaneos de cortes de cerebro se unen mediante un algoritmo.

A la izquierda se ve un campo de visión multihaz, hecho de 61 imágenes tomadas por el microscopio electrónico; A la derecha se combinan 14 campos de visión multihaz.

Los escaneos se ensamblan en un cubo y se colorean.

A continuación, en otro laboratorio al final del pasillo, se montan trozos de cinta que contienen varios cortes de cerebro cada uno en obleas de silicio y se colocan dentro de lo que parece ser un gran refrigerador industrial. El dispositivo es un microscopio electrónico: utiliza 61 haces de electrones para escanear 61 parches de tejido cerebral simultáneamente con una resolución de cuatro nanómetros.

Cada oblea tarda unas 26 horas en escanearse. Los monitores al lado del microscopio muestran las imágenes resultantes a medida que se acumulan con un detalle impresionante: membranas celulares, mitocondrias, vesículas llenas de neurotransmisores que se amontonan en las sinapsis. Es como hacer zoom en un fractal: cuanto más de cerca miras, más complejidad ves.

Cortar no es el final de la historia. Incluso cuando los escaneos salen del microscopio (está haciendo una especie de película en la que cada corte es más profundo, dice Lichtman), se envían a un equipo dirigido por el científico informático de Harvard Hanspeter Pfister. Nuestro papel es tomar las imágenes y extraer tanta información como podamos, dice Pfister.

Eso significa reconstruir todas esas neuronas tridimensionales, con todos sus orgánulos, sinapsis y otras características, a partir de una pila de cortes 2D. Los humanos podrían hacerlo con papel y lápiz, pero eso sería muy lento, dice Pfister. Así que él y su equipo han entrenado redes neuronales para rastrear las neuronas reales. Funcionan mucho mejor que todos los otros métodos que hemos usado, dice.

Cada neurona, sin importar su tamaño, produce un bosque de zarcillos conocidos como dendritas, y cada una tiene otra fibra larga y delgada llamada axón para transmitir impulsos nerviosos a largas distancias, completamente a través del cerebro, en casos extremos, o incluso todo el tiempo. bajando por la médula espinal. Pero al mapear un milímetro cúbico como lo está haciendo MICrONS, los investigadores pueden seguir la mayoría de estas fibras de principio a fin y así ver un circuito neuronal completo. Creo que descubriremos cosas, dice Pfister. Probablemente estructuras que nunca sospechamos y conocimientos completamente nuevos sobre el cableado.

El poder de la anticipación

Entre las preguntas que los equipos de MICrONS esperan comenzar a responder: ¿Cuáles son los algoritmos del cerebro? ¿Cómo funcionan realmente todos esos circuitos neuronales? Y en particular, ¿qué está haciendo toda esa retroalimentación?

Muchas de las aplicaciones de IA actuales no utilizan comentarios. Las señales electrónicas en la mayoría de las redes neuronales caen en cascada de una capa de nodos a la siguiente, pero generalmente no hacia atrás. (No se deje intimidar por el término retropropagación, que es una forma de tren redes neuronales). Esa no es una regla estricta: las redes neuronales recurrentes tienen conexiones que van hacia atrás, lo que les ayuda a lidiar con entradas que cambian con el tiempo. Pero ninguno de ellos usa retroalimentación en algo como la escala del cerebro. En una parte bien estudiada de la corteza visual, dice Tai Sing Lee en Carnegie Mellon , solo del 5 al 10 por ciento de las sinapsis escuchan la entrada de los ojos. El resto está escuchando la retroalimentación de los niveles superiores del cerebro.

Los cubos coloreados son útiles en ilustraciones tridimensionales de diversas estructuras y procesos neuronales, lo que brinda a los científicos el mapa más detallado hasta el momento de lo que realmente sucede en el cerebro.

