Pueden las mentes de las máquinas enseñarnos algo nuevo sobre lo que significa ser humano? Cuando se trata de la intrincada historia de los complejos orígenes y evolución de nuestra especie, parece que pueden.

Un estudio reciente utilizó tecnología de aprendizaje automático para analizar ocho modelos principales de origen y evolución humanos, y el programa identificó pruebas en el genoma humano de una «población fantasma» de ancestros humanos. El análisis sugiere que un grupo de homínidos previamente desconocido y extinto se cruzó con Homo sapiens en Asia y Oceanía en algún lugar a lo largo del largo y sinuoso camino de la historia evolutiva humana, dejando solo rastros fragmentados en el ADN humano moderno.

El estudio, publicado en Nature Communications , es uno de los primeros ejemplos de cómo el aprendizaje automático puede ayudar a revelar pistas de nuestros propios orígenes. Al estudiar detenidamente grandes cantidades de datos genómicos dejados en huesos fosilizados y compararlos con el ADN de los humanos modernos, los científicos pueden comenzar a llenar algunos de los vacíos de la historia evolutiva de nuestra especie.

En este caso, los resultados parecen coincidir con las teorías paleoantropológicas que se desarrollaron a partir del estudio de fósiles de ancestros humanos encontrados en el suelo. Los nuevos datos sugieren que el misterioso hominino probablemente descendió de una mezcla de neandertales y denisovanos (que solo se identificaron como una especie única en el árbol genealógico humano en 2010 ). Una especie así en nuestro pasado evolutivo se parecería mucho al fósil de una adolescente de 90,000 años de la cueva Denisova de Siberia. Sus restos fueron descritos el verano pasado como el único ejemplo conocido de un híbrido de primera generación entre las dos especies , con una madre neandertal y un padre Denisovan.

«Es exactamente el tipo de individuo que esperamos encontrar en el origen de esta población, sin embargo, no debería ser solo un individuo, sino toda una población», dice el coautor del estudio Jaume Bertranpetit , un biólogo evolutivo de la Universidad Pompeu Fabra de Barcelona.

Los estudios anteriores sobre el genoma humano han revelado que después de que los humanos modernos abandonaron África, quizás hace 180,000 años , posteriormente se cruzaron con especies como los neandertales y los denisovanos, quienes coexistieron con los humanos modernos antes de extinguirse. Pero ha sido difícil volver a dibujar nuestro árbol genealógico para incluir estas ramas divergentes. La evidencia para las especies «fantasmas» puede ser escasa, y existen muchas teorías en competencia para explicar cuándo, dónde y con qué frecuencia el Homo sapiens podría haberse cruzado con otras especies.

Las huellas de estas antiguas relaciones entre especies, llamadas introgresiones, pueden identificarse como lugares de divergencia en el genoma humano. Los científicos observan más separación entre dos cromosomas de lo que cabría esperar si ambos cromosomas procedieran de la misma especie humana. Cuando los científicos secuenciaron el genoma neandertal en 2010, se dieron cuenta de que algunas de estas divergencias representaban fracciones de nuestro genoma que provenían de los neandertales . Los estudios también han revelado que algunos humanos vivos pueden rastrear hasta el 5 por ciento de su ascendencia a los Denisovanos .

«Entonces, pensamos que intentaríamos encontrar estos lugares de alta divergencia en el genoma, ver cuáles son neandertales y cuáles son denisovan, y luego ver si estos explican el panorama completo», dice Bertranpetit. «Tal como sucede, si restas las partes de neandertales y denisovan, todavía hay algo en el genoma que es altamente divergente».

Identificar y analizar los muchos lugares divergentes a lo largo del genoma, y ​​calcular las innumerables combinaciones genéticas que podrían haberlos producido, es un trabajo demasiado grande para que los humanos lo hagan por su cuenta, pero es una tarea que puede ser hecha a medida para algoritmos de aprendizaje profundo.

El aprendizaje profundo es un tipo de inteligencia artificial en el que los algoritmos están diseñados para funcionar como una red neuronal artificial o un programa que puede procesar información de la misma manera que lo haría un cerebro de mamífero. Estos sistemas de aprendizaje automático pueden detectar patrones y dar cuenta de la información anterior para «aprender», lo que les permite realizar nuevas tareas o buscar información nueva después de analizar enormes cantidades de datos. (Un ejemplo común es el AlphaZero de Google DeepMind , que puede enseñarse a sí mismo a dominar los juegos de mesa).

