computación natural

Un autómata celular es un sistema dinámico compuesto por una matriz de celdas. El espacio y el tiempo son discretos, y cada celda puede encontrarse en un número finito de estados . El autómata celular actualiza los estados de sus celdas de forma síncrona según las reglas de transición predefinidas . El siguiente estado de una celda se calcula mediante una regla de transición y depende únicamente de su estado actual y de los estados de sus vecinas.

El Juego de la Vida de Conway es uno de los ejemplos más conocidos de autómatas celulares, cuya universalidad computacional ha sido demostrada . Los autómatas celulares se han aplicado al modelado de diversos fenómenos como la comunicación, el crecimiento, la reproducción, la competencia, la evolución y otros procesos físicos y biológicos.

La computación neuronal es el campo de investigación que surgió de la comparación entre las máquinas de computación y el sistema nervioso humano . ^{[ 10 ]} Este campo tiene como objetivo tanto comprender cómo funciona el cerebro de los organismos vivos ( teoría del cerebro o neurociencia computacional ) como diseñar algoritmos eficientes basados ​​en los principios de cómo el cerebro humano procesa la información (Redes Neuronales Artificiales, RNA ^{[ 11 ]} ).

Una red neuronal artificial es una red de neuronas artificiales . ^{[ 12 ]} Una neurona artificial A está equipada con una función ${\displaystyle f_{A}}$, recibe n entradas de valor real${\displaystyle x_{1},x_{2},\ldots ,x_{n}}$con sus respectivos pesos${\displaystyle w_{1},w_{2},\ldots,w_{n}}$y produce${\displaystyle f_{A}(w_{1}x_{1}+w_{2}x_{2}+\ldots +w_{n}x_{n})}$Se seleccionan algunas neuronas como neuronas de salida, y la función de red es la función vectorial que asocia a los n valores de entrada las salidas de las m neuronas de salida seleccionadas. Cabe destacar que distintas elecciones de pesos producen distintas funciones de red para las mismas entradas. La retropropagación es un método de aprendizaje supervisado mediante el cual los pesos de las conexiones de la red se ajustan repetidamente para minimizar la diferencia entre el vector de salidas reales y el de salidas deseadas. Los algoritmos de aprendizaje basados ​​en la retropropagación de errores pueden utilizarse para encontrar pesos óptimos para una topología de red y pares de entrada-salida dados.

La computación evolutiva ^{[ 13 ]} es un paradigma computacional inspirado en la evolución darwiniana .

Un sistema evolutivo artificial es un sistema computacional basado en la noción de evolución simulada. Comprende una población de individuos de tamaño constante o variable, un criterio de aptitud y operadores de inspiración genética que generan la siguiente generación a partir de la actual. La población inicial se genera típicamente de forma aleatoria o heurística, y los operadores típicos son la mutación y la recombinación . En cada paso, los individuos se evalúan según la función de aptitud dada ( supervivencia del más apto ). La siguiente generación se obtiene a partir de individuos seleccionados (padres) mediante operadores de inspiración genética. La elección de los padres puede guiarse por un operador de selección que refleja el principio biológico de selección de pareja . Este proceso de evolución simulada converge finalmente hacia una población de individuos casi óptima, desde el punto de vista de la función de aptitud.

El estudio de los sistemas evolutivos ha evolucionado históricamente a lo largo de tres ramas principales: Las estrategias evolutivas proporcionan una solución a los problemas de optimización de parámetros para parámetros de valores reales, así como para parámetros discretos y mixtos. La programación evolutiva originalmente apuntaba a la creación de "agentes inteligentes" óptimos modelados, por ejemplo, como máquinas de estados finitos. Los algoritmos genéticos ^{[ 14 ]} aplicaron la idea de la computación evolutiva al problema de encontrar una solución (casi) óptima a un problema dado. Los algoritmos genéticos consistían inicialmente en una población de entrada de individuos codificados como cadenas de bits de longitud fija, los operadores genéticos mutación (inversiones de bits) y recombinación (combinación de un prefijo de un padre con el sufijo del otro), y una función de aptitud dependiente del problema. Los algoritmos genéticos se han utilizado para optimizar programas informáticos, llamados programación genética , y hoy también se aplican a problemas de optimización de parámetros de valores reales, así como a muchos tipos de tareas combinatorias .

