Neurobiologia i ciència

Hi ha qui somnia en baixar-se la pròpia consciència a un ordinador, i seguir visquent dins d’un món virtual simulat. Doncs caram. Proppassada la publicació de la novel·la de ciència ficció “Snow crash” de’n Neal Stephenson, poc costa d’imaginar-se’n un, de món virtual. I complint amb la dita que els enginyers inventen el que van veure de petits (així com el telèfon mòbil és el tricordi de l’Spok d’Star Trek), doncs Meta–és a dir, Facebook–vol crear el “metaverse”: l’univers virtual. La intenció, però, és ben clara: crear espais virtuals per vendre’ls i que es paguin amb diners de veritat. L’última enganyifa de la guineu. Tot plegat, un disbarat.

Però darrere d’un objectiu tan poc versemblant hi rau quelcom d’interessant: el dilema antiquíssim entre el cervell i la ment. En qüestions d’ordinadors, els conceptes anàlegs foren la màquina i el programari. Si els circuits neuronals processen la informació recollida pels nostres òrgans sensorials–els ulls, el nas, la llengua, la pell, les orelles i d’altres–, i la classifiquen i desen, i després la recuperen quan surt l’avinentesa, com funciona, tot plegat? Als ordinadors hi trobem unitats de memòria separades de les unitats de processament, però al cervell tot són neurones: cèl·lules connectades per sinàpsis. I també la glia, un segon tipus de cèl·lula amb tot de propietats interessants i, de fet, encara relativament poc estudiades. Al cervell, la separació entre memòria i processament ni és clara ni és, potser, necessària.

La qüestió que escau, doncs, és determinar on s’acaba el substrat biològic (les neurones) i a on comença l’abstracció algorítmica, és a dir, la computació. Perquè si es pot trobar aquest separació, si existeix, aleshores és evident que podríem enginyar-nos un substrat alternatiu, basat per exemple amb els transistors de silici que hui s’utilitzen com a peces dels ordinadors.

Dues línies de recerca independents són aquí ben rellevants. Per una banda, el substrat: l’enginyeria neuromòrfica sortida de l’escola d’en Carver Mead, i col·laboradors a CalTech als anys vuitanta. La primera fita significativa sorgí de na Misha Mahowald i en Rodney J. Douglas, qui publicaren el 1991 un article descrivint un model de neurona implementat amb transistors (“A silicon neuron”, Mahowald & Douglas 1991), on la idea principal és la emulació del voltatge de membrana d’una neurona amb les propietats dels transistors de fer de barrera semipermeable als electrons. D’aleshores ençà, aquest camp de coneixement ha crescut moltíssim, i avui en dia es dissenyen al laboratori tot de xips plens de neurones neuromòrfiques. Les seves propietats, sobretot relacionades amb l’alta capacitat de computació a baix cost (talment com si fossin biològiques), són ben apreciades, i de fet són la base d’alguns superordinadors moderns com el Neurogrid dissenyat i construït per en Kwabena Boahen i col·laboradors a la Universitat de Stanford.

S’hi han trobat, per ara, dues aplicacions a aquests xips neuromòrfics. Per una banda, es programen per a simular sensors com la retina, fet per l’equip de’n Tobi Delbruck [1]. Se n’han fet també còclees artificials per a implants en humans afectats de sordesa, i tot d’aplicacions industrials que es beneficien de la presa d’imatges a altíssima velocitat i en un format prou curiós: no pas imatges sinó col·leccions d’esdeveniments per píxels en intervals de temps, talment com a les nostres retines, cosa que facilita moltíssim el processament de la informació visual.

Per l’altra banda, aquests xips neuromòrfics són ideals per a simulacions de circuits neuronals. En simulacions per ordinador, hom ha d’escollir uns límits en la precisió de la simulació. En canvi, en xip, la precisió recau en la granularitat dels electrons mateixos que travessen el material semiconductor dels transistors, i aquesta és molt més gran. Els neurobiòlegs, en col·laboració amb enginyers, han començat a explorar les propietats dels circuits neuronals ja mapats emulant-los amb xips neuromòrfics. Per exemple, els circuits de l’olfacte i la memòria associativa d’una larva de la mosca del vinagre, la Drosophila, que el meu equip de recerca ha mapat aquests darrers anys (Berck, Khandelwal et al. 2016 eLife; Eichler, Li, Litwin-Kumar et al. 2017). En comparant la simulació (en programari que s’executa amb un ordinador) amb l’emulació en xips neuromòrfics, els científics podem estudiar, entre d’altres coses, què és perd i què es guanya quan els models de neurones i circuits es simplifiquen (Jürgenssen et al. 2022).

