La inteligencia artificial (IA) ha emergido como un conjunto de técnicas que ha revolucionado numerosas disciplinas en la última década, como la medicina, la física, la química, la biología y la ciencia de materiales. Sus aplicaciones son tan diversas que abarcan desde la economía y las comunicaciones hasta los servicios de entretenimiento, el transporte y los servicios médicos. De hecho, muchos de los algoritmos de inteligencia artificial están presentes en nuestra vida diaria de forma tan cotidiana que a veces no los notamos; por ejemplo, el filtro de correo no deseado en nuestra bandeja de entrada o los algoritmos que nos sugieren música o contenido en redes sociales según nuestros intereses y gustos. La clave de estos algoritmos está en su capacidad para procesar grandes cantidades de datos y descubrir patrones ocultos[1]. Esta habilidad no sólo ha cambiado la forma en que desarrollamos y usamos la tecnología, sino que también ha abierto nuevas fronteras en el conocimiento científico. ¿Sabías que la inteligencia artificial está transformando cómo entendemos los sistemas naturales que nos rodean, como el clima, el comportamiento de los materiales o el funcionamiento del corazón?
En medicina, por ejemplo, la inteligencia artificial ha permitido analizar radiografías de pulmón para detectar enfermedades como la neumonía e incluso la tuberculosis. Los algoritmos de IA, entrenados con imágenes médicas, pueden identificar detalles sutiles que podrían pasar desapercibidos para el ojo humano. Esto no sólo hace que el diagnóstico sea más preciso, sino que también acelera el proceso, ayudando a los médicos a tomar decisiones más rápidas, basadas en datos fiables. Otro ejemplo destacado ha sido el uso de estos algoritmos en epidemiología, en particular en la pandemia de SARS-CoV-2, cuando se llevaron a cabo predicciones de la propagación del virus, analizando datos de casos confirmados, patrones de movilidad de la población y medidas de salud pública para prever cómo se expandiría el virus en diferentes regiones. Estos algoritmos fueron capaces de ofrecer pronósticos sobre posibles brotes y ayudar a las autoridades a tomar decisiones.
Tradicionalmente, para entender fenómenos naturales como la propagación de enfermedades, la evolución de una tormenta o la actividad eléctrica del corazón, los científicos han desarrollado descripciones matemáticas, conocidas como modelos. Estos modelos son representaciones simplificadas de sistemas reales que utilizan matemáticas para explicar cómo funcionan. En general, se basan en ecuaciones que muestran cómo cambian ciertas variables de interés con el tiempo. Por ejemplo, imagina que quieres saber cuánto ahorrarás en tu alcancía al final de un mes de 31 días, si depositas 7 pesos cada día. Para hacer esto, puedes crear un modelo muy sencillo. El dinero ahorrado (A) es igual a la cantidad de pesos que depositas diariamente (D) multiplicada por el número de días (N), es decir, A = D x N = 7 pesos/día x 31 días. Usando este modelo, podrías predecir que al final del mes tendrás 217 pesos ahorrados. Este ejemplo muestra cómo el modelado matemático puede ayudar a predecir resultados.
No obstante, aunque los modelos matemáticos son precisos, para construirlos se requiere una comprensión detallada de las leyes que rigen el sistema en cuestión, lo cual no siempre es posible debido a su complejidad[2]. Este desafío se hace más evidente cuando intentamos modelar sistemas que involucran interacciones con otros sistemas. Por ejemplo, al tratar de modelar la producción de insulina en el páncreas debemos considerar los procesos que ocurren dentro del órgano, pero también debemos tener en cuenta cómo este órgano interactúa con otros en el cuerpo humano. Para entender esta complejidad, imaginemos que podemos escribir una ecuación para cada célula que compone el páncreas. Para simplificar la descripción, vamos a suponer que esta ecuación nos permitirá describir cómo se comporta cada célula y cómo interactúa con sus células vecinas. Ahora, consideremos que un páncreas adulto está compuesto por aproximadamente 10,000 millones de células. Esto significaría que tardaríamos más de 300 años en escribir las ecuaciones para este órgano, suponiendo que pudiéramos escribir una ecuación por célula cada segundo. Además, aún faltaría resolver todo ese conjunto de ecuaciones y considerar las interacciones con otros órganos, que son igual de complejos o incluso más.
