Vida e Inteligencia Artificial en el campo de la Salud

Miguel Romero Cuevas

Secretario General de la Fundación eSalud y Técnico de proyectos de la Red de Trastornos Adictivos, Fundación IMABIS, Málaga. España

Resumen

La Vida Artificial es un campo de estudio multidisciplinar que trata de crear vida por parte del hombre más que por la naturaleza. La aplicación de las distintas técnicas de Vida e Inteligencia Artificial al conocimiento de la vida, está permitiendo una aproximación más adecuada a la realidad biológica que, a su vez, permite la creación de modelos más perfectos capaces de reproducir cualidades tanto de vida en estado sano como en estado patológico. El valor predictivo de estos modelos artificiales, se está erigiendo como una herramienta imprescindible para el avance de la terapéutica y la mejora de la salud actual.

1. Explorando la Vida Posible

La Vida Artificial es definida usualmente como la Biología de la Vida Posible ¹, la cual intenta recrear los fenómenos biológicos, no tal como son, sino tal como podrían ser. Para ello, la Vida Artificial intenta abordar el conocimiento de sistemas biológicos complejos desde sus implicaciones científicas, tecnológicas, artísticas, filosóficas y sociales, utilizando para ello medios artificiales.

Como resumen, podríamos situar más específicamente la disciplina de la Vida Artificial según unas de sus finalidades principales que sería la creación de vida por el hombre más que por la propia naturaleza. Para la consecución de este objetivo principal, la Vida Artificial necesita llegar a una mayor comprensión de la vida real, y una de las principales que se están utilizando en la actualidad es la imitación de la naturaleza. Esta imitación tiene mucho que ver con una cuestión tan complicada como es la definición de lo qué es la vida, cuyo abordaje ha generado y continuará generando gran controversia, y se escapa con creces a las expectativas de este artículo.

Sin embargo, una primera aproximación más sencilla al problema que utilizan los distintos grupos de investigación a la imitación de la naturaleza es la creación de modelos, esto significa la abstracción, simplificación y aproximación, no de la vida en sí, sino de procesos vitales finitos, que bien pueden ser relativos a un solo individuo o a un conjunto de ellos: desde la simulación de seres sésiles, a la simulación del comportamiento de bandadas, o simplemente a simular animales que aprendan, luchen, se reproduzcan y en general, sobrevivan ².

Por otro lado, siempre que se habla de Vida Artificial, se extrae la idea del uso de computadoras y otras tecnologías electrónicas, sin embargo esto podría ser una idea reduccionista sin tener en cuenta otras formas de hacer modelos, que es el acercamiento desde la propia química, en concreto el uso de modelos bioquímicos.

En este sentido, Bedau define tres grandes áreas dentro de la Vida Artificial según sea la aproximación del modelo empleado: soft (modelo de software), hard (modelo de hardware) y wet (modelo bioquímico) ³. Tanto es así, que existe controversia en inglés con respecto de la terminología empleada, utilizándose normalmente vida artificial más para los modelos de software y robóticos, y vida sintética para los modelos bioquímicos.

Por último, sea cual fuere su naturaleza, la creación modelos sencillos y la estructuración mediante síntesis en modelos más complejos, es lo que está rindiendo resultados de vida artificial cada vez más aproximados de vida “real”.

2. La creación de Modelos Virtuales

Como se ha expuesto anteriormente, la primera de las formas en la que se empezó a estudiar la Vida Artificial fue la tentativa de crear vida in vitro en laboratorios, utilizando los principios de la síntesis orgánica para estructurar los elementos. Estos esfuerzos han dado grandes pistas sobre las posibilidades de formas de vida alternativas a través del dominio de la química de las cadenas de carbono ⁴.

Sin embargo, las biomoléculas son compuestos que requieren costosas técnicas experimentales, laboratorios con equipamiento especializado y gran proporción de personal cualificado para su manejo. Además, aunque la creación de vida artificial in vitro es un campo muy importante en el desarrollo de la ciencia, todavía a medio plazo no parece que nos de más información sobre la vida posible de la que ya tenemos.

Las computadoras ofrecen un medio alternativo a través del cual poder intentar la síntesis de vida. La tecnología actual, tanto de software como de hardware ofrece gran potencial de cálculo y procesamiento para la creación de modelos in silico (figura 1). Los medios computacionales se están transformando en una importante herramienta de laboratorio para el estudio de la vida, complementando e incluso sustituyendo en muchos casos a las incubadoras, placas de cultivo, microscopios, geles de electroforesis, pipetas, centrífugas y demás instrumental del laboratorio clásico.

