Para detectar nuevos olores, los cerebros de las moscas de la fruta mejoran un conocido algoritmo informático

Para detectar nuevos olores, los cerebros de las moscas de la fruta mejoran un conocido algoritmo informático

LA JOLLA—Puede parecer que las moscas de la fruta no tienen nada en común con las computadoras, pero una nueva investigación del Instituto Salk revela que las dos identifican información novedosa de manera similar. La obra, que apareció en Actas de la Academia Nacional de Ciencias (PNAS) el 3 de diciembre de 2018, 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 informática.

“Cuando una mosca huele un olor, la mosca necesita averiguar rápidamente si ha olido el olor antes, para determinar si el olor es nuevo y algo a lo que debe prestar atención”, dice Saket Navlajá, profesor asistente en el Laboratorio de Biología Integrativa de Salk y coautor del artículo. “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 brindarnos información valiosa sobre los algoritmos cerebrales y la computación”. Los investigadores sugieren que su nuevo marco podría ser útil para detectar duplicados o anomalías en grandes conjuntos de datos de transmisión, como bases de datos de pacientes o noticias.

En 2017, Navlakha descubrió cómo vuelan los cerebros Identifique similares los olores. Descubrió que la aplicación del algoritmo fly a las "búsquedas de similitud" por computadora (como las que sugieren productos para comprar que son similares a sus compras anteriores) mejoró los resultados de búsqueda.

El nuevo PNAS estudio se basa en otro artículo [Hattori et al.] que salió en 2017 en la revista Celular, que describe cómo las moscas detectan olores completamente nuevos. Cuando Navlakha leyó el estudio, le llamó la atención cómo las moscas parecían estar usando una táctica similar a una herramienta computacional para la detección de novedades llamada filtro Bloom.

Cuando un motor de búsqueda como Google rastrea la Web, necesita saber si un sitio web con el que se encuentra ha sido indexado anteriormente, para que no pierda el tiempo indexando el mismo sitio nuevamente. El problema es que hay billones de sitios web en la Web, y almacenarlos todos en la memoria es computacionalmente costoso. En la década de 1970, Howard Bloom del MIT ideó una estructura de datos que puede almacenar una gran base de datos de elementos de forma compacta. En lugar de almacenar cada elemento en la base de datos en su totalidad, un filtro 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 nuevo.

Se sabe que las moscas de la fruta cambian su comportamiento en respuesta a nuevos olores. Una región en el cerebro de la mosca, llamada cuerpo de hongo, contiene una colección de neuronas que procesa la información olfativa. Cuando se experimenta un olor nuevo, estas neuronas emiten una señal de "alerta de novedad" para que la mosca sepa que este olor es nuevo y que vale la pena investigarlo. Sin embargo, si el olor no tiene un impacto fuerte, la próxima vez que se experimente el olor, la fuerza de la señal de alerta se reduce y la mosca no pierde el 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 novedad del cuerpo de hongo de la mosca se genera utilizando una huella digital para olores similar 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”, dice Sanjoy Dasgupta, profesor de informática e ingeniería en UC San Diego y primer autor del nuevo artículo. "El sistema olfativo de la mosca nos muestra una forma simple e ingeniosa de hacer esto".

Al analizar, desde una perspectiva informática, el circuito neuronal, identificado en el artículo de Cell, que genera esta señal novedosa, Navlakha y Dasgupta descubrieron que la mosca de la fruta introdujo un par de giros nuevos al filtro Bloom tradicional, que su equipo elaboró ​​y definida matemáticamente.

El primer giro implica no solo determinar si ha olido exactamente el mismo olor antes, sino más bien si ha olido el olor o algo bastante similar. Esto es importante en el cerebro porque es probable que nunca huelas exactamente el mismo olor dos veces. El segundo giro consiste en determinar cuánto tiempo hace que oliste el olor. Si ha pasado mucho tiempo, entonces la novedad del olor debería ser mayor que si lo hubieras olido recientemente.

Basándose en la variante del filtro Bloom de la mosca de la fruta, el equipo creó un nuevo marco algorítmico para predecir las respuestas novedosas de las moscas de la fruta. Probaron su marco en datos de investigación recopilados cuando a las moscas se les presentaron pares de olores en sucesión. Las predicciones de novedad del equipo resultaron coincidir estrechamente con la respuesta de novedad real de las neuronas del cuerpo de hongo, lo que validó la precisión de su marco. Luego, el equipo de Navlakha probó el marco en varios conjuntos de datos de aprendizaje automático y descubrió que el filtro Bloom de la mosca mejoró la precisión de la detección de novedades en comparación con otros tipos de filtros de detección de novedades.

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 sobre cómo el cerebro puede realizar la detección de novedades".

El trabajo fue financiado por Pew Charitable Trusts, el Instituto Kavli para el Cerebro y la Mente y el NIDCD de los Institutos Nacionales de Salud con el número de adjudicación 1R01DC017695.

Otros autores incluyeron a Timothy C. Sheehan de UC San Diego y Charles F. Stevens de Salk.