El conectoma de la mosca de la fruta de Google ejecuta Doom, pero no es un cerebro digital
Google ayudó a publicar un conectoma de mosca de la fruta que contiene 166.700 neuronas, y los programadores conectaron rápidamente el conjunto de datos con Doom y Super Mario 64. El conectoma de mosca de la fruta de Google también incluye el cordón nervioso ventral del insecto, que cumple una función comparable a la de la médula espinal de los vertebrados. Este alcance convierte al conjunto de datos en un mapa inusualmente completo entre entradas sensoriales, vías neuronales y salidas motoras.
Las demostraciones de los juegos llegaron pocos días después del anuncio de Google del 3 de septiembre. Su rapidez creó una historia irresistible: los científicos cartografiaron un cerebro, publicaron su estructura y los ingenieros hicieron que ese cerebro jugara videojuegos de inmediato. Sin embargo, la frase "un cerebro de mosca jugando Doom" oculta la limitación central.
Estos proyectos no colocan un cerebro biológico funcional dentro de un ordenador. Combinan conectividad anatómica real con dinámicas neuronales aproximadas, entradas sensoriales sintéticas y controles de juego seleccionados por los desarrolladores. El resultado es un experimento convincente, pero no una copia digital de una mosca viva.
Esta distinción importa más allá de la novedad de internet. La conectómica, el estudio de los diagramas completos de cableado neuronal, está pasando de la anatomía estática a simulaciones capaces de generar comportamiento. El experimento con Doom revela tanto el potencial de esa transición como la gran cantidad de modelado que se oculta entre la estructura y la inteligencia.
El conectoma de mosca de la fruta de Google cartografía conjuntamente el cerebro y el cuerpo
El cambio importante no es simplemente que los investigadores hayan cartografiado otro cerebro de mosca, sino que conectaron un cerebro masculino completo con su sistema motor central.
Google Research, HHMI Janelia Research Campus, la University of Cambridge y otros colaboradores produjeron el nuevo conjunto de datos. Su mapa completo de cableado contiene más de 166.000 neuronas y aproximadamente 125 millones de contactos sinápticos.
Un conectoma registra las neuronas y las conexiones entre ellas. Se parece a un diagrama de circuitos, aunque las neuronas biológicas se comunican mediante mecanismos mucho más complejos que los cables electrónicos.
El conjunto de datos MaleCNS abarca el cerebro central, los lóbulos ópticos y el cordón nervioso ventral. Este último componente transporta señales entre el cerebro y gran parte del cuerpo de la mosca. Su inclusión permite a los investigadores rastrear vías desde entradas visuales, auditivas y olfativas hasta salidas motoras.
Por ello, el conjunto de datos se diferencia de los mapas limitados a una región cerebral o a un cerebro central aislado. Ahora los investigadores pueden examinar una red anatómica continua que se extiende desde el procesamiento sensorial hasta el control corporal.
Google afirma que el trabajo fue resultado de una colaboración de una década. Los investigadores primero cortaron tejido nervioso en secciones extremadamente finas y capturaron imágenes de microscopio electrónico de cada sección. Luego, sistemas de aprendizaje automático ayudaron a ensamblar esas imágenes planas en estructuras neuronales tridimensionales.
Una técnica importante utilizó redes de relleno por inundación. Estas redes neuronales convolucionales comienzan en una ubicación de la imagen y predicen qué píxeles circundantes pertenecen al mismo objeto biológico.
La reconstrucción automatizada no eliminó el trabajo humano. Especialistas de HHMI Janelia revisaron y corrigieron las formas neuronales, y después añadieron las anotaciones necesarias para interpretar la red. Google reconoce que la verificación y la anotación aún requieren años de esfuerzo experto.
La página pública del proyecto MaleCNS ofrece acceso a tipos celulares, búsquedas de conectividad, visualizaciones, descargas e información de lanzamiento. Su cronología muestra que MaleCNS v1.0 estuvo disponible públicamente el 8 de junio, antes de que el artículo asociado apareciera el 3 de septiembre.
Esta cronología ayuda a explicar por qué las demostraciones de juegos surgieron tan rápido después del anuncio de Google. Los desarrolladores no reconstruyeron 166.700 neuronas durante un fin de semana. Obtuvieron acceso público a un grafo existente y legible por máquina, y construyeron interfaces experimentales a su alrededor.