La segona línia de recerca investiga les computacions que fan els circuits neuronals biològics. El camp és ben ample i atrau científics d’arreu i amb coneixements i eines ben diverses, perquè, tot sigui dit, la qüestió és d’una complexitat enorme. D’una banda, s’ha aconseguit entendre què fan, és a dir, quina funció matemàtica implementen, grups ben petits de neurones connectades formant uns circuits ben particulars i petits on només s’hi inclouen 3 neurones: el que se’n diu un motiu de xarxa (“network motif”). Conectant-ne molts, de motius, junts, resulta en un desgavell gairebé incomprensible, tot i que algun avenç hi ha hagut quan s’han conectat motius repetits del tipus “winner take all”, aconseguint de composar autòmates finits (“finite-state machine”) capaços de composar un sistema d’emmagatzemament de memòria [2]. D’altra banda, les xarxes neuronals artificials construïdes a partir de la base del perceptró [3] i que, després de molts redissenys, han resultat, de forma empírica, d’una utilitat extraordinària per a tota mena de versions del ben antic problema de destriar el gra de la palla: interpretar el contingut d’una imatge o percepció sensorial qualsevol per a classificar-ne les parts i identificar-ne les que s’hi volen trobar–per exemple, comptar persones en una fotografia d’un carrer.

El que ens feia falta, però, és quelcom diferent: tinguent un circuit d’una estructura definida i coneguda, com fer que computi una funció donada, arbitrària? És a dir, definir un programari per a circuits neuronals, talment com els nostres telèfons mòbils disposen d’un sol xip però hi fem anar apps ben diverses.

Doncs bé, recentment s’ha aconseguit un resultat espectacular: poder programar un circuit neuronal en simulació. Jason Kim i Danielle Bassett de la Universitat de Pennsylvania als Estats Units han publicat els seus resultats [4] explicant com han construït un llenguatge de programació per a les xarxes neuronal recurrents o “RNN” (de les inicials en anglès). Aquest llenguatge és prou peculiar, i bé que ho ha de ser, tinguent en compte el substrat de computació! Però és molt potent: fins i tot pot simular-se a sí mateix. És a dir, el programari permet d’implementar simulacions de xarxes neuronals recurrents que, és clar, es poden programar amb el mateix programari: talment com una matrioixca on cada nina en conté, a dins, una altra.

Programari (a) per a què les senyals de sortida d’una xarxa neuronal recurrent resultin en, donades unes matrius de dades d’entrada o “inputs” (b), les operacions de suma (c), resta (d), multiplicació (e) i multiplicació de matrius (f). Orígen: figura 2 de Kim & Bassett, 2022.

Una unitat neuronal de processament (NPU, en anglès) que computa la transformació afí de les dades d’entrada (g). Encadenant dues NPUs de manera que la sortida d’una sigui l’entrada de l’altra, s’aconsegueix que es computin els mínims quadrats lineals (“linear least squares”). I fent que la sortida d’una NPU sigui part de les entrades (h) s’aconsegueix una computació que soluciona l’equació de Lyapunov que resol el problema de controlabilitat, és a dir, d’estabilitat del sistema. Més endavant, els autors demonstren com, solucionat el problema d’estabilitat donades unes dades d’entrada en concret, es pot utilitzar per a emmagatzemar dades, codificades en els estats possibles del sistema. Orígen: figura 2 de Kim & Bassett, 2022.

A més a més de poder programar una xarxa neuronal recurrent, els autors ens demostren com utilitzar aquestes darreres per a construir portes lògiques (“logic gates”). Amb aquestes, podem dissenyar un ordinador convencional, no pas diferent que el que fas servir ara mateix per a llegir aquest article. En efecte: s’ha descobert com implementar un ordinador fent servir no pas xips de silicona sinó xarxes neuronals recurrents. Si aquestes darreres són simulades, o en xips neuromòrfics, o bé biològiques, tant és.

Portes lògiques implementades utilitzant combinacions de xarxes neuronals recurrents. Aquestes portes són les peces fonamentals constituents dels xips d’ordinador. Orígen: figura 5 de Kim & Bassett, 2022.

La troballa no surt pas del no res, sinó que es fonamenta en els molts anys d’estudi dels “reservoir computers”, els més famosos essent potser les “liquid-state machines”. (Sorprenentment, no hi ha entrades en català a la viquipèdia per aquests conceptes.) Breument: una colla de nodes, cada un representant una neurona simulada (virtual), es connecten de forma recurrent, és a dir, fent circuits tancats on les senyals de sortida tornen, transformades, a la neurona que les emet, passant per altres neurones del circuit. Cada circuit recurrent implementa una funció no lineal. I teorèticament, és possible d’implementar qualsevol funció combinant una colla prou gran d’aquests circuits recurrents menuts.