Por otro lado, los algoritmos de estimación de distribución (EDA) son algoritmos evolutivos que sustituyen los operadores de reproducción tradicionales por operadores guiados por modelos. Estos modelos se aprenden a partir de la población mediante técnicas de aprendizaje automático y se representan como modelos gráficos probabilísticos, a partir de los cuales se pueden muestrear nuevas soluciones ^{[ 15 ] [ 16 ]} o generar mediante cruce guiado ^{[ 17 ] [ 18 ] .}

La inteligencia de enjambre , ^{[ 19 ]} a veces denominada inteligencia colectiva , se define como el comportamiento de resolución de problemas que surge de la interacción de agentes individuales (por ejemplo, bacterias , hormigas , termitas , abejas , arañas , peces , pájaros ) que se comunican con otros agentes actuando en sus entornos locales .

La optimización por enjambre de partículas aplica esta idea al problema de encontrar una solución óptima a un problema dado mediante una búsqueda en un espacio de soluciones (multidimensional) . La configuración inicial consiste en un enjambre de partículas , cada una de las cuales representa una posible solución al problema. Cada partícula tiene su propia velocidad , que depende de su velocidad anterior (el componente de inercia), la tendencia hacia su mejor posición personal pasada (el componente de nostalgia) y su tendencia hacia un óptimo global o local en el vecindario (el componente social). De esta forma, las partículas se mueven a través de un espacio multidimensional y finalmente convergen hacia un punto entre el mejor global y su mejor posición personal. Los algoritmos de optimización por enjambre de partículas se han aplicado a diversos problemas de optimización, así como al aprendizaje no supervisado , el aprendizaje de juegos y las aplicaciones de planificación .

En la misma línea, los algoritmos de hormigas modelan el comportamiento de búsqueda de alimento de las colonias. Para encontrar el mejor camino entre el nido y una fuente de alimento, las hormigas se comunican indirectamente dejando un rastro de feromonas al regresar al nido si han encontrado comida, o siguiendo la concentración de feromonas si la buscan. Los algoritmos de hormigas se han aplicado con éxito a diversos problemas de optimización combinatoria en espacios de búsqueda discretos.

Los sistemas inmunitarios artificiales (también conocidos como computación inmunológica o inmunocomputación ) son sistemas computacionales inspirados en los sistemas inmunitarios naturales de los organismos biológicos.

Considerado como un sistema de procesamiento de información, el sistema inmunitario natural de los organismos realiza muchas tareas complejas de forma paralela y distribuida . ^{[ 20 ]} Estas incluyen distinguir entre lo propio y lo ajeno , ^{[ 21 ]} la neutralización de patógenos ajenos ( virus , bacterias, hongos y parásitos ), el aprendizaje , la memoria , la recuperación asociativa , la autorregulación y la tolerancia a fallos . Los sistemas inmunitarios artificiales son abstracciones del sistema inmunitario natural, que enfatizan estos aspectos computacionales. Sus aplicaciones incluyen la detección de virus informáticos , la detección de anomalías en una serie temporal de datos, el diagnóstico de fallos , el reconocimiento de patrones , el aprendizaje automático, la bioinformática , la optimización, la robótica y el control .

La computación de membranas investiga modelos computacionales abstraídos de la estructura compartimentalizada de las células vivas afectadas por membranas . ^{[ 22 ]} Un sistema de membranas genérico (sistema P) consiste en compartimentos (regiones) similares a células, delimitados por membranas , que se colocan en una estructura jerárquica anidada . Cada región envuelta por membrana contiene objetos, reglas de transformación que modifican estos objetos, así como reglas de transferencia, que especifican si los objetos se transferirán fuera de la región o permanecerán dentro. Las regiones se comunican entre sí mediante la transferencia de objetos. La computación por parte de un sistema de membranas comienza con una configuración inicial, donde el número ( multiplicidad ) de cada objeto se establece en algún valor para cada región ( multiconjunto de objetos ). Procede eligiendo, de manera no determinista y de forma máximamente paralela , qué reglas se aplican a qué objetos. El resultado de la computación se recoge de una región de salida determinada a priori .