La creación del modelo propiciará poder manipularlos para la obtención de resultados. En el caso de los experimentos en el laboratorio clásico, esta manipulación se realiza mediante la ejecución de experimentos, y en el caso de computadoras esta manipulación se realiza mediante la ejecución de aplicaciones informáticas. Los resultados de ambas manipulaciones son la obtención observaciones “reales” y la de predicciones “virtuales” respectivamente.

Estos resultados tendrán un doble valor, por un lado, con ellos se podrá profundizar en el conocimiento de los procesos biológicos estudiados, y por otro, una vez validados los resultados obtenidos se podrán realizar predicciones de resultados futuros. En este punto es donde las computadoras irrumpen con gran fuerza ya que propician la consecución de muchos más resultados, en menor tiempo y utilizando menos medios, permitiendo llegar a dilucidar situaciones de vida más alejadas del entorno actual, en definitiva, permitiendo explorar con mayor facilidad las posibilidades de la vida y el comportamiento de los sistemas baja un sinfín de parámetros y condiciones iniciales. Obteniendo una gran profundización en la dinámica de un sistema.

En el caso de la Vida Artificial, la creación de modelos por computador va un paso más allá, en el sentido de que son las propias máquinas el modelo creado, las soluciones a su problemática vendrá dada a partir de las soluciones que la naturaleza da a los problemas reales. Con ello se consigue una doble vertiente:

Figura 1: Representación esquemática de los pasos involucrados en la creación de un modelo por ordenador de un sistema real y de su relación con los resultados experimentales.

• Validación de los modelos. En este caso concre-concreto sería crear vida artificial y resolver los problemas imitando a la naturaleza.
• Valor predictivo de los modelos. Que correspondería a la fase de exploración de nuevos espacios de vida y la resolución de los problemas intrínsecos con herramientas validadas.

3. Niveles de modelos de vida artificial basados en la organización de la naturaleza

La creación de modelos de Vida Artificial va de la mano y está basada en los niveles de organización de la Biología (molecular, celular, organismos y poblaciones o ecosistemas). Un ente viviente a cada uno de esos niveles es un sistema complejo conformado a partir de la interacción y el equilibrio de un gran número de elementos. Para tratar con esta complejidad multinivel, la Vida Artificial está desarrollando nuevos modelos (software, hardware y “wetware”) capaces de abstraer mucha de la complejidad de los sistemas vivientes, pero con la ventaja de ser mucho más manipulables, reproducibles y susceptibles de realizar experimentos mucho más controlados que en un entorno “real”. En este sentido, la aplicación más importante de los sistemas de Vida Artificial para el campo de la salud viene dada por la construcción de modelos de aquello sistemas que puedan aportar conocimiento sobre la vida natural. En este capítulo, describiremos algunas de las técnicas en desarrollo para el conocimiento de problemas biológicos.

3.1 Sistemas Artificiales Bioquímicos (modelos “Wetware”)

Son realmente los sistemas más parecidos a la vida natural y los que realmente derivan de ella. La mayoría de los experimentos intentan producir directamente moléculas de ARN con distintas propiedades (Ribozimas). El descubrimiento de estas moléculas de ARN con capacidad catalítica, o ribozimas, aporta luz sobre el origen de la vida biológica. Podemos pensar que fueron moléculas de ARN, o parecidas, con capacidad para autorreplicarse, las precursoras de la vida, por tanto se pueden considerar el primer paso de la evolución para originar la célula ⁵.

3.2 Sistemas Complejos (modelos de software)

Los sistemas complejos tratan de explicar la evolución observada desde las moléculas que se pueden autorreplicar hasta la formación de un sistema cerrado como es la célula. Para ello, uno de los principales objetivos de estos modelos es buscar la presencia de patrones universales en la organización de la interacción de los elementos que componen los sistemas complejos. Las herramientas más adecuadas para realizar esta búsqueda son los programas informáticos capaces de realizar recreaciones matemáticas de todos estos procesos y puntos, es por ello que la mayoría de estos sistemas son modelados mediante software.

Uno de los modelos más utilizados a este nivel de organización son los Autómatas Celulares, que no son otra cosa que los modelos matemáticos que describen a un sistema dinámico que evoluciona en pasos discretos. Estos sistemas fueron descubiertos dentro del campo de la física computacional por John von Neumann en la década de los 50 ⁶.

