Los cerebros de las moscas de la fruta informan a los motores de búsqueda del futuro

Los cerebros de las moscas de la fruta informan a los motores de búsqueda del futuro

LA JOLLA—Todos los días, los sitios web que visita y las aplicaciones de teléfonos inteligentes que usa procesan enormes conjuntos de datos para encontrar cosas que se parecen entre sí: productos que son similares a sus compras anteriores; canciones que son similares a las melodías que te han gustado; caras que son similares a las personas que has identificado en las fotos. Todas estas tareas se conocen como búsquedas de similitud, y la capacidad de realizar estos juegos masivos de coincidencia bien y rápido ha sido un desafío continuo para los científicos informáticos.

Ahora, los científicos de Salk y UC San Diego han descubierto que el cerebro de la mosca de la fruta tiene un método elegante y eficiente para realizar búsquedas de similitud. Para las moscas, les ayuda a identificar los olores que son más similares a los que han encontrado antes, para que sepan cómo comportarse en respuesta al olor, como acercarse a él o evitarlo. Nuevos detalles sobre el enfoque computacional de la mosca para las búsquedas de similitudes olorosas, descritos en la revista. Ciencia: el 9 de noviembre de 2017, podría informar a los algoritmos informáticos del futuro.

"Este es un problema que casi todas las empresas de tecnología con cualquier tipo de sistema de recuperación de información tienen que resolver, por lo que ha sido algo que los informáticos han estudiado durante años", dice Saket Navlajá, profesor asistente en el Laboratorio de Biología Integrativa de Salk y autor principal del nuevo artículo. "Ahora, tenemos este nuevo enfoque para las búsquedas de similitud gracias a la mosca".

La forma en que la mayoría de los sistemas de datos computarizados clasifican los elementos, desde canciones hasta imágenes, para optimizar las búsquedas de similitud es reduciendo la cantidad de información asociada con cada elemento. Estos sistemas asignan "hashes" cortos a cada elemento, de modo que es más probable que a los elementos similares se les asigne el mismo o un hash similar en comparación con dos elementos muy diferentes. (Los hashes son una especie de abreviatura digital, del mismo modo que un poco es una versión más corta de una URL). La asignación de hashes de esta manera se denomina "hashing sensible a la localidad" para los informáticos. Al buscar elementos similares, un programa examina los valores hash, en lugar de los elementos originales, para encontrar similitudes rápidamente.

Navlakha estaba charlando con un colega charles stevens, profesor en el Laboratorio de Neurobiología Molecular de Salk y coautor del nuevo trabajo, que había estudiado el olfato de las moscas, cuando el primero se dio cuenta de que las moscas, y todos los animales, también se enfrentan constantemente a búsquedas de similitud. Así que comenzó a peinar la literatura sobre el circuito cerebral detrás del olfato de las moscas para descubrir cómo las moscas identifican olores similares.

“En el mundo natural, no encontrarás exactamente el mismo olor cada vez; va a haber algo de ruido y fluctuación”, explica Navlakha. “Pero si huele algo que previamente asoció con un comportamiento, debe poder identificar esa similitud y recordar ese comportamiento”. Entonces, si una mosca de la fruta sabe que el olor a plátano podrido significa la hora de comer, debe responder de la misma manera cuando encuentra un olor muy similar, incluso si nunca antes había experimentado ese olor exacto.

La revisión de la literatura realizada por Navlakha y sus colaboradores reveló que cuando las moscas de la fruta detectan un olor por primera vez, 50 neuronas se disparan en una combinación que es única para ese olor. Pero en lugar de codificar esa información reduciendo la cantidad de hash asociados con el olor, como lo harían los programas de computadora, las moscas hacen lo contrario: expanden la dimensión. Las 50 neuronas iniciales conducen a 2,000 neuronas, distribuyendo la entrada para que cada olor tenga una huella digital aún más distinta entre esas 2,000 neuronas. Luego, el cerebro almacena solo el 5 por ciento de esas 2,000 neuronas con la actividad superior como el "hachís" para ese olor. Todo el paradigma ayuda al cerebro a notar las similitudes mejor de lo que lo haría en comparación con la reducción de la dimensión, dice Navlakha.

“Digamos que tienes un grupo de personas agrupadas por sus relaciones, y están agrupadas en una habitación llena de gente”, explica. “Luego tome las mismas personas y relaciones, pero distribúyalas en un campo de fútbol. Será mucho más fácil ver la estructura de las relaciones y trazar los límites entre los grupos en el espacio ampliado en relación con el espacio abarrotado”.

Si bien Navlakha y sus colaboradores no revelaron el mecanismo real por el cual las moscas almacenan información sobre olores, que ya estaba disponible en la literatura, son los primeros en analizar cómo este proceso maximiza la velocidad y la eficiencia para las búsquedas de similitud. Cuando aplicaron el proceso a tres conjuntos de datos estándar que los informáticos utilizan para probar los algoritmos de búsqueda, descubrieron que el enfoque de la mosca mejoraba el rendimiento. Este enfoque, piensan, puede informar a los programas de computadora algún día.

"Piezas de este enfoque habían sido utilizadas en el pasado por científicos informáticos, pero la evolución las unió de una manera muy singular", dice Navlakha.

Los colaboradores de Navlakha dicen que el estudio es uno de los primeros en establecer paralelismos tan concretos entre los circuitos neuronales del cerebro y los algoritmos de procesamiento de información utilizados en informática.

“Durante los últimos 20 años me han interesado las proyecciones aleatorias [un componente central del hash sensible a la localidad para la búsqueda de similitudes] según se aplican a los algoritmos que se ejecutan en las computadoras”, dice Sanjoy Dasgupta, profesor de informática e ingeniería en la UCSD. y primer autor del nuevo artículo. “Nunca se me ocurrió que operaciones similares pudieran estar funcionando en la naturaleza”.

“Un sueño compartido por neurobiólogos e informáticos es entender cómo el cerebro computa lo suficientemente bien como para que podamos adaptar sus métodos para mejorar el cómputo de las máquinas”, agrega Stevens. “Nuestro artículo proporciona una prueba de principio de que este sueño puede convertirse en realidad”.

El trabajo y los investigadores involucrados fueron apoyados por subvenciones de la Fundación Nacional de Ciencias (EAGER PHY-1444273) y la Oficina de Investigación del Ejército (DOD W911NF-17-1-0045).