Armando Bonilla

México, DF.- Desde el mundo de la ciencia, el hombre ha dedicado gran parte de sus esfuerzos a entenderse a sí mismo, y aunque aún falta mucho por explorar, se han logrado avances muy significativos.

Un ejemplo de estos tiene lugar en el desarrollo de neuronas digitales, las cuales hoy en día están presentes en nuestra vida diaria a través de diversos dispositivos, principalmente las nuevas tecnologías de la información. Pero, aun cuando ya existen dichas neuronas, estas distan mucho de replicar con exactitud el comportamiento de las biológicas.

Ante ello, Juan Carlos Moctezuma Eugenio, quien realizó su doctorado en la Universidad de Brístol, Inglaterra, apoyado por una beca del Consejo Nacional de Ciencia y Tecnología (Conacyt), desarrolló un proyecto mediante el cual logró un avance importante en la emulación de neuronas biológicas. En ese contexto, la Agencia Informativa Conacyt entrevistó al exbecario, quien explicó a detalle en qué consistió su investigación.

Agencia Informativa Conacyt (AIC): ¿Dónde surge la idea de este trabajo de investigación?

Juan Carlos Moctezuma (JCM): Este trabajo fue propuesto por el doctor José Yáñez Núñez, mi primer asesor durante el doctorado y quien ya había trabajado previamente en este tipo de modelos. La principal motivación para trabajar en el tema consiste en que la implementación en hardware de este tipo de modelos es escasa y eso representa un desafío importante desde el mundo de la ciencia.

AIC: ¿En qué consistió el trabajo realizado durante su doctorado?

JCM: El proyecto consiste básicamente en la emulación de neuronas (biológicamente compatibles) en sistemas digitales, es decir, la neurona digital (llamada neuroprocesador) debe acercarse lo más posible al comportamiento de una neurona biológica.

AIC: ¿Por qué es relevante que la neurona digital se comporte igual a una neurona biológica y cuáles serían los beneficios de lograrlo?

Simulan sistema nervioso de un saltamontes a traves de neuronas digitalesJCM: La respuesta natural de una neurona biológica se manifiesta mediante un impulso eléctrico en un plano voltaje-tiempo, llamado potencial de acción; esta señal puede presentar diferentes características en su forma y comportamiento que están directamente relacionadas con sus propiedades químicas y eléctricas como voltajes de umbral, tipos de iones, conductancia máxima en un canal iónico, etcétera. Estas propiedades son las que se alteran cuando algún experimento neurológico es llevado a cabo o es estudiado.

Por ello, es importante que la neurona digital esté modelada en términos de estas propiedades químico-eléctricas, es decir, que la neurona digital hable el mismo “lenguaje” que una neurona biológica. Los modelos reducidos que usan las llamadas redes neuronales artificiales (RNA) no hablan este “lenguaje”, y es por ello que se deben usar modelos que son biológicamente compatibles (modelos basados en conductancias).

AIC: ¿Qué fue lo que se hizo durante el proyecto para acercar el comportamiento de las neuronas digitales al de las biológicas?

JCM: Para lograrlo, el primer paso consistió en seleccionar el modelo matemático que simula el comportamiento de una neurona. Los modelos más usados son los reducidos –aquellos que abstraen el funcionamiento de una neurona a lo más esencial–, esto con el fin de implementar sistemas que puedan emular grandes redes neuronales (decenas/centenas de miles o incluso millones de neuronas).

El problema y gran reto por resolver de estos modelos es que, al ser reducidos, pierden detalles fisiológicos del funcionamiento de las neuronas reales y los parámetros que usan no tienen un significado biológico. En ese contexto, el modelo que seleccionamos está basado en conductancias (conductance-based model), el cual se caracteriza por capturar la dinámica electroquímica de las neuronas y proporciona información que es biológicamente compatible.

Es decir, en términos de conductancias, iones de potasio (K+), sodio (Na+), número de neurotransmisores, voltajes de ionización, entre otros datos. La implementación de este tipo de modelos en dispositivos programables es difícil debido a su complejidad computacional y por lo tanto este campo de investigación ha sido poco explorado.