Aquesta descoberta ens té, a molts de nosaltres que som neurobiòlegs, entusiasmats. Per primera vegada ens podem imaginar com és possible que els circuits del cervell humà, sobretot els circuits de les voltes cerebrals del neocòrtex, d’una estructura prou similar però repetida milions de vegades, pugui ésser responsable de la gran diversitat de capacitats i comportaments, des de inventar llenguatges fins a nedar, construir cases dalt d’un arbre, abraçar-nos o recitar poesia. Al capdavall, el neocòrtex consisteix en una colla de xarxes neuronals recurrents interconnectades, i això és tot el que ens cal per a construir, i també per a simular, un ordinador. Si en descobrim el programari, si és que aquest darrer existeix, potser ens podríem enginyar com copiar-nos-el i fer-lo anar en altres substrats computacionals. Per a què, no ho sabem pas, però poder-ho fer és una gran fita, i qui sap a on ens durà. Molt probablement ens ajudarà a entendre com funciona el cervell humà i com se surt de mesura quan està malalt, i quines intervencions podrien, potser, adobar-lo.

1. Vegeu P Lichtsteiner, C Posch, T Delbruck, 2008. A 128× 128 120 dB 15 μs latency asynchronous temporal contrast vision sensor. Solid-State Circuits, IEEE Journal of 43 (2), 566-576. I també un de molt més primerenc: “Silicon retina with correlation-based, velocity-tuned pixels”. T Delbruck 1993. IEEE Transactions on neural networks 4 (3), 529-541. I també “Analog VLSI phototransduction”, T Delbrück and CA Mead. 1994. Signal 10 (3), 10.
2. Vegeu Rutishauser U, Douglas RJ, Slotine JJ. Collective stability of networks of winner-take-all circuits. Neural computation. 2011 Mar 1;23(3):735-73.
3. Rosenblatt, 1957. The perceptron–a perceiving and recognizing automaton”. Cornell Aeronautical Laboratory.
4. J.Z. Kim & D.S. Bassett, 2022. A Neural Programming Language for the Reservoir Computer. arXiv preprint (pendent de revisió).

Quan ens ataquen, la nostra resposta a l’agressió canvia en funció de si ens trobem sols o bé som colla. Aquest sentit del nombre el compartim amb gairebé tots els éssers vius, des dels bacteris (“quorum sensing”) [1] i les plantes [2], als ocells [3], els peixos [4] i les llagostes [5].

La capacitat de comptar, però, és una altra cosa. Nosaltres donem per descomptat que podem comptar: ens pareix una capacitat innata. I tanmateix no és del tot així: la llengua que parlem i en que pensem influeix, moltíssim, en la nostra capacitat de comptar amb precisió i de comparar grups pel seu nombre [6]. Així doncs, poden comptar els animals?

Arbre filogenètic simplificat on es mostren grups d’animals (en negreta) que tenen un sentit del nombre. Hi trobem els pops, aranyes i insectes, i també peixos, granotes, ocells, tortugues, i una colla de mamífers com nosaltres els humans. Extret de Nieder, 2021 [3]

Investigadors d’arreu han estudiat com els ximpanzés, els corbs i els gossos compten les coses i associen nombres amb propietats o recompenses [7]. Fins i tot s’ha trobat que les abelles de la mel (Apis mellifera), uns animalons tan remenuts que només tenen vora un milió de neurones al seus cervells [8] (les persones en tenim uns 86,000 milions [9]) són capaces de comptar com a mínim fins a 4: de camí des de la colònia fins a les flors d’on en recolliran nèctar i pol·len, les abelles recorden fins a quatre fites que les ajuden en la navegació [10].

Qualsevol cosa que faci o pensi un animal depèn del cervell. Els circuits neuronals responsables per comptar el nombre d’objectes presents al camp visual, però, es desconeix. Enguany, de fet, fa uns dies, Mercedes Bengochea ha publicat, junt amb un group d’investigadors de l’Institut du Cerveau de la Universitat de la Sorbona de París, un nou estudi [11] on no només s’hi mesura la capacitat de comptar de la mosca del vinagre, la Drosophila melanogaster, sinó que també han identificat neurones del cervell de la mosca necessàries per la seves habilitats amb els nombres. Aquest estudi és molt prometedor perquè, per primera vegada, els neurobiòlegs tenen a la seva disposició un organisme genèticament modificable que també és capaç de comptar.

