Google mapeó el cerebro de una mosca y la comunidad hizo lo que tenía que hacer
Google ha puesto a disposición del público el mapa neuronal más detallado de una Drosophila melanogaster adulta, un avance que abre la puerta a un nuevo tipo de experimentos en los que los cerebros digitales compiten en videojuegos clásicos. Más allá del espectáculo, el proyecto muestra cómo la conectómica puede convertirse en una plataforma de prueba para algoritmos de aprendizaje por refuerzo.
El mapa neuronal de la mosca: cómo se construyó
Escaneo de alta resolución y reconstrucción 3D
El equipo de HHMI Janelia Research Campus y Google Research combinó millones de imágenes en 2D obtenidas de secciones ultrafinas del cuerpo de la mosca, como si se tratara de rebanadas de pan. Cada sección fue fotografiada con microscopía electrónica, y la IA se encargó de alinear y fusionar esas láminas en un modelo tridimensional coherente. El proceso tardó una década y resultó en una representación de 166 000 neuronas con sus conexiones sinápticas.
Este modelo no es una mera ilustración; contiene la geometría exacta de los axones, dendritas y los puentes sinápticos, lo que permite simular la transmisión de señales tal y como ocurre en el tejido vivo.
Qué información contiene el modelo
Los segmentos coloreados en azul del mapa indican áreas dedicadas al procesamiento sensorial y gustativo, mientras que otras regiones codifican la motricidad y la integración multimodal. Cada neurona está etiquetada con su tipo neurotransmisor, lo que posibilita recrear la dinámica de la dopamina, el glutamato y otros mensajeros químicos.
Al disponer de este nivel de detalle, los investigadores pueden crear una réplica digital que responde a estímulos externos de forma comparable a la mosca real, abriendo la puerta a experimentos que antes solo eran posibles in vivo.
De la biología al algoritmo: transformar neuronas en código
Representar 166.000 neuronas en una red artificial
Para que un ordenador pueda ejecutar el mapa, cada neurona se traduce en una unidad computacional que mantiene un potencial de membrana y una lista de conexiones ponderadas. La arquitectura resultante supera en complejidad a los modelos de redes neuronales tradicionales, que suelen contar con unas cuantas capas y miles de parámetros.
El código abierto publicado por Alex Wormuth y otros colaboradores implementa esta red en Google Research, aprovechando GPUs para acelerar la simulación de cientos de miles de sinapsis simultáneamente.
Simular sinapsis y neurotransmisores
En el cerebro de la mosca, la dopamina actúa como señal de refuerzo. En la versión digital, cada vez que el agente recibe daño en el juego se dispara un pulso de dopamina artificial que modifica temporalmente la fuerza de las sinapsis involucradas, emulando el proceso de aprendizaje por refuerzo biológico.
Esta aproximación difiere de los algoritmos de refuerzo habituales, donde la señal de recompensa es un número escalar; aquí la recompensa se propaga a través de una red biológicamente plausible, lo que permite estudiar cómo la arquitectura cerebral influye en la velocidad y la estabilidad del aprendizaje.
Entrenamiento mediante refuerzo: la mosca juega a Doom
El entorno de juego como estímulo sensorial
El proyecto conecta cada fotograma de Doom con los canales sensoriales del modelo: la información visual se proyecta sobre neuronas que en la mosca procesan la visión, mientras que los sonidos del juego activan las neuronas auditivas. De esta forma, el cerebro digital percibe el juego como lo haría un organismo real.
Las acciones resultantes – mover, girar o disparar – se derivan de la actividad de neuronas motoras que, al activarse, envían comandos al motor del juego. El bucle completo (percepción → procesamiento → acción → retroalimentación) se ejecuta en tiempo real.
Uso de la dopamina simulada como señal de recompensa
Cuando el agente sufre daño, el simulador inyecta dopamina en las neuronas correspondientes, lo que debilita temporalmente las sinapsis que llevaron a la acción perjudicial. Con el tiempo, el cerebro digital aprende a evitar esas rutas y a preferir comportamientos que minimizan el castigo.
Aunque después de más de 7 500 rondas la mosca digital sigue sin matar enemigos, el experimento muestra que la arquitectura neuronal es capaz de adaptar su política de juego, aunque a un ritmo mucho más lento que los agentes de IA entrenados directamente sobre el entorno.
¿Qué revelan estos experimentos sobre IA y neurociencia?
Ventajas de usar cerebros digitales como bancos de pruebas
Los modelos biológicos ofrecen un espacio intermedio entre los algoritmos abstractos y los sistemas vivos. Permiten probar hipótesis sobre la función de circuitos específicos sin los costes éticos y logísticos de los experimentos in vivo.
Además, al estar basados en datos reales, estos cerebros digitales pueden revelar cuellos de botella estructurales que los diseños de IA tradicionales pasan por alto, como la limitación de la conectividad local o la dependencia de moduladores químicos para el aprendizaje.
Límites actuales y lecciones aprendidas
El principal obstáculo sigue siendo la escala: aunque 166 000 neuronas suenan mucho, el cerebro humano cuenta con 86 000 millones. La simulación completa de un mamífero sigue fuera del alcance de la computación convencional. Asimismo, la fidelidad de los modelos depende de la calidad de los datos de conectómica, que aún presentan áreas sin resolver.
Otro punto crítico es la eficiencia. Los cerebros de insectos son extremadamente energéticamente eficientes; replicar esa eficiencia en hardware sigue siendo un reto, lo que explica por qué la mosca digital necesita cientos de GPU para ejecutar segundos de juego.
Perspectivas: de los insectos a sistemas de IA más complejos
Escalabilidad a cerebros más grandes
Los avances en microscopía y en algoritmos de alineación de imágenes prometen mapas neuronales de organismos cada vez más complejos, como el ratón o el pez cebra. Cada nuevo modelo ampliará el repertorio de circuitos que los investigadores pueden probar en entornos virtuales.
Si se logra combinar estos mapas con hardware neuromórfico, podríamos ejecutar simulaciones a velocidad biológica, lo que abriría la puerta a agentes de IA que aprendan de forma más parecida a los seres vivos.
Aplicaciones potenciales más allá de los videojuegos
Más allá del entretenimiento, los cerebros digitales pueden servir para validar teorías sobre trastornos neurológicos, diseñar fármacos que modulen circuitos específicos o crear sistemas de control para robots que requieran una toma de decisiones basada en múltiples sensores.
En última instancia, la colaboración entre neurociencia y IA que ejemplifica el proyecto de la mosca de la fruta muestra un camino donde los datos biológicos alimentan algoritmos más robustos, y donde los algoritmos, a su vez, ayudan a desentrañar los misterios del propio cerebro.
Punto de partida: «Google mapeó el cerebro de una mosca y la comunidad hizo lo que tenía que hacer: entrenarla para jugar a Doom y a Super Mario», publicado por Xataka. El análisis y las opiniones son de IAFlow.
