[ad_1]
Los investigadores de Caltech desarrollaron una red de ADN neuronal artificial capaz de resolver un problema clásico de aprendizaje automático: identificar correctamente los números escritos a mano. El trabajo es un paso importante para demostrar la capacidad de inteligencia de programa artificial en circuitos de biomoléculas sintéticas.
El trabajo se realizó en el laboratorio de Lulu Qian, profesor de bioingeniería. Un artículo que describe la investigación aparece en línea el 4 de julio y en el tema registrado el 19 de julio de la revista Nature .
"Aunque los científicos recién están empezando a explorar la creación de la inteligencia artificial en las máquinas moleculares, su potencial ya es innegable", dice Qian. "Los equipos electrónicos y los teléfonos inteligentes han hecho que los humanos estén más en forma. Hace más de cien años, porque las máquinas moleculares artificiales podían hacer que todo tipo de moléculas, incluso pinturas y vendajes, fueran más capaces y más sensibles al medio ambiente.
Las redes neuronales artificiales son modelos matemáticos inspirados por el cerebro humano. Aunque son muy simplificadas en comparación con sus contrapartes biológicas, las redes neuronales artificiales funcionan como redes neuronales y pueden procesar información compleja. El objetivo final del Qian Lab para este trabajo es el comportamiento programático inteligente (la capacidad de calcular, tomar decisiones y más) con redes neuronales artificiales hechas de ADN.
"Los seres humanos tienen cada uno más de 80 mil millones de neuronas en el cerebro, con las cuales tomar decisiones muy sofisticadas: los animales pequeños como las lombrices de tierra pueden tomar decisiones más simples con unos pocos cientos de neuronas. hemos diseñado y creado circuitos bioquímicos que funcionan como una pequeña red de neuronas para clasificar la información molecular mucho más compleja que antes ", explica Qian.
Para ilustrar la capacidad de las redes neuronales basadas en ADN, Qian Kevin Cherry eligió una tarea que es un desafío clásico de las redes neuronales artificiales electrónicas: el reconocimiento de la escritura.
La escritura humana puede variar mucho, y cuando una persona examina una secuencia de números garabateado, el cerebro realiza tareas complejas de computación con el fin de identificarlos. Porque puede ser difícil incluso para ellos los humanos, para reconocer otra escritura descuidada, la identificación de los números escritos a mano es una prueba común para la programación de redes neuronales de inteligencia artificial. Estas redes deben ser "aprendidas" para reconocer números, representar variaciones en la escritura, luego un número desconocido para sus supuestos recuerdos y decidir sobre la identidad numérica
en el trabajo descrito en el libro de nature Cherry, que es el primer autor en papel, demostró que una red neuronal de secuencias de ADN cuidadosamente elaboradas podría realizar reacciones químicas prescritas para identificar con precisión " escritura molecular ". A diferencia de la escritura visual que varía en forma geométrica, cada ejemplo de escritura molecular en realidad no toma la forma de un número. En cambio, cada número molecular consiste en 20 hebras únicas de ADN seleccionadas de 100 moléculas, cada una asignada para representar un píxel individual en cualquier patrón de 10 por 10. ADN se mezclan en un tubo de ensayo. 19659003] "La falta de geometría no es infrecuente en las firmas moleculares naturales, pero aún se requieren sofisticadas redes neuronales biológicas para identificarlas: por ejemplo, constituye un olor, una mezcla de moléculas únicas de color. huele ", dice Qian. un ejemplo particular de escritura molecular, la red neuronal de ADN se puede categorizar hasta nueve, cada uno representando uno de los nueve posibles dígitos del manuscrito del 1 al 9. [19659003] Primero, Cherry construyó una red neuronal de ADN para distinguir entre los manuscritos 6 y 7. Probó 36 números escritos a mano y la red neuronal del tubo de ensayo los había identificado correctamente. Teóricamente, su sistema tiene la capacidad de archivar más de 12,000 6s y 7s-90% de los manuscritos de estos números de una base de datos de números de manuscritos ampliamente utilizados para el aprendizaje automático: en ambos caso.
Crucial Para este proceso, una estrategia competitiva de "ganador se lleva todo" ha sido codificada utilizando moléculas de ADN, desarrolladas por Qian y Cherry. En esta estrategia, se utilizó un tipo particular de molécula de ADN llamada aniquilador para seleccionar un ganador para determinar la identidad de un número desconocido.
"El aniquilador forma un complejo con una molécula de un competidor y una molécula de un competidor diferente y reacciona inerte, no reacciona a las especies", explica Cherry. Aniquilador rápidamente come todas las moléculas de la competencia hasta que haya un solo tipo de competidor individual. El participante ganador ha sido restaurado a una alta concentración y produce una señal fluorescente que indica la decisión de las redes. "
A continuación, Cherry se basa en los principios de su primera red de neuronas de ADN para desarrollar aún más complejo, uno que podría clasificar los dígitos de los números 1 a 9. Cuando un número desconocido, esta sopa" inteligente "estaría sujeta a una serie de dos reacciones fluorescentes y señales de salida, por ejemplo, verde y amarillo representan un 5, o verde y rojo que representan un 9.
Qian y Cherry planean desarrollar redes neuronales artificiales que puedan aprender, formando "recuerdos" con ejemplos agregados al tubo de ensayo Entonces, dice Qian, la misma sopa inteligente puede ser entrenada para realizar diferentes tareas.
"El diagnóstico médico común detecta la presencia de ciertas biomoléculas, por ejemplo sangre o colesterol ", dice Cherry." Mediante el uso de circuitos más sofisticados de biomoléculas como la nuestra, las pruebas de diagnóstico algún día podrían incluir cientos de biomoléculas, con análisis y respuesta directamente en el entorno molecular. "
Source link