El mapa también ofrece a los investigadores un nuevo punto de comparación para los conjuntos de datos de moscas hembra. Los científicos pueden examinar qué circuitos se mantienen similares entre individuos y qué estructuras difieren según el sexo.
Esas diferencias importan para comportamientos como el cortejo, la agresión y el procesamiento sensorial. Sin embargo, una diferencia anatómica por sí sola no establece cómo un circuito concreto produce comportamiento. Identifica dónde los investigadores pueden realizar experimentos más focalizados.
Por tanto, el conectoma de mosca de la fruta de Google es tanto un logro como un instrumento. Su mayor valor científico procede de las preguntas que permite poner a prueba, no de su número bruto de neuronas.
Por qué el conectoma de mosca de la fruta de Google llegó a Doom tan rápidamente
Doom se convirtió en una prueba inmediata porque un conectoma abierto puede tratarse como un grafo computacional, incluso antes de que los científicos comprendan todos los circuitos que contiene.
El ingeniero de software Alex Wormuth presentó DOOMFLY tras el anuncio de la investigación. El proyecto dirige imágenes del juego a una simulación basada en la red completa retenida de MaleCNS v1.0.
La metodología publicada de DOOMFLY enumera 166.700 neuronas, 25.582.938 aristas dirigidas y 124.177.617 contactos sinápticos. Estas cifras describen el grafo computacional retenido que utiliza la simulación.
Cada tic del juego Doom proporciona información de imagen a entradas visuales simuladas. El sistema convierte el fotograma en señales para 3.335 entradas sensibles al brillo y 811 entradas de color inferidas.
Estas entradas no reproducen el ojo de una mosca con una precisión biológica completa. El desarrollador describe las coordenadas visuales y las respuestas de color como aproximaciones. Los fotorreceptores simulados también utilizan un comportamiento de disparo simplificado.
La actividad viaja después por la red derivada del conectoma. Cuando el voltaje modelado supera un umbral, una neurona simulada dispara. El cableado limita hacia dónde puede desplazarse esa actividad, mientras que ecuaciones diseñadas determinan cómo cambia con el tiempo.
Neuronas descendentes seleccionadas se convierten en controles del juego. Las diferencias en la actividad modelada de DNp20 hacen girar al jugador. La frecuencia de disparo de DNpe017 produce movimiento, mientras que un pico de esa neurona activa el arma.
Estas decisiones crean un bucle cerrado. Doom suministra una imagen, el modelo produce actividad, las neuronas elegidas controlan el juego y la siguiente imagen vuelve al modelo.
El daño añade otra capa. Los impactos no letales estimulan dos células de dopamina PPL101 modeladas durante un intervalo definido. El proyecto trata esta intervención como una señal de refuerzo negativo destinada a fomentar la evitación del daño.
Por eso las descripciones de un "cerebro de mosca entrenado" requieren cautela. El sistema dispone de mecanismos de refuerzo, pero su interfaz pública también ha descrito etapas del experimento como carentes de aprendizaje. Observar una actividad cambiante no basta para establecer un comportamiento aprendido.
Un modelo debe mejorar según una medida definida antes de que los investigadores puedan afirmar razonablemente que existe aprendizaje. Las medidas útiles podrían incluir el tiempo de supervivencia, la frecuencia de daño, el rendimiento de navegación o los resultados frente a redes de control aleatorizadas.
El comportamiento inicial parece mucho menos dramático que el titular. El controlador simulado puede chocar contra paredes, girar sin propósito o disparar lejos de los enemigos. Estos fallos no sorprenden porque el conectoma nunca evolucionó para interpretar píxeles de Doom.
Doom también espera un conjunto compacto de controles diseñados por humanos. El sistema nervioso de una mosca produce movimiento en alas, patas, cabeza y piezas bucales. Convertir unas pocas neuronas simuladas en comandos de avanzar, girar y disparar impone una interfaz artificial.
El atractivo de Doom sigue siendo comprensible. El juego de 1993 cuenta con código de motor abierto, bajos requisitos de hardware, retroalimentación rápida y una larga historia de adaptaciones inusuales. Ofrece un entorno familiar para probar sistemas informáticos no convencionales.