BIOLOGICAL NEURONSAIC: ¿Cómo resolvieron los retos que supone su implementación en dispositivos programables?

JCM: En este proyecto se implementó dicho modelo usando dispositivos FPGA, los cuales ofrecen un alto grado de paralelismo y flexibilidad. Para ello, se realizó una plataforma que consiste en una tarjeta con un dispositivo FPGA conectado a una computadora, a través de la cual se pueden configurar y crear sistemas neuronales mediante una interfaz gráfica de usuario. Lo más importante es que estos sistemas neuronales proporcionan y responden la información que es biológicamente compatible, de la misma forma en que lo hacen las neuronas físicas.

AIC: ¿Cuál es el grado de avance de la investigación y cuáles serán los siguientes pasos?

JCM: Esta fase del proyecto concluyó en diciembre pasado; no obstante, aún cuenta con otras líneas de investigación futuras. Dentro de las próximas líneas de investigación se pretende mejorar la arquitectura hardware para poder implementar sistemas neuronales más grandes.

Asimismo, aumentar el nivel de información fisiológica, agregando más canales iónicos (conductancias) al modelo. También, explorar una nueva forma de comunicación entre la plataforma y la PC, de tal manera que se puedan generar respuestas de neuronas en tiempo real; y por último, se tiene proyectado realizar un sistema híbrido, el cual sea capaz de comunicarse con neuronas biológicas

AIC: ¿Cuáles fueron los principales resultados obtenidos durante la etapa que recién concluyó?

JCM: Se lograron respuestas de neuronas similares a las reportadas en trabajos que hacen mediciones en neuronas biológicas. También se realizó un análisis de la dinámica de la neurona artificial y se pudo relacionar con la dinámica que siguen las neuronas biológicas en ciertas enfermedades psicológicas.

A la par de ello, se propuso un modelo hardware para soportar múltiples sinapsis en un solo módulo. Esto reduce en gran medida el consumo de recursos del hardware.

Otro de los avances en la materia fue que se logró hacer un análisis de los mecanismos sinápticos que producen el efecto de la epilepsia; todo esto haciendo uso de las neuronas propuestas en este trabajo.

Por último, en esta fase de la investigación se logró simular el comportamiento del sistema nervioso de un saltamontes, el cual se encarga de regular el ritmo cardiaco de sus dos corazones.

info v1 023AIC: ¿Cuáles son las principales aplicaciones del conocimiento obtenido?

JCM: Una aplicación directa será usar esta plataforma para estudiar los efectos en los sistemas neuronales en insectos, que poseen estructuras no tan complejas, sin la necesidad de tener que preparar al insecto físicamente en complicados métodos de laboratorio y preservación para poder explorar las neuronas. Ahora todo se podrá realizar en un ambiente controlado por la computadora, simplemente cambiando parámetros que son biológicamente compatibles.

AIC: ¿Cuál es el escenario mundial respecto a su trabajo? Es decir, ¿hay investigaciones similares y cuáles son las principales diferencias respecto a su proyecto?

JCM: Debido a la complejidad del modelo matemático para los modelos basados en conductancias, estos han sido poco explorados y estudiados. Existen trabajos que usan este tipo de modelos, pero que son muy tardados en simular, o bien que no usan un modelo suficientemente robusto que pueda proporcionar información biológica relevante. En este trabajo se propuso un modelo que ofrece un buen equilibrio entre información biológica y recursos computacionales para implementarse.

AIC: ¿Cuáles fueron las principales dificultades durante la investigación?

JCM: Un desafío importante consistió en implementar este tipo de neuronas (basado en conductancias) en sistemas digitales, ya que generalmente requieren un alto consumo de recursos hardware y son computacionalmente difíciles de procesar. Por esta misma razón, no es posible implementar redes neuronales muy grandes y se tienen que restringir a sistemas con decenas o unas cuantas centenas de neuronas solamente.