«El aprendizaje profundo es encajar una cosa con una forma más complicada para un conjunto de puntos en un espacio más grande», dice Joshua Schraiber, un experto en genómica evolutiva en la Universidad de Temple . “En lugar de ajustar una línea entre Y y X, estás encajando algo ondulado en un conjunto de puntos en un espacio mucho más grande y de mil dimensiones. El aprendizaje profundo dice: ‘No sé qué forma ondulada debe encajar en estos puntos, pero veamos qué sucede’ ”.

En este caso, las máquinas se pusieron a trabajar analizando el genoma humano y prediciendo la demografía humana mediante la simulación de cómo nuestro ADN podría haber evolucionado a lo largo de muchos miles de posibles escenarios de evolución antigua. El programa explica la estructura y evolución del ADN, así como los modelos de migración humana y entrecruzamiento para tratar de encajar algunas de las piezas en un rompecabezas increíblemente complejo.

Los investigadores entrenaron a la computadora para analizar ocho modelos diferentes de las teorías más plausibles de la evolución humana temprana en Eurasia. Los modelos provienen de estudios previos que intentaron crear un escenario que daría lugar a la imagen actual del genoma humano, incluidos los componentes conocidos de neandertal y Denisovan.

«Podría haber otros modelos, por supuesto, pero estos modelos son los que otras personas han estado proponiendo en la literatura científica», dice Bertranpetit. Cada modelo comienza con el evento aceptado fuera de África, luego presenta un conjunto diferente de las divisiones más probables entre los linajes humanos, incluidas varias cruces con especies conocidas y posibles especies «fantasmas».

«Con cada uno de estos ocho modelos, calculamos durante semanas los cálculos de lo bien que pueden llegar a la composición genética actual y actual de los humanos», dice Bertranpetit. «Cada vez que hacemos una simulación, es una simulación de un posible camino de la evolución humana, y hemos ejecutado esas simulaciones miles de veces, y los algoritmos de aprendizaje profundo son capaces de reconocer cuál de los modelos se adapta mejor a los datos».

¿La conclusión de la máquina? Una especie ancestral está presente en nuestro linaje que aún no hemos identificado. «Por mucho, los únicos modelos que probamos que realmente están respaldados por los datos son los que tienen esta introgresión de la población fantasma», dice Bertranpetit.

El estudio intrigante y otros similares pueden ayudar a volver a dibujar el mapa de cómo los humanos emigraron y evolucionaron a través de lo que parece ser un mundo antiguo cada vez más complicado en Eurasia y Oceanía.

«Es ciertamente interesante y coherente con la imagen emergente de una compleja filogenia reticulada en la evolución humana» , dice Iain Mathieson, genetista de poblaciones de la Universidad de Pennsylvania , a través de un correo electrónico. «Ni siquiera estoy seguro de que tenga sentido hablar de ‘eventos de introgresión’ cuando eso parece ser la norma». De hecho, como solo se probaron ocho modelos y muchos otros podrían ser posibles, Mathieson agrega que los nuevos hallazgos son » Sin duda, un escenario plausible, pero la realidad es probablemente aún más compleja «.

A medida que se hacen nuevos descubrimientos de fósiles en el campo, ahora se pueden probar modelos actualizados contra el genoma humano usando este tipo de programas. Schraiber dice que el poder del aprendizaje profundo para estudiar los orígenes humanos reside precisamente en su capacidad para analizar modelos complejos.

«Si quieres hacer un modelo extremadamente detallado porque eres un antropólogo, y quieres saber si esta introgresión ocurrió hace 80,000 años o hace 40,000 años, ese es el poder de un enfoque de aprendizaje profundo como este».

Por más complejos que sean, los entrecruzamientos de la antigua Eurasia son solo una parte de nuestra historia humana. Bertranpetit cree que los futuros avances en el aprendizaje profundo pueden ayudar a descubrir otros nuevos capítulos.

«Este tipo de método de análisis va a tener todo tipo de nuevos resultados», dice. “Estoy seguro de que las personas que trabajan en África encontrarán grupos extintos que aún no están reconocidos. Sin duda, África nos va a mostrar cosas sorprendentes en el futuro «.