Las aplicaciones de los sistemas de membranas incluyen el aprendizaje automático, el modelado de procesos biológicos ( fotosíntesis , ciertas vías de señalización , detección de quórum en bacterias, inmunidad mediada por células ), así como aplicaciones de informática como gráficos por computadora , criptografía de clave pública , algoritmos de aproximación y ordenación , así como el análisis de varios problemas computacionalmente difíciles .

En los organismos biológicos, la morfogénesis (el desarrollo de formas bien definidas y estructuras funcionales) se logra mediante las interacciones entre células guiadas por el programa genético codificado en el ADN del organismo.

Inspirada en esta idea, la computación amorfa busca diseñar formas y patrones bien definidos, o comportamientos computacionales coherentes, a partir de las interacciones locales de multitud de elementos computacionales simples, poco fiables, irregularmente ubicados, asíncronos e idénticamente programados (partículas). ^{[ 23 ]} Como paradigma de programación, el objetivo es encontrar nuevas técnicas de programación que funcionen bien en entornos de computación amorfa. La computación amorfa también desempeña un papel importante como base de la « computación celular » (véanse los temas «biología sintética » y «computación celular» más adelante).

La comprensión de que la morfología realiza computación se utiliza para analizar la relación entre morfología y control y para guiar teóricamente el diseño de robots con requisitos de control reducidos, se ha utilizado tanto en robótica como para la comprensión de los procesos cognitivos en organismos vivos, véase Computación morfológica y . ^{[ 24 ]}

La computación cognitiva (CC) es un nuevo tipo de computación, generalmente con el objetivo de modelar funciones de percepción, razonamiento y respuesta a estímulos humanos, véase Computación cognitiva y . ^{[ 25 ]}

Las capacidades cognitivas de la computación cognitiva actual distan mucho del nivel humano. El mismo enfoque info-computacional puede aplicarse a otros organismos vivos más simples. Las bacterias son un ejemplo de un sistema cognitivo modelado computacionalmente; véase Eshel Ben-Jacob y Microbes-mind .

La vida artificial (VIA) es un campo de investigación cuyo objetivo final es comprender las propiedades esenciales de los organismos vivos ^{[ 26 ]} mediante la construcción, dentro de computadoras electrónicas u otros medios artificiales, de sistemas ab initio que exhiben propiedades normalmente asociadas solo con organismos vivos. Ejemplos tempranos incluyen los sistemas de Lindenmayer (sistemas L), que se han utilizado para modelar el crecimiento y desarrollo de las plantas. Un sistema L es un sistema de reescritura paralela que comienza con una palabra inicial y aplica sus reglas de reescritura en paralelo a todas las letras de la palabra. ^{[ 27 ]}

Los experimentos pioneros en vida artificial incluyeron el diseño de "criaturas de bloques virtuales" evolutivas que actuaban en entornos simulados con características realistas como cinética , dinámica , gravedad , colisión y fricción . ^{[ 28 ]} Estas criaturas artificiales fueron seleccionadas por sus habilidades dotadas para nadar, caminar o saltar, y competían por un recurso limitado común (controlar un cubo). La simulación dio como resultado la evolución de criaturas que exhibían un comportamiento sorprendente: algunas desarrollaron manos para agarrar el cubo, otras desarrollaron piernas para moverse hacia el cubo. Este enfoque computacional se combinó además con la tecnología de fabricación rápida para construir realmente los robots físicos que evolucionaron virtualmente. ^{[ 29 ]} Esto marcó el surgimiento del campo de la vida artificial mecánica .