Sin embargo, aquí Doom no se ejecuta en el conectoma como si la red fuera un procesador. Un ordenador convencional sigue ejecutando tanto el juego como la simulación neuronal. El conectoma proporciona la topología para una parte del sistema de control.
Esta diferencia separa a DOOMFLY de los proyectos clásicos de "¿Puede ejecutar Doom?". La cuestión destacable no es si las neuronas de mosca pueden ejecutar instrucciones del juego. Es si una conectividad derivada biológicamente puede respaldar un comportamiento útil bajo una simulación diseñada.
El cableado es biológico, pero el controlador está diseñado
La tensión principal se encuentra entre un grafo anatómico real y las decisiones artificiales necesarias para hacer que ese grafo se comporte dentro de un software.
MaleCNS indica a los investigadores qué neuronas se conectan y dónde se producen muchas sinapsis químicas. No proporciona un registro completo de la actividad de cada neurona durante la vida de una mosca.
Un conectoma estático también omite variables biológicas importantes. Las distintas sinapsis pueden tener diferentes intensidades, propiedades temporales, tipos de receptores y modulaciones. Los estados químicos internos pueden cambiar la forma en que responde el mismo cableado.
Las conexiones eléctricas, los neuromoduladores, las hormonas y las interacciones con el cuerpo complican aún más el panorama. Una arista estructural no puede especificar por completo lo que ocurre cuando un animal vivo recibe un estímulo.
DOOMFLY debe cubrir estas lagunas con supuestos. Los desarrolladores asignan dinámicas de voltaje simplificadas, efectos de neurotransmisores, comportamiento en reposo, reglas de adaptación y transformaciones sensoriales. Cada una de esas decisiones cambia la salida del modelo.
La asignación de controles introduce otra capa interpretativa. DNp20 y DNpe017 son neuronas descendentes biológicamente relevantes, pero asignarlas a acciones de Doom sigue siendo una decisión de los desarrolladores. Su activación no significa de forma natural "pulsar la tecla de disparo".
El propio proyecto etiqueta claramente estas lecturas como controles diseñados, en lugar de comandos naturales validados. Esta aclaración es esencial porque el resultado animado puede parecer más biológicamente completo de lo que realmente es.
La distinción se parece a la diferencia entre un mapa de carreteras y una simulación de tráfico. Un mapa de carreteras limita las rutas posibles, pero no determina las velocidades de los vehículos, los destinos, la congestión ni las decisiones de los conductores.
Un conectoma aporta una restricción mucho más densa y trascendental. Aun así, la simulación necesita reglas que gobiernen la transmisión de señales, la temporización, la codificación sensorial y la selección de acciones.
La demostración de Super Mario 64 ilustra el mismo problema. Los informes atribuyen ese experimento independiente a la desarrolladora Jessica Paquette. Al igual que Doom, el juego recibe acciones derivadas de actividad neuronal modelada, no comandos elegidos por una mente de mosca intacta.
La información pública sobre la implementación de Mario sigue siendo más escasa que la documentación detallada de DOOMFLY. Por tanto, debe tratarse como una demostración experimental, no como una prueba independiente de que el conectoma respalda una capacidad general para jugar videojuegos.
Ejecutar ambos juegos tampoco demuestra aprendizaje por transferencia. Un conjunto de datos de cableado compartido puede respaldar interfaces diferentes porque los desarrolladores pueden conectarle distintos codificadores sensoriales y asignaciones de acciones.
Esa flexibilidad resulta útil para la exploración. Permite a los programadores probar cómo cambia la actividad restringida por el conectoma entre entornos. Sin embargo, también puede generar comparaciones engañosas con agentes de inteligencia artificial entrenados para maximizar puntuaciones en juegos.
Un agente convencional de aprendizaje por refuerzo ajusta parámetros según un objetivo de recompensa. Su proceso de entrenamiento apunta directamente a un mejor rendimiento. En cambio, una simulación de conectoma puede priorizar la plausibilidad biológica, la interpretación de circuitos o la generación de hipótesis.
Esos objetivos solo se solapan parcialmente. Un sistema puede ser científicamente interesante y, aun así, jugar mal. A la inversa, un agente de juego muy exitoso puede revelar poco sobre los sistemas nerviosos.