Un equipo de científicos ha descubierto el primer ejemplo sólido de un nuevo tipo de imán, uno que promete mejorar el rendimiento de las tecnologías de almacenamiento de datos.

Este imán «basado en singlete» difiere de los imanes convencionales, en los cuales pequeños constituyentes magnéticos se alinean entre sí para crear un campo magnético fuerte . En contraste, el imán basado en singlete recién descubierto tiene campos que aparecen y desaparecen, lo que resulta en una fuerza inestable, pero también en uno que potencialmente tiene más flexibilidad que las contrapartes convencionales.

«Hay una gran cantidad de investigaciones en estos días sobre el uso de imanes y magnetismo para mejorar las tecnologías de almacenamiento de datos», explica Andrew Wray, profesor asistente de física en la Universidad de Nueva York, quien dirigió el equipo de investigación. «Los imanes basados ​​en singletes deberían tener una transición más repentina entre las fases magnética y no magnética. No es necesario hacer tanto para que el material cambie entre los estados no magnéticos y los altamente magnéticos, lo que podría ser beneficioso para el consumo de energía. y la velocidad de conmutación dentro de una computadora.

«También hay una gran diferencia en cómo este tipo de magnetismo se combina con las corrientes eléctricas. Los electrones que entran en el material interactúan muy fuertemente con los momentos magnéticos inestables, en lugar de simplemente pasar. Por lo tanto, es posible que estas características puedan ayudar con los cuellos de botella del rendimiento y Permitir un mejor control de la información almacenada magnéticamente «.

El trabajo, publicado en la revista Nature Communications , también incluyó investigadores del Laboratorio Nacional Lawrence Berkeley, el Instituto Nacional de Estándares y Tecnología, la Universidad de Maryland, la Universidad de Rutgers, el Laboratorio Nacional de Brookhaven, la Universidad de Binghamton y el Laboratorio Nacional de Lawrence Livermore.

La idea de este tipo de imán se remonta a la década de 1960, basada en una teoría que contrastaba con lo que se había sabido durante mucho tiempo sobre los imanes convencionales.

Un imán típico contiene una gran cantidad de pequeños «momentos magnéticos» que se bloquean en alineación con otros momentos magnéticos, todos actuando al unísono para crear un campo magnético. Exponer este conjunto al calor eliminará el magnetismo; estos pequeños momentos permanecerán, pero estarán apuntando en direcciones aleatorias, ya no alineadas.

Un pensamiento pionero hace 50 años, en contraste, postulaba que un material que carece de momentos magnéticos aún podría ser un imán. Los científicos observan que esto parece imposible, pero funciona debido a un tipo de momento magnético temporal llamado «excitón de giro», que puede aparecer cuando los electrones chocan entre sí en las condiciones adecuadas.

«Un solo excitón de espín tiende a desaparecer en poco tiempo, pero cuando tienes muchos de ellos, la teoría sugiere que pueden estabilizarse mutuamente y catalizar la aparición de aún más excitones de espín, en una especie de cascada», explica Wray.

En la investigación de Nature Communications , los científicos trataron de descubrir este fenómeno. Se habían encontrado varios candidatos que se remontaban a la década de 1970, pero todos eran difíciles de estudiar, con un magnetismo solo estable a temperaturas extremadamente bajas.

Utilizando la dispersión de neutrones , la dispersión de rayos X y las simulaciones teóricas, los investigadores establecieron un vínculo entre los comportamientos de un imán mucho más robusto, USb2, y las características teorizadas de los imanes basados ​​en singletes.

«Este material había sido todo un enigma durante las últimas dos décadas: se sabía que las formas en que el magnetismo y la electricidad se comunicaban entre sí eran extrañas y solo comenzaban a tener sentido con esta nueva clasificación», comenta Lin Miao, una NYU. becario postdoctoral y primer autor del periódico.

Específicamente, encontraron que USb2 contiene los ingredientes críticos para este tipo de magnetismo, particularmente una propiedad mecánica cuántica llamada «Hundness» que gobierna cómo los electrones generan momentos magnéticos. Recientemente, se ha demostrado que el centeno es un factor crucial para un rango de propiedades mecánicas cuánticas, incluida la superconductividad.

Fuente: Scientists discover new type of magnet.