El campo de la biología sintética explora la implementación biológica de ideas similares. Otras líneas de investigación dentro del campo de la vida artificial incluyen la química artificial , así como fenómenos tradicionalmente biológicos explorados en sistemas artificiales, que abarcan desde procesos computacionales como la adaptación y el desarrollo coevolutivos , hasta procesos físicos como el crecimiento, la autorreplicación y la autorreparación .

La computación molecular (también conocida como computación biomolecular, biocomputación, computación bioquímica o computación de ADN ) es un paradigma computacional en el que los datos se codifican como biomoléculas, como cadenas de ADN , y las herramientas de biología molecular actúan sobre los datos para realizar diversas operaciones (por ejemplo, operaciones aritméticas o lógicas ).

La primera realización experimental de una computadora molecular de propósito especial fue el experimento revolucionario de 1994 de Leonard Adleman, quien resolvió una instancia de 7 nodos del Problema del Camino Hamiltoniano únicamente manipulando hebras de ADN en tubos de ensayo. ^{[ 30 ]} Los cálculos de ADN comienzan a partir de una entrada inicial codificada como una secuencia de ADN (esencialmente una secuencia sobre el alfabeto de cuatro letras {A, C, G, T}), y proceden mediante una sucesión de biooperaciones tales como cortar y pegar (por enzimas de restricción y ligasas ), extracción de hebras que contienen una subsecuencia determinada (usando la complementariedad de Watson-Crick), copia (usando la reacción en cadena de la polimerasa que emplea la enzima polimerasa) y lectura. ^{[ 31 ]} Investigaciones experimentales recientes lograron resolver instancias más complejas de problemas NP-completos tales como una instancia de 20 variables de 3SAT , e implementaciones húmedas de ADN de máquinas de estados finitos con aplicaciones potenciales para el diseño de fármacos inteligentes .

Una de las contribuciones más notables de la investigación en este campo es la comprensión del autoensamblaje . ^{[ 33 ]} El autoensamblaje es el proceso ascendente por el cual los objetos se unen de forma autónoma para formar estructuras complejas. Abundan los ejemplos en la naturaleza, e incluyen átomos que se unen mediante enlaces químicos para formar moléculas , y moléculas que forman cristales o macromoléculas . Ejemplos de temas de investigación sobre autoensamblaje incluyen nanoestructuras de ADN autoensambladas ^{[ 34 ]} como triángulos de Sierpinski ^{[ 35 ]} o nanoformas arbitrarias obtenidas mediante la técnica de origami de ADN ^{[ 36 ]} , y nanomáquinas de ADN ^{[ 37 ]} como circuitos basados ​​en ADN ( contador binario , XOR acumulativo bit a bit ), ribozimas para operaciones lógicas, interruptores moleculares ( pinzas de ADN ) y motores moleculares autónomos ( caminantes de ADN ).

La investigación teórica en computación molecular ha producido varios modelos novedosos de computación de ADN (por ejemplo, sistemas de empalme introducidos por Tom Head ya en 1987) y se ha investigado su poder computacional. ^{[ 38 ]} Ahora se sabe que varios subconjuntos de biooperaciones pueden alcanzar el poder computacional de las máquinas de Turing .

Una computadora cuántica ^{[ 39 ]} procesa datos almacenados como bits cuánticos ( qubits ) y utiliza fenómenos de la mecánica cuántica, como la superposición y el entrelazamiento, para realizar cálculos. Un qubit puede contener un "0", un "1" o una superposición cuántica de ambos. Una computadora cuántica opera con qubits mediante puertas lógicas cuánticas . Gracias al algoritmo polinomial de Shor para la factorización de enteros y al algoritmo de Grover para la búsqueda en bases de datos cuánticas, que presenta una ventaja temporal cuadrática, se ha demostrado que las computadoras cuánticas podrían ofrecer una ventaja significativa en comparación con las computadoras electrónicas.