Aquí es donde el enfoque viral se vuelve productivo. Ver a un controlador derivado de una mosca deambular por Doom obliga a los investigadores a identificar cada puente ausente entre la anatomía y el comportamiento.
El conectoma de la mosca de la fruta de Google aporta la estructura biológica. El juego proporciona un entorno medible. La simulación entre ambos expone qué supuestos deben ponerse a prueba a continuación.
La verdadera prueba científica es la predicción, no el juego
Un modelo basado en un conectoma adquiere valor científico cuando predice comportamientos biológicos que los investigadores pueden comprobar en moscas reales.
El rendimiento en un juego ofrece retroalimentación inmediata, pero no es el criterio de validación más sólido. Doom fue diseñado para jugadores humanos, mientras que las moscas de la fruta evolucionaron en torno al vuelo, la caminata, la alimentación, el cortejo y la evitación de amenazas.
Una prueba mejor pregunta si las intervenciones modeladas predicen cambios neuronales o conductuales reales. Los investigadores podrían estimular una vía sensorial en la simulación, identificar la actividad aguas abajo y comparar esa predicción con registros de laboratorio.
También podrían silenciar computacionalmente una neurona antes de realizar un experimento biológico equivalente. La concordancia sugeriría que el modelo captura algo significativo sobre el circuito.
El sistema nervioso central completo mejora estas oportunidades. Los investigadores pueden seguir un estímulo más allá del cerebro y hacia las vías descendentes que influyen en el movimiento. Los mapas previos, limitados al cerebro, no podían representar esa ruta completa.
Los científicos ya utilizan conectomas de moscas de la fruta para investigar la visión, el gusto, la navegación y el comportamiento social. El nuevo conjunto de datos masculino añade oportunidades directas para estudiar circuitos específicos por sexo y comparar vías correspondientes entre animales.
Un anterior mapa del cerebro femenino contenía cerca de 140.000 neuronas y más de 50 millones de sinapsis. Publicado en 2024, ese trabajo cubría el cerebro central de una hembra adulta, en lugar del sistema nervioso masculino completo y conectado.
Comparar estos recursos no es una competición por cifras más grandes. Los distintos conjuntos de datos pueden usar diferentes reglas de inclusión, métodos de segmentación y definiciones de conexiones. Su valor científico depende de la cobertura, la anotación, la precisión y su idoneidad para una pregunta concreta.
La cobertura del conectoma masculino vinculada al cuerpo hace que la investigación sensoriomotora resulte especialmente atractiva. Puede ayudar a los científicos a investigar cómo las señales atraviesan múltiples regiones antes de llegar a neuronas asociadas con el movimiento.
Trabajos computacionales recientes apuntan en esa dirección. Un proyecto de investigación sobre locomoción utilizó un modelo de grafos derivado de un conectoma para controlar el cuerpo de una mosca simulada. Ese entorno se alinea más estrechamente con el sistema motor natural del animal que un juego de disparos en primera persona.
Incluso estas simulaciones incorporadas siguen siendo aproximaciones. Los músculos, la mecánica de las articulaciones, la retroalimentación sensorial, el contacto con el entorno y el estado interno afectan al movimiento. Un conectoma no puede sustituir por sí solo esos sistemas.
El programa de investigación más sólido conectará varias formas de evidencia. La anatomía identifica posibles vías. Los registros neuronales revelan actividad. Los experimentos conductuales establecen consecuencias. Los modelos computacionales prueban si las piezas se explican entre sí.
Doom aporta un entorno de pruebas visible y repetible, pero su importancia científica depende de las preguntas experimentales asociadas. Una colisión contra una pared significa poco sin una hipótesis, una condición de control y una comparación medible.
Los investigadores deberían comparar el modelo MaleCNS con alternativas. Estas podrían incluir conectomas aleatorizados, redes reducidas, grafos aleatorios o redes neuronales convencionales con presupuestos computacionales similares.
Si el cableado auténtico produce de forma consistente un comportamiento distinto o más biológicamente plausible, ese resultado respaldaría el valor de la estructura derivada del conectoma. Si los grafos aleatorios funcionan de manera similar, la topología anatómica podría aportar menos de lo esperado.
La reproducibilidad también importa. DOOMFLY publica código y notas metodológicas, lo que permite a otros inspeccionar los supuestos y repetir los experimentos. Las réplicas independientes pueden revelar si los resultados dependen de configuraciones ocultas o de asignaciones de entrada particulares.