3.3 Fabricando Organismos (modelos de hardware)

La construcción de los modelos de hardware se realiza basándose en los principios que permiten la existencia en la naturaleza de organismos vivos: la evolución, crecimiento, adaptabilidad, regeneración y auto-organización[7]. Para ello, hay tres componentes importantes que diseñar y construir:

• El cuerpo, como base física que soportará las capacidades simulando geometrías reales, propiedades mecánicas, dinámicas y térmicas, balance energético, crecimiento y desarrollo.
• El entorno ambiental en el que se desarrolla ese objeto.
• El comportamiento, como capacidad de adaptación del cuerpo al medio. En este punto se están desarrollando sistemas sensoriales y modelos físicos del sistema nervioso que lleguen a recrear las capacidades inteligentes de los organismos. Se abre entonces, el campo multidisciplinar de la Inteligencia Artificial, que tratará de simular el aprendizaje de los organismos en el tiempo.

En principio, cualquiera de los tres componentes de un ser vivo (cuerpo, entorno, comportamiento) pueden ser simulados mediante herramientas de software. Sin embargo, la gran cantidad de potencia computacional requerida para obtener un modelo razonable de, por ejemplo, las propiedades ambientales, o de las propiedades mecánicas de los organismos hace que no eficiente la creación de estos modelos mediante software.

Es por ello, que un método más eficiente de obtener resultados es la recreación de modelos físicos dentro de un entorno real y representar los cuerpos de los organismos vivos y sus interacciones con el entorno utilizando pequeños robots. Con esta tecnología, se puede modelar como los organismos abordan la integración sensorial, como pueden moverse en el espacio, como pueden controlar sus sensaciones y movimientos musculares para obtener movimientos coordinados y como se desarrolla todo ello en tiempo real.

3.4 Simulación de Poblaciones

Este aspecto de estudio de la Vida Artificial se refiere a la recreación de ecosistemas donde cada elemento (organismo) interacciona con los demás mediante relaciones de competencia y colaboración por la explotación de los recursos del medio (comida, apareamiento…), lo que dirigirá la evolución de las generaciones venideras hacia un posicionamiento mejor que las generaciones predecesoras. Esta simulación de poblaciones se relaciona directamente con las simulaciones a nivel de organismos, ya que, su evolución dentro del entorno artificial puede implicar cambios a nivel morfológico (cuerpo) o a nivel de sistema nervioso (comportamiento).

Los modelos de poblaciones se han llevado a cabo tradicionalmente mediante la resolución de ecuaciones algebraicas o diferenciales. Sin embargo, estas soluciones presentan algunas limitaciones a la hora de describir las relaciones entre individuos, para ello se están desarrollando métodos basados en el desarrollo de una forma alternativa de realizar modelos que prescinde de las ecuaciones, y representa las poblaciones como un conjunto de programas computaciones ejecutándose en paralelo. En este caso, cada programa informático sería un organismo que se desarrollará (ejecutará) según las condiciones de interacción con otros programas ejecutables. Este nuevo paradigma de modelar ofrece la ventaja de codificar el comportamiento de un organismo como un ejecutable, llegando más lejos que la mera solución de ecuaciones que deben ser integradas.

La capacidad de modificación directa de código de programación, hace de estos sistemas más fáciles de usar y modificar con la nueva información obtenida de los sistemas reales. En los modelos de los organismos se pueden definir los genes como fuente de comportamiento de los mismos. Estos organismos pueden tener reproducción sexuada o asexuada… Dando comportamientos cada vez más en concordancia con las dinámicas reales.

Por último, es de resaltar la gran explosión que ha tenido este paradigma en el desarrollo de virus informáticos, que junto a la implementación de Internet, han permitido un avance importante en la aplicación de esta tecnología.