Hay dos teorías amplias sobre para qué sirve la retroalimentación, dice Cox, y una es la noción de que el cerebro está constantemente tratando de predecir sus propias entradas. Mientras la corteza sensorial está procesando esta fotograma de la película, por así decirlo, los niveles superiores del cerebro están tratando de anticipar el Siguiente marco, y pasando sus mejores conjeturas de vuelta a través de las fibras de retroalimentación.

Esta es la única forma en que el cerebro puede lidiar con un entorno que se mueve rápidamente. Las neuronas son muy lentas, dice Cox. Puede llevar de 170 a 200 milisegundos pasar de la luz que llega a la retina a través de todas las etapas de procesamiento hasta el nivel de percepción consciente. En ese tiempo, el saque de tenis de Serena Williams recorre nueve metros. Entonces, cualquiera que logre devolver ese servicio debe estar moviendo su raqueta sobre la base de la predicción.

Y si constantemente tratas de predecir el futuro, dice Cox, entonces, cuando llegue el futuro real, puedes ajustarte para mejorar tu próxima predicción. Eso encaja bien con la segunda teoría principal que se está explorando: que las conexiones de retroalimentación del cerebro están ahí para guiar el aprendizaje. De hecho, las simulaciones por computadora muestran que la lucha por mejorar obliga a cualquier sistema a construir modelos cada vez mejores del mundo. Por ejemplo, dice Cox, tienes que averiguar cómo aparecerá una cara si gira. Y eso, dice, puede convertirse en una pieza crítica del rompecabezas del aprendizaje de una sola vez.

Cuando mi hija vio un perro por primera vez, dice Cox, no tuvo que aprender cómo funcionan las sombras o cómo la luz rebota en las superficies. Ella ya había acumulado una rica reserva de experiencia sobre tales cosas, solo por vivir en el mundo. Entonces, cuando llegó a algo como 'Eso es un perro', dice, pudo agregar esa información a una gran cantidad de conocimiento.

Si estas ideas sobre la retroalimentación del cerebro son correctas, podrían aparecer en el mapa detallado de MICrONS de la forma y función de un cerebro. El mapa podría demostrar qué trucos utiliza el circuito neuronal para implementar la predicción y el aprendizaje. Eventualmente, las nuevas aplicaciones de IA podrían imitar ese proceso.

Incluso entonces, sin embargo, estaremos lejos de responder a todas las preguntas sobre el cerebro. Conocer los circuitos neuronales no nos enseñará todo. Hay formas de comunicación de célula a célula que no pasan por las sinapsis, incluidas algunas realizadas por hormonas y neurotransmisores que flotan en los espacios entre las neuronas. También está el tema de la escala. A pesar de lo grande que puede ser el salto MICrONS, sigue siendo solo mirar una pequeña parte de la corteza en busca de pistas sobre lo que es relevante para la computación. Y la corteza es solo la delgada capa exterior del cerebro. Las funciones críticas de mando y control también las llevan a cabo estructuras cerebrales profundas como el tálamo y los ganglios basales.

La buena noticia es que MICrONS ya está allanando el camino para futuros proyectos que mapeen secciones más grandes del cerebro.

Gran parte de los 100 millones de dólares, dice Vogelstein, se está gastando en tecnologías de recopilación de datos que no tendrán que volver a inventarse. Al mismo tiempo, los equipos de MICrONS están desarrollando técnicas de escaneo más rápidas, incluida una que elimina la necesidad de cortar tejido. Los equipos de Harvard, MIT y el Laboratorio Cold Spring Harbor han ideado una manera de etiquetar de forma única cada neurona con un esquema de código de barras y luego ver las células con gran detalle al saturarlas con un gel especial que las infla muy suavemente a docenas o cientos de veces su tamaño normal.

Entonces, el primer milímetro cúbico será difícil de recolectar, dice Vogelstein, pero el siguiente será mucho más fácil.

M. Mitchell Waldrop es un escritor independiente en Washington, D.C. Es el autor de La complejidad y la máquina de los sueños y anteriormente fue editor en Naturaleza .

esconder