Por tanto, la demostración viral ha creado un desafío útil. Los desarrolladores pueden hacer que la red se mueva por juegos, pero la neurociencia debe determinar si esos movimientos revelan algo sobre una mosca.
La IA aceleró el mapa, pero no recreó una mente
Llamar al proyecto un cerebro impulsado por IA corre el riesgo de combinar tres cosas distintas: software de reconstrucción, datos anatómicos y una simulación conductual.
Google utilizó aprendizaje automático para ayudar a reconstruir formas neuronales a partir de imágenes de microscopio electrónico. Esos sistemas abordaban un problema de visión artificial relacionado con la segmentación en enormes volúmenes de imágenes.
Los investigadores aún necesitaban revisión y anotación humanas. Los sistemas automatizados pueden fusionar accidentalmente neuronas separadas o dividir una neurona en múltiples fragmentos. Pequeños errores de reconstrucción pueden distorsionar la conectividad inferida.
Google ha seguido desarrollando sistemas que reducen esta carga manual. Su trabajo sobre neuronas sintéticas genera geometrías neuronales artificiales para entrenar modelos de reconstrucción.
La empresa afirma que este enfoque mejora la velocidad y la precisión de su sistema de reconstrucción PATHFINDER. Sin embargo, una segmentación más rápida no crea automáticamente una simulación más realista de la función neuronal.
El conjunto de datos MaleCNS es el resultado de una reconstrucción asistida por IA. DOOMFLY es una simulación independiente construida sobre ese resultado. Sus neuronas modeladas no heredan inteligencia simplemente porque el aprendizaje automático ayudó a trazar sus formas.
Esta separación importa al evaluar afirmaciones sobre cerebros digitales. Una reconstrucción geométricamente precisa de una neurona describe anatomía. Un modelo neuronal dinámico estima actividad. Un modelo cognitivo tendría que explicar la percepción, la memoria, el aprendizaje y la acción.
Ninguna capa garantiza la siguiente. Un cableado preciso aún puede producir actividad imprecisa si la simulación utiliza supuestos fisiológicos débiles. La actividad precisa en un circuito puede no explicar el comportamiento de un animal entero.
La comparación con los humanos aclara los límites. Google señala que cartografiar los aproximadamente 86.000 millones de neuronas del cerebro humano sigue estando fuera de las capacidades actuales. La escala es solo un obstáculo.
Un conectoma humano seguiría requiriendo información sobre propiedades sinápticas, estados moleculares, plasticidad, desarrollo e interacción con el cuerpo. Incluso un mapa estructural perfecto no recrearía automáticamente la memoria personal ni la consciencia.
El proyecto de la mosca de la fruta es valioso precisamente porque hace estos problemas más manejables. Los investigadores pueden probar ideas sobre redes completas en un animal con comportamiento sofisticado y un sistema nervioso comparativamente compacto.
El conjunto de datos también proporciona una plataforma para mejorar los métodos computacionales. Los ingenieros pueden estudiar el procesamiento de grafos, la simulación dispersa, la visualización, el almacenamiento y el aprendizaje con restricciones biológicas a una escala considerable.
Estas mejoras técnicas pueden respaldar proyectos más grandes que involucren peces cebra y partes de cerebros de ratón. Google ya colabora en esfuerzos de cartografiado de vertebrados, incluidos conjuntos de datos que combinan estructura neuronal con actividad registrada.
Combinar estructura y actividad es un paso crítico. Un mapa estático indica a los científicos por dónde podrían viajar las señales. La actividad registrada muestra qué rutas se activan en determinadas condiciones.
La presión restante recae sobre quienes construyen modelos. Deben documentar dónde termina la evidencia biológica y dónde comienzan los supuestos de ingeniería. Sin esa separación, las visualizaciones pulidas pueden convertir software exploratorio en afirmaciones exageradas.
DOOMFLY aborda este problema mejor que muchos resúmenes virales. Su documentación describe la dinámica neuronal como aproximada, las entradas visuales como sustitutos y las lecturas de control como diseñadas.
Esa franqueza no hace que el proyecto sea menos interesante. Identifica el logro real: un desarrollador ahora puede descargar un grafo de todo un sistema nervioso central y colocarlo dentro de un ciclo de software inspeccionable.