4. Herramientas de Vida Artificial aplicadas al conocimiento biológico

En el punto anterior hemos visto como existen distintos niveles de modelos teóricos de vida artificial que imitan a la vida de la naturaleza. Además de esta primera aproximación, en la creación de estos modelos surgen distintas problemáticas para cuya resolución, la Vida Artificial utiliza de nuevo la imitación de las soluciones que la naturaleza genera para resolver sus problemas. Es así como se surgen distintas herramientas “inteligentes” que, en una primera aproximación, sirven para solucionar los problemas derivados de la creación de vida artificial (crecer, reproducirse, sobrevivir…) pero que también son utilizadas para ayudar a conocer la propia naturaleza mejor. Aunque son numerosos los métodos existentes, los más desarrollados pueden ser:

4.1 Redes Bayesianas

Estas herramientas consisten en la representación gráfica ordenada de las distribuciones de probabilidad, y para la inferencia. Están adquiriendo cada vez más importancia en el campo de las ciencias biológicas sobre todo para dilucidar redes celulares, modelado de rutas de señalización proteica, integración y clasificación de datos, y análisis genético. La representación y uso de la teoría de la probabilidad hace a esta herramienta muy útil para la extracción de conocimiento a partir de los datos, expresión de relaciones causales y el aprendizaje de conjuntos de datos incompletos. Los modelos probabilísticos proveen un tratamiento natural para la naturaleza estocástica de los sistemas y medidas biológicas ⁸.

4.2 Redes Neuronales

Normalmente se utiliza esta terminología para designar a las redes neuronales artificiales. Las neuronas artificiales son objetos de programación que mimetizan el funcionamiento de las neuronas reales, las redes neuronales artificiales son modelos matemáticos de las interconexiones y los flujos de información entre neuronas artificiales, por tanto mimetizan el comportamiento de las redes neuronales biológicas ⁹.

Una de las características de los sistemas de redes neuronales que las hace especialmente potentes es su adaptabilidad a la solución del problema. En este sentido, la creación de una red neuronal implica un período de entrenamiento de la misma en el que la red se retroalimenta de información externa e interna y va cambiando su conformación para la optimización del resultado.

Como las demás herramientas, las redes neuronales artificiales pueden ser utilizadas para un mejor conocimiento de las redes de neuronas biológicas, o para resolver un problema de inteligencia artificial sin crear necesariamente un modelo biológico real ¹⁰.

4.3 Algoritmos Genéticos

Son técnicas computacionales heurísticas inspiradas en los mecanismos de evolución y selección natural de la genética clásica. Generan al azar un conjunto de soluciones o cromosomas que codifican los distintos genes (variables del sistema). Este conjunto de cromosomas se cruzan (recombinan) y de ellos se seleccionan las mejores soluciones. En períodos de tiempo determinados se producen mutaciones e inversiones. Los procesos de recombinación y selección continúan hasta que no aparezca ninguna solución nueva dentro de un rango preestablecido.

Estos algoritmos están diseñados para encontrar la solución exacta o aproximada a problemas de optimización o búsqueda, y han demostrado ser especialmente efectivos en la búsqueda de soluciones dentro de sistemas flexibles ¹¹.

4.3 Autómatas celulares

Las herramientas más extendidas son los modelos discretos consistentes en una red regular en la que cada nodo es una célula que tiene un número finito de estados. Los autómatas celulares pueden reproducir la evolución del sistema en un tiempo finito. Para ello, el estado de cada célula en un tiempo t es una función de los estados de las células vecinas a tiempo t-1. Así, la evolución del sistema es simplemente la evolución de los distintos estados puntuales de la red que vendrá determinada por las interacciones de cada una de las células con su entorno.

Para finalizar podemos decir, que la aplicación de la Inteligencia Artificial al conocimiento de la naturaleza supone un enfoque más “inteligente” para abordar problemas complejos y un cambio en la concepción clásica de la aplicación de métodos computacionales al estudio de la naturaleza, que hasta el momento estaban exclusivamente basados en una aproximación estadística muy dependiente del poder computacional disponible ¹². Es por ello, que estos métodos complementan y llevan un paso más allá al estudio computacional de la vida.

5. El valor Predictivo en la Salud

La aplicación de las técnicas de Inteligencia Artificial en el campo de la salud no es algo nuevo, ya en la década de los 80, los científicos trabajaban en la creación de programas de ordenador capaces de realizar diagnosis y recomendaciones terapéuticas. Desde entonces las líneas de investigación en este campo han cambiado desde la diagnosis en situaciones clínicas de rutina a centrarse en todo el espectro de los cuidados en salud definiéndose los nuevos instrumentos como Sistemas de Apoyo a la Decisión Clínica ¹³.

