Living deep reservoir computing by microfluidic axon routing

El cerebro humano es una maravilla de la ingeniería biológica, capaz de realizar cálculos complejos, almacenar recuerdos y tomar decisiones consumiendo una fracción mínima de la energía requerida por las supercomputadoras más potentes del mundo. Esta eficiencia proviene de cómo está construido el cerebro: miles de millones de células nerviosas, o neuronas, están conectadas en redes vastas e intrincadas donde la memoria y el cálculo ocurren simultáneamente en las mismas uniones diminutas. Durante décadas, los científicos han intentado imitar esta brillantez biológica utilizando chips de silicio, creando hardware informático especializado que intenta copiar la estructura del cerebro. Sin embargo, estos sistemas electrónicos todavía luchan por igualar la eficiencia bruta y la adaptabilidad del tejido vivo. Para cerrar esta brebera, los investigadores han comenzado a explorar un camino diferente: utilizar neuronas vivas reales cultivadas en un laboratorio como el propio material de computación. El desafío con este enfoque ha sido que las neuronas vivas, cuando se cultivan en una placa, tienden a conectarse de forma aleatoria, lo que dificulta el control de cómo fluye la información a través de ellas. Sin una dirección clara para estas señales, la red se comporta más como un caos desordenado que como una computadora estructurada, limitando su capacidad para resolver problemas complejos.

Un equipo de investigadores ha desarrollado ahora una forma de traer orden a este caos biológico, creando una computadora viviente que procesa la información en una dirección específica y hacia adelante. Cultivaron redes de neuronas de ratón dentro de un chip microfluídico especializado, un dispositivo con canales microscópicos que actúan como carreteras para las células nerviosas. Al diseñar estas carreteras con puertas de una sola vía, los científicos obligaron a las neuronas a desarrollar sus conexiones en una única dirección, desde una capa de entrada hacia una capa de salida, imitando la estructura profunda y estratificada que se encuentra en los sistemas avanzados de inteligencia artificial. Esta configuración, que llaman "reservorio profundo viviente", permite que la red biológica procese señales complejas en etapas, filtrando y transformando la información a medida que avanza. Para probar si este control direccional realmente hacía más inteligente a la computadora, la compararon con un grupo de control donde las neuronas podían crecer en ambas direcciones, creando una red de dos vías menos organizada. Los resultados mostraron que la red dirigida de una sola vía era significamente mejor en dos tareas difíciles: predecir el comportamiento caótico de un sistema matemático e identificar diferentes géneros de música a partir de clips de audio.

Los investigadores construyeron su sistema utilizando un chip microfluídico que parece un pequeño laberinto transparente. Dentro de este laberinto, cultivaron neuronas primarias tomadas de embriones de ratón. Para hacer que estas células fueran sensibles a la luz y visibles para las cámaras, introdujeron genes específicos que convirtieron a las neuronas en interruptores sensibles a la luz y las hicieron brillar cuando se activaban. El chip fue diseñado con múltiples cámaras conectadas por canales estrechos. En el grupo experimental, estos canales fueron moldeados con pequeñas barreras triangulares y finales sin salida curvos que impedían físicamente que los axones —las largas proyecciones de las neuronas— crecieran hacia atrás. Esto aseguró que las señales solo pudieran viajar desde la primera cámara hacia la segunda, y así sucesivamente, creando una jerarquía estricta. En el grupo de control, los canales eran tubos rectos simples, permitiendo que las neuronas crecieran en ambas direcciones y creando una red donde las señales podían rebotar de un lado a otro sin un camino claro. Ambos sistemas estaban conectados a una interfaz sofisticada que podía proyectar patrones de luz azul sobre la primera capa de neuronas para enviar información, y una cámara que observaba todo el brillo de la red en respuesta para registrar la salida.

Para ver qué tan bien funcionaban estas computadoras vivientes, el equipo les pidió resolver dos problemas muy diferentes. La primera fue una prueba de predicción de series temporales caóticas, un tipo de señal que cambia de una manera compleja e impredecible, de forma muy similar al clima o a los mercados bursátiles. Convirtieron los datos en secuencias de pulsos de luz y los introdujeron en la primera capa de las neuronas. El reservorio profundo viviente, con sus canales de una sola vía, fue capaz de rastrear los movimientos futuros de la señal con mayor precisión que el grupo de control. A medida que los investigadores añadían más capas a la red, el rendimiento del sistema dirigido mejoraba, mientras que el sistema de dos vías luchaba por mantener el ritmo. La segunda tarea involucró escuchar música. Se le pidió al sistema identificar si un clip de audio corto era Blues, Clásica o Country. Los investigadores convirtieron las ondas sonoras en patrones de luz que activaban las neuronas. Nuevamente, el reservorio profundo viviente superó al grupo de control, identificando el género correctamente con más frecuencia y mostrando una capacidad más equilibrada para reconocer diferentes estilos de música, incluso cuando las canciones específicas eran nuevas para el sistema.

La clave de este éxito parece ser la estructura de la red misma. Al forzar a las neuronas a conectarse en una sola dirección, los investigadores crearon un sistema donde la información se procesa en etapas, con cada capa refinando la señal antes de pasarla a la siguiente. Este procesamiento jerárquico permitió a la red construir una comprensión más rica de los datos de entrada, de manera similar a cómo funcionan los algoritmos de aprendizaje profundo en la inteligencia artificial moderna. El análisis de la actividad de la red mostró que el sistema dirigido mantenía un nivel de organización, o modularidad, más alto, lo que significa que las diferentes partes de la red trabajaban juntas de manera más cohesiva. En contraste, el grupo de control de dos vías exhibió una activación más caótica y sincronizada que no apoyaba el mismo nivel de computación compleja. El estudio demuestra que la arquitectura física de una red biológica es tan importante como las células mismas; al simplemente guiar cómo crecen las neuronas, los científicos pueden mejorar significativamente la capacidad de computación del tejido vivo.

Este trabajo no pretende haber construido un cerebro biológico totalmente funcional, ni sugiere que estos chips vivientes vayan a reemplazar inmediatamente a las computadoras de silicio. En cambio, proporciona una prueba de concepto de que los principios del aprendizaje profundo pueden aplicarse a las redes neuronales vivas a través del diseño físico. Los investigadores demostraron que, al restringir el crecimiento de las neuronas para que siguieran un camino específico, pudieron crear un sistema biológico capaz de un procesamiento de información sofisticado que una red aleatoria no podría lograr. Esto abre una nueva vía para la investigación sobre cómo los sistemas biológicos procesan la información y ofrece un camino potencial hacia la creación de dispositivos de computación altamente eficientes e inspirados en el cerebro que combinen la adaptabilidad de las células vivas con la precisión de las estructuras diseñadas. Los hallazgos sugieren que el futuro de la computación bio-híbrida puede residir no solo en las células que utilizamos, sino en las carreteras que construimos para que ellas viajen.