La criptografía cuántica no se basa en la complejidad del cálculo , sino en las propiedades especiales de la información cuántica , como el hecho de que esta no puede medirse de forma fiable y cualquier intento de medirla produce una perturbación inevitable e irreversible. En 2007 se informó de un experimento exitoso al aire libre de criptografía cuántica, en el que se transmitieron datos de forma segura a una distancia de 144  km. ^{[ 40 ]} La teletransportación cuántica es otra aplicación prometedora, en la que un estado cuántico (no materia ni energía) se transfiere a una ubicación arbitrariamente distante. Las implementaciones de ordenadores cuánticos prácticos se basan en diversos sustratos, como trampas de iones , superconductores , resonancia magnética nuclear , etc. En 2006, el mayor experimento de computación cuántica utilizó procesadores de información cuántica de resonancia magnética nuclear en estado líquido y podía operar con hasta 12 cúbits. ^{[ 41 ]}

La biología de sistemas computacional (o simplemente biología de sistemas) es un enfoque integrador y cualitativo que investiga las complejas comunicaciones e interacciones que tienen lugar en los sistemas biológicos. Así, en la biología de sistemas, el foco del estudio son las redes de interacción en sí mismas y las propiedades de los sistemas biológicos que surgen debido a estas redes, en lugar de los componentes individuales de los procesos funcionales en un organismo. Este tipo de investigación sobre componentes orgánicos se ha centrado fuertemente en cuatro redes de interacción interdependientes diferentes: ^{[ 43 ]} redes de regulación génica, redes bioquímicas, redes de transporte y redes de carbohidratos.

Las redes de regulación génica comprenden interacciones gen-gen, así como interacciones entre genes y otras sustancias en la célula. Los genes se transcriben en ARN mensajero (ARNm) y luego se traducen en proteínas según el código genético . Cada gen está asociado con otros segmentos de ADN ( promotores , potenciadores o silenciadores ) que actúan como sitios de unión para activadores o represores de la transcripción génica . Los genes interactúan entre sí a través de sus productos génicos (ARNm, proteínas), que pueden regular la transcripción génica, o a través de pequeñas especies de ARN que pueden regular directamente los genes. Estas interacciones gen-gen , junto con las interacciones de los genes con otras sustancias en la célula, forman la red de interacción más básica: las redes de regulación génica . Estas redes realizan tareas de procesamiento de información dentro de la célula, incluyendo el ensamblaje y mantenimiento de otras redes. Los modelos de redes de regulación génica incluyen redes booleanas aleatorias y probabilísticas , autómatas asíncronos y motivos de red .

Otro punto de vista es que todo el sistema regulador genómico es un sistema computacional, una computadora genómica . Esta interpretación permite comparar la computación electrónica creada por el hombre con la computación tal como ocurre en la naturaleza. ^{[ 44 ]}

Además, a diferencia de un ordenador convencional, la robustez en un ordenador genómico se logra mediante diversos mecanismos de retroalimentación mediante los cuales los procesos poco funcionales se degradan rápidamente, las células poco funcionales mueren por apoptosis y los organismos poco funcionales son superados por especies más aptas.

Las redes bioquímicas se refieren a las interacciones entre proteínas, las cuales realizan diversas tareas mecánicas y metabólicas dentro de una célula. Dos o más proteínas pueden unirse entre sí mediante la unión de sus sitios de interacción, formando un complejo proteico dinámico ( complejación ). Estos complejos proteicos pueden actuar como catalizadores de otras reacciones químicas o modificarse químicamente entre sí. Dichas modificaciones provocan cambios en los sitios de unión disponibles de las proteínas. En una célula existen decenas de miles de proteínas que interactúan entre sí. Para describir interacciones a tan gran escala, se introdujeron los mapas de Kohn ^{[ 45 ]} como notación gráfica para representar las interacciones moleculares de forma concisa. Otros enfoques para describir con precisión y concisión las interacciones proteína-proteína incluyen el uso de biocálculo textual ^{[ 46 ]} o cálculo pi enriquecido con características estocásticas ^{[ 47 ] .}