Las herramientas de Inteligencia Artificial permiten, hoy día, apoyar la prescripción de medicamentos, dar soporte en la docencia y la obtención de resultados en laboratorios, realizar vigilancia clínica…

Por otro lado, estos sistemas ya están rindiendo los primeros resultados en la predicción de la dinámica de sistemas patológicos o terapéuticos tan dispares, como la predicción de características metabólicas de nuevos fármacos [14], el control de la ambiente en terapia ocupacional¹⁵, el desarrollo de prótesis de visión¹⁶, o la caracterización del fenotipo a partir de datos genómicos y proteómicos¹⁷.

Para finalizar, en el punto anterior se han descrito cuatro de los métodos más importantes de Inteligencia Artificial que pueden ayudarnos a conocer mejor la naturaleza, pero el conocimiento no es más que el primer paso para la resolución de problemas. El verdadero poder de estos métodos vendrá dado por su capacidad de predecir la evolución de los sistemas virtuales tal como se he descrito en este último punto.

Conociendo la evolución de los sistemas virtuales, se podrá hacer una predicción de la dinámica tanto en estado sano o en situaciones patológicas, permitiendo encontrar soluciones a los problemas virtuales que se planteen. Las soluciones virtuales encontradas podrán ser aplicadas a la resolución de problemas de salud reales, cerrando así el ciclo de conocimiento desde lo real a lo virtual para predecir realidad futura.

Bibliografía

1. Christopher G. Langton. Artificial Life. Perseus Books (1997). ISBN-10: 0201608081
2. Merelo, J.J. Vida Artificial. REDcientífica.
3. Mark A. Bedau (2003). Artificial life: organization, adaptation and complexity from the bottom up. TRENDS in Cognitive Sciences. Accedido 12-12-2007.
4. Karen Hopkin. Not Faking It. The Scientist Volume 21. Issue 11. Page 68.
5. Definición Ribozima. Wikipedia. Accedido 21-12-2007
6. Autómata celular. Wikipedia. Accedido 22-12-2007
7. Pfeifer R, Lungarella M, Iida F. Self-organization, embodiment, and biologically inspired robotics. Science. 2007; 318(5853): 1088-93.
8. Needham CJ, Bradford JR, Bulpitt AJ, Westhead DR. A primer on learning in Bayesian networks for computational biology . PLoS Comput Biol. 2007; 3(8):e129.
9. Kaiser M. Brain architecture: a design for natural computation.  Philos Transact A Math Phys Eng Sci. 2007; 365(1861):3033-45.
10. Definición Natural Network. Wikipedia. Accedido 02-01-2008
11. Goldberg, D.E. Genetics Algorithms in Search, Optimization and Machine Learning. Addison Wesley Publishing company, Inc. Readin, M.A. 1989.
12. Keedwell, E. y Narayaman, A. Intelligent Bioinformatics. Wiley 2005.
13. Denekamp Y. Clinical decision support systems for addressing information needs of physicians. Isr Med Assoc J. 2007;9(11):771-6.
14. Li H, Yap CW, Ung CY, Xue Y, Li ZR, Han LY, Lin HH, Chen YZ . Machine learning approaches for predicting compounds that interact with therapeutic and ADMET related proteins. J Pharm Sci. 2007; 96(11):2838-60.
15. Taylor B, Robertson D, Wiratunga N, Craw S, Mitchell D, Stewart E. Using computer aided case based reasoning to support clinical reasoning in community occupational therapy. Comput Methods Programs Biomed. 2007;87(2):170-9.
16. Mokwa W. An implantable microsystem as a vision prosthesis. Med Device Technol. 2007 Oct;18(6):20, 22-3.
17. Ressom HW, Varghese RS, Zhang Z, Xuan J, Clarke R. Classification algorithms for phenotype prediction in genomics and proteomics. Front Biosci. 2008; 13: 691-708.

RevistaeSalud.com es una publicación electrónica que intenta promover el uso de TICs (Tecnologías de la Información y las Comunicaciones) con el propósito de mejorar o mantener la salud de las personas, sin importar quiénes sean o dónde estén. Edita: FESALUD – Fundación para la eSalud Correo-e: edicion@revistaesalud.com ISSN 1698-7969

Los textos publicados en esta revista, a menos que se indique lo contrario, están sujetos a una licencia de Reconocimiento-NoComercial-inObraDerivada 2.5 de Creative Commons. Pueden copiarse, distribuirse y comunicarse públicamente, siempre que se citen el autor y la revista digital donde se publican, RevistaeSalud.com. No se permite su uso comercial ni la generación de obras derivadas. Puede consultarse la licencia completa en http://creativecommons.org/licenses/by-nc-nd/2.5/deed.es