Les mosques del vinagre es posen en un espai on se n’observa el comportament amb càmeres i programes informàtics que en fan un seguiment de la posició de cada mosca a l’espai. En acabat, es mesura on eren les mosques, i es troba que passen més temps vora les 3 barres negres verticals que no pas a l’altre costat on hi ha una sola barra d’un gruix equivalent a la suma de les altres tres. Els autors presenten una bona colla d’experiments de control no mostrats aquí. Extret de Bengochea et al. 2022, Figura 1 [11].

Per a nosaltres els neurobiòlegs, aquest nou estudi de Bengochea i col·laboradors ens ofereix un angle d’atac, un punt d’entrada per a l’estudi dels circuits neuronals que implementen la capacitat de comptar. Entre d’altres coses, aquests circuits inspiraran el disseny i aplicació de xarxes neuronals artificials (ANNs, o “artificial neural networks” per les seves sigles en anglès) que simplifiquin i accelerin sistemes informàtics de visió per ordinador [12] per a quantificar des del nombre d’ocells d’un estol migratori a les colònies de bacteris sobre un placa de petri, i també, el nombre de participants a les manifestacions per a la independència de Catalunya a l’onze de setembre.

Postdata

Els peixos pallasso – com el famós “Nemo” de la pel·lícula de dibuixos animats – també saben comptar: compten les ratlles dels costats d’altres peixos per a distingir els amics dels enemics (Hayashi et al. 2024). Llegiu-ne un resum en anglès aquí.

Referències

1. Vet-ho aquí perquè cada vegada que fem maionesa amb ou no contraiem salmonel·losi: per sota d’un llindar del nombre de bacteris del genus Salmonella, es porten bé. Per sobre, comencen a expressar gens que els permeten d’atacar-nos, tornant-se doncs patògens. A la closca de l’ou n’hi ha pocs, de bacteris, amb origen en la femta de les gallines; però en fer la maionesa una petita quantitat hi caurà a dins i, si es deixa a temperatura ambient o fins i tot a la nevera masses hores, els bacteris es multipliquen i traspassen el llindar, assolint el nombre suficient per a canviar el seu comportament col·lectiu.
2. Baldwin IT, Schultz JC. Rapid changes in tree leaf chemistry induced by damage: evidence for communication between plants. Science. 1983 Jul 15;221(4607):277-9.
3. Koehler O. The ability of birds to count. Bulletin of Animal Behaviour. 1950;9:41-5. – Vegeu també Nieder A. Inside the corvid brain—probing the physiology of cognition in crows. Current Opinion in Behavioral Sciences. 2017 Aug 1;16:8-14.
4. Gleason PE, Weber PG, Weber SP. Effect of group size on avoidance learning in zebra fish, Brachydanio rerio (Pisces: Cyprinidae). Animal Learning & Behavior. 1977 Jun;5(2):213-6.
5. Buhl J, Sumpter DJ, Couzin ID, Hale JJ, Despland E, Miller ER, Simpson SJ. From disorder to order in marching locusts. Science. 2006 Jun 2;312(5778):1402-6.
6. Boroditsky L. How language shapes thought. Scientific American. 2011 Feb 1;304(2):62-5. Vegeu també una presentació audiovisual extraordinària de Lera Boroditsky sobre com les llengües influeixen en la nostra capacitat de pensar.
7. Nieder A. Neuroethology of number sense across the animal kingdom. Journal of Experimental Biology. 2021 Mar 15;224(6):jeb218289.
8. Srinivasan MV. Honey bees as a model for vision, perception, and cognition. Annual review of entomology. 2010 Jan 7;55:267-84.
9. Lent R, Azevedo FA, Andrade‐Moraes CH, Pinto AV. How many neurons do you have? Some dogmas of quantitative neuroscience under revision. European Journal of Neuroscience. 2012 Jan;35(1):1-9.
10. Martin Giurfa. 2019. Honeybees foraging for numbers. Journal of Comparative Physiology A volume 205, pages 439–450.
11. Mercedes Bengochea, Jacobo Diego Sitt, Thomas Preat, Veronique Izard, Laurent Cohen, Bassem A Hassan. 2021. Numerical discrimination in Drosophila melanogaster. bioRxiv preprint (pendent de revisió).
12. Sistemes informàtics primitius per a comptar objectes en un camp visual existeixen des dels anys 90, per exemple, un que compta només fins a 16: Hoekstra, J. 1992. Counting with artificial neural networks: an experiment. Artificial Neural Networks, 2. Pages 1311-1314. … i aqui un altre que compta fins a 100 peixos: Newbury PF, Culverhouse PF, Pilgrim DA. 1995. Automatic fish population counting by artificial neural network. Aquaculture. 1995 May 15;133(1):45-55.