Las redes de transporte se refieren a la separación y el transporte de sustancias mediado por membranas lipídicas. Algunos lípidos pueden autoensamblarse en membranas biológicas. Una membrana lipídica consta de una bicapa lipídica en la que se insertan proteínas y otras moléculas, pudiendo desplazarse a lo largo de esta capa. A través de las bicapas lipídicas, las sustancias se transportan entre el interior y el exterior de las membranas para interactuar con otras moléculas. Entre los formalismos que describen las redes de transporte se incluyen los sistemas de membranas y los cálculos de branas . ^{[ 48 ]}

La biología sintética busca diseñar componentes biológicos sintéticos, con el objetivo final de ensamblar sistemas biológicos completos a partir de sus componentes. La historia de la biología sintética se remonta a la década de 1960, cuando François Jacob y Jacques Monod descubrieron la lógica matemática de la regulación génica. Las técnicas de ingeniería genética, basadas en la tecnología del ADN recombinante , son precursoras de la biología sintética actual, que extiende estas técnicas a sistemas completos de genes y productos génicos.

Junto con la posibilidad de sintetizar cadenas de ADN cada vez más largas, la perspectiva de crear genomas sintéticos con el propósito de construir organismos sintéticos completamente artificiales se convirtió en realidad. De hecho, el ensamblaje rápido de cadenas cortas de ADN sintetizadas químicamente permitió generar un genoma sintético de un virus de 5386 pb. ^{[ 49 ]}

Por otra parte, Smith et al. descubrieron alrededor de 100 genes que pueden eliminarse individualmente del genoma de Mycoplasma genitalium . Este hallazgo abre el camino para el ensamblaje de un genoma artificial mínimo, pero aún viable, compuesto únicamente por los genes esenciales.

Un tercer enfoque para la ingeniería de células semisintéticas consiste en la construcción de un único tipo de molécula similar al ARN con capacidad de autorreplicación. ^{[ 50 ]} Dicha molécula podría obtenerse guiando la rápida evolución de una población inicial de moléculas similares al ARN, mediante la selección de los rasgos deseados.

Otro esfuerzo en este campo se centra en la ingeniería de sistemas multicelulares mediante el diseño, por ejemplo, de módulos de comunicación célula a célula utilizados para coordinar poblaciones de células bacterianas vivas. ^{[ 51 ]}

La computación en células vivas (también conocida como computación celular o computación in vivo ) es otro enfoque para comprender la naturaleza como computación. Un estudio particular en esta área es el de la naturaleza computacional del ensamblaje de genes en organismos unicelulares llamados ciliados . Los ciliados almacenan una copia de su ADN que contiene genes funcionales en el macronúcleo y otra copia "encriptada" en el micronúcleo . La conjugación de dos ciliados consiste en el intercambio de su información genética micronuclear, lo que lleva a la formación de dos nuevos micronúcleos, seguido por cada ciliado reensamblando la información de su nuevo micronúcleo para construir un nuevo macronúcleo funcional. Este último proceso se denomina ensamblaje de genes o reordenamiento de genes. Implica reordenar algunos fragmentos de ADN ( permutaciones y posiblemente inversiones ) y eliminar otros fragmentos de la copia micronuclear. Desde el punto de vista computacional, el estudio de este proceso de ensamblaje de genes ha dado lugar a numerosos temas y resultados de investigación desafiantes, como la universalidad de Turing de varios modelos de este proceso. ^{[ 52 ]} Desde el punto de vista biológico, se propuso una hipótesis plausible sobre el "bioware" que implementa el proceso de ensamblaje de genes, basada en la recombinación guiada por plantilla . ^{[ 53 ] [ 54 ]}

Otros enfoques para la computación celular incluyen el desarrollo de un autómata de estados finitos programable y autónomo in vivo con E. coli , ^{[ 55 ]} el diseño y la construcción de compuertas lógicas celulares y circuitos genéticos in vivo que aprovechan los procesos bioquímicos existentes de la célula (véase, por ejemplo, ^{[ 56 ]} ) y la optimización global de la apertura de los estomas en las hojas, siguiendo un conjunto de reglas locales que se asemejan a un autómata celular . ^{[ 57 ]}