Las moscas de la fruta no son exactamente famosas por su inteligencia; probablemente hayas ahogado más de una en una copa de vino que dejaste demasiado tiempo en la mesa del patio. Sin embargo, con aproximadamente 140,000 neuronas, un cerebro más pequeño que una semilla de amapola, la Drosophila puede clasificar una amplia gama de olores en una fracción de segundo y luego retener la memoria de ese olor durante mucho tiempo. En esto, lo hacen mucho mejor que las "narices electrónicas" actuales, que tienden a ser caras, dolorosamente limitadas en lo que pueden detectar y rápidas en olvidar un olor en el momento en que aprenden uno nuevo.

Entonces, ¿por qué no simplemente copiar a la mosca? Esa es la pregunta que un número creciente de investigadores se ha estado haciendo, incluidos Kevin Max y Yang Shen en el Instituto de Ciencia y Tecnología de Okinawa, cuyo nuevo algoritmo, Spi-Fly, se describe en un artículo publicado recientemente en la revista Neuromorphic Computing and Engineering.

El olfato es un sentido extraño, mecánicamente hablando. La visión y la audición se reducen a una única dimensión física que puedes graficar: la longitud de onda, lo que las hace relativamente ordenadas de estudiar. Las moléculas de olor, por el contrario, no pueden reducirse a una única dimensión física. La biología tuvo que encontrar una solución más desordenada: cientos de proteínas receptoras diferentes, cada una con forma de agarrar características moleculares específicas, disparando en combinaciones que el cerebro luego tiene que decodificar. Es un sistema tan combinatoriamente complejo que no fue hasta 1991 que Linda Buck y Richard Axel lograron identificar la familia de genes receptores detrás de él, un trabajo que les valió el Premio Nobel en 2004.

A pesar de las dificultades en nuestra comprensión del olfato, las "narices electrónicas" existen en el mercado. Empresas como Alpha MOS, Aryballe y Odotech las venden para control de calidad de alimentos, monitoreo ambiental y detección de seguridad. Lo que estas narices hacen mal es generalizar. Un dispositivo afinado para olfatear aceite de oliva rancio no es lo mismo que un dispositivo que detecta un explosivo específico en un punto de control de aeropuerto. Reequipar uno para una nueva tarea generalmente significa volver a entrenar su software casi desde cero.

Dos cuellos de botella técnicos se esconden detrás de esa limitación. Primero, estos sistemas típicamente necesitan una montaña de ejemplos etiquetados manualmente antes de poder distinguir de manera confiable un olor de otro. Segundo, enseñarles un nuevo olor tiende a desordenar lo que ya sabían, un problema que los investigadores llaman "olvido catastrófico", el equivalente electrónico de olvidar cómo andar en bicicleta justo después de aprender a nadar.

Las moscas de la fruta, y muchos otros insectos, no tienen este problema, a pesar de sus cerebros diminutos. ¿Cómo distinguen los olores y los recuerdan con tan poca capacidad cerebral? El secreto, según los autores del artículo, es algo llamado codificación dispersa. Piénsalo como el cerebro de la mosca asignando un código de barras a cada olor. Su sistema olfativo se basa en aproximadamente 2,000 células especializadas, llamadas células de Kenyon, que reciben señales dispersas y cableadas aleatoriamente transmitidas desde los receptores de olor de la mosca. Esas células de Kenyon informan todas a un único punto de relevo: la neurona lateral pareada anterior, o APL (en realidad un par simétrico, una por hemisferio cerebral). Las APL responden disparando una inhibición global fuerte de vuelta a cada célula de Kenyon a la vez, silenciando casi todas. Las células que permanecen activas después de esa represión son lo que Max y Shen llaman el código de barras para ese olor particular.

Spi-Fly retoma la historia solo después de que un sensor ya ha hecho su trabajo; todo aquí ocurre en simulación, usando datos de sensor previamente grabados, y el algoritmo en sí no tiene nada que ver con capturar el olor en primer lugar. En el trabajo de Max y Shen, las lecturas del sensor se convierten en una corriente de picos, proyectados de manera dispersa y aleatoria sobre una capa oculta que representa a las células de Kenyon, con neuronas inhibiéndose entre sí en lugar de depender de un árbitro similar a APL. Desde allí, la capa oculta se conecta a una capa de salida, una neurona por olor etiquetado, esperando aprender qué código de barras pertenece a qué olor.

Lo que realmente se aprende es la conexión entre un código de barras y una etiqueta, y el algoritmo ajusta los pesos de esas conexiones. Pero lo crucial es que la capa oculta es escasa y aleatoria, y la inhibición entre neuronas asegura que solo unas pocas se activen para cualquier olor dado. Esto significa que los códigos de barras para diferentes olores son casi ortogonales, apenas se superponen. Cuando llega un nuevo olor, su código de barras no interfiere con los existentes, por lo que no hay olvido catastrófico. Además, el sistema puede aprender de unos pocos ejemplos, porque la representación dispersa captura las características distintivas del olor de manera eficiente.

Los investigadores probaron Spi-Fly en conjuntos de datos de olores públicos, como uno de 10 sustancias químicas diferentes y otro de 20 mezclas. El algoritmo superó a los métodos de referencia en precisión y robustez, especialmente cuando se le pedía aprender nuevos olores después del entrenamiento inicial. También mostró resistencia al ruido y a variaciones en la concentración del olor, algo que afecta a las narices electrónicas reales.

Por supuesto, Spi-Fly no es una nariz electrónica completa; es un algoritmo de clasificación que necesita un sensor que genere los datos. Pero los autores argumentan que su enfoque podría integrarse en sistemas existentes para mejorar su capacidad de generalizar y aprender de manera continua. Y al imitar a la mosca de la fruta, tal vez podamos construir dispositivos que, a diferencia de nuestros teléfonos, no olviden nuestra orden de café favorita.