Tres señales mostrarán si la demostración se convierte en ciencia útil
La siguiente fase debería juzgarse por aprendizaje medible, validación biológica y reproducción independiente, no por el número de juegos conectados a MaleCNS.
La primera señal es una mejora conductual consistente. DOOMFLY necesita métricas predefinidas que cambien durante el entrenamiento mientras los sistemas de referencia sigan siendo comparables.
El tiempo de supervivencia ofrece una medida posible. Los investigadores también podrían rastrear el daño por minuto, la diversidad de movimientos, la evitación de enemigos o el progreso en un entorno controlado.
Los resultados deberían aparecer con múltiples semillas aleatorias y condiciones iniciales. Una única ejecución exitosa puede ser resultado de la aleatoriedad del juego, de decisiones de inicialización o de una asignación de control favorable.
Las pruebas de ablación reforzarían la evidencia. Los desarrolladores podrían eliminar la estimulación de dopamina, aleatorizar conexiones seleccionadas o sustituir el conectoma por un grafo aleatorio equivalente.
Si el aprendizaje desaparece cuando se altera una estructura biológicamente relevante, el modelo se vuelve más informativo. Si todas las redes mejoran por igual, el resultado dice más sobre el ciclo de entrenamiento.
La segunda señal es la concordancia experimental con moscas vivas. Quienes construyen modelos deberían elegir predicciones de circuitos que los neurocientíficos puedan probar mediante imágenes, estimulación o intervención genética.
Un resultado útil podría identificar qué neuronas responden tras un evento visual definido. Otro podría predecir cómo el silenciamiento de una vía descendente cambia el movimiento.
El fracaso seguiría siendo informativo si los investigadores lo publican con claridad. Podría revelar pesos sinápticos ausentes, supuestos incorrectos sobre neurotransmisores o un modelado incompleto de los sistemas sensoriales.
El éxito no validaría toda la mosca digital. Respaldaría un mecanismo específico bajo condiciones específicas, que es la forma en que avanza la neurociencia computacional fiable.
La tercera señal es la reproducción independiente. Otros equipos deberían poder ejecutar el grafo público, reproducir las respuestas neuronales y comparar dinámicas alternativas.
Los puntos de referencia compartidos ayudarían. Podrían definir entradas sensoriales, resultados esperados, requisitos de cómputo y mediciones biológicas sin obligar a cada proyecto a utilizar la misma pila de software.
El conjunto de datos público hace posible esa colaboración. El desafío consiste en preservar suficiente detalle metodológico para distinguir una réplica genuina de otra demostración visualmente similar.
Super Mario 64 y futuros experimentos con juegos aún pueden contribuir. Los distintos entornos ponen a prueba la navegación, el tiempo de respuesta, la memoria y la selección de acciones de diferentes maneras. Son más útiles cuando cada entorno corresponde a una hipótesis declarada.
Más juegos por sí solos debilitarían la señal. Una secuencia de adaptaciones entretenidas podría fomentar afirmaciones cada vez más amplias sin mejorar el modelo subyacente.
Los desarrolladores, investigadores de IA y trabajadores del conocimiento deberían prestar atención porque MaleCNS muestra lo que los datos científicos abiertos pueden permitir. Un recurso de investigación legible por máquinas puede pasar de la publicación a la experimentación pública casi de inmediato.
Esa velocidad también aumenta la carga de interpretación. Quien siga proyectos complejos como este necesita conservar artículos, cambios de código, supuestos y resultados contradictorios. Una base de conocimiento consultable puede mantener esos materiales conectados a medida que evoluciona la evidencia.
El conectoma de la mosca de la fruta de Google ya ha tenido éxito como infraestructura. Ofrece un recurso anatómico detallado y accesible que abarca regiones sensoriales, el cerebro y vías motoras.
Aún no está claro si llegará a convertirse en un motor fiable para la predicción del comportamiento. Habrá que observar curvas de aprendizaje controladas, validación en laboratorio y comparaciones reproducibles con redes alternativas.
La pregunta ya no es si un conectoma de mosca puede conectarse a Doom. Claramente puede. La cuestión más difícil es si su comportamiento nos enseña algo que un controlador convencional no puede.