Para abordar los retos que presentan los sistemas de la naturaleza, se han adoptado diferentes niveles de descripción, que permiten simplificar la representación de un sistema al agrupar el efecto de varios componentes en un solo término. Por ejemplo, en lugar de modelar cada célula individualmente, podríamos describir el comportamiento de un grupo de células que comparten características similares, como las que forman un tejido específico. Este enfoque no sólo simplifica las descripciones matemáticas, sino que también ayuda a capturar las interacciones y dinámicas generales del sistema, permitiéndonos obtener conclusiones macroscópicas.
Notablemente, con el auge de la inteligencia artificial, ahora es posible construir estos modelos matemáticos directamente a partir de datos, lo que ha transformado la forma en que entendemos los sistemas complejos. A partir de información sobre el comportamiento de un sistema, los algoritmos de IA pueden aprender de estos datos y reconstruir las ecuaciones que describen su comportamiento, sin necesidad de conocer previamente las leyes que lo rigen[3]. En la Figura 1 se muestra un esquema conceptual del modelado de sistemas a partir de datos, usando algoritmos de inteligencia artificial. Este enfoque ya se está aplicando en el Centro de Física Aplicada y Tecnología Avanzada (CFATA) de la UNAM, en el Campus Juriquilla, para reconstruir modelos de la actividad eléctrica del corazón utilizando señales de electrocardiograma[4].
El electrocardiograma es una de las herramientas más utilizadas por los cardiólogos para detectar irregularidades en el ritmo cardíaco, ya que su forma revela posibles anomalías en la función del corazón (Ver Figura 2). Además, la obtención de esta señal es completamente indolora y no invasiva, ya que basta con colocar electrodos sobre la piel del paciente. Los modelos generados a partir de estas señales no sólo ayudan a analizar y entender problemas cardiacos, sino que también permiten predecir arritmias o ataques al corazón antes de que ocurran. Incluso abren la puerta al desarrollo de estrategias y nuevas terapias que permitan prevenir o mitigar trastornos en la actividad eléctrica del corazón, mejorando así el diagnóstico y el tratamiento de enfermedades cardiacas.
Otro caso interesante que se está abordando en el CFATA con estos mismos algoritmos es la predicción de las propiedades de nuevos materiales antes de que se fabriquen[5]. Esto se logra identificando las variables clave en su proceso de síntesis, lo cual tiene importantes implicaciones en el descubrimiento automatizado y acelerado de materiales innovadores. Este avance tiene un enorme potencial, ya que puede impactar de manera significativa en áreas como la tecnología y la medicina, impulsando el desarrollo de materiales más eficientes y avanzados para diversas aplicaciones.
La promesa de la inteligencia artificial no se limita a mejorar lo que ya sabemos. Nos está ayudando a descubrir nuevas formas de entender el mundo, reconstruyendo el lenguaje matemático de la naturaleza directamente desde los datos.
Agradecimientos
Esta es una investigación apoyada por el Conahcyt, a través del Proyecto de Ciencia de Frontera CF-2023-I-1496.
Referencias
[1] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436-444.
[2] Gershenfeld, N. A. (1999). The nature of mathematical modeling. Cambridge university press.
[3] Brunton, S. L., Proctor, J. L., & Kutz, J. N. (2016). Discovering governing equations from data by sparse identification of nonlinear dynamical systems. Proceedings of the national academy of sciences, 113(15), 3932-3937.
[4] Rodríguez-Abreo, O., Cruz-Fernandez, M., Fuentes-Silva, C., Quiroz-Juárez, M. A., & Aragón, J. L. (2024). Modeling the Electrical Activity of the Heart via Transfer Functions and Genetic Algorithms. Biomimetics, 9(5), 300.
[5] Flores-Salazar, M., Frausto Avila, C. M., de Jesús Bautista, J. A., Polumati, G., Muñiz Martínez, B. A., Sekhar Reddy, K. C., Hernández-Vázquez, M. A., Strupiechonski, E., Sahatiya, P., Quiroz-Juárez M. A. & de Luna Bugallo, D. A. (2024). Improving the coverage area and flake size of ReS2 through machine learning in APCVD. Nanotechnology.
El doctor Mario Alan Quiroz Juárez es investigador asociado C en el Departamento de Ingeniería Molecular de Materiales del Centro de Física Aplicada y Tecnología Avanzada (CFATA) UNAM Campus Juriquilla
AQUI PUEDES LEER TODAS LAS ENTREGAS DE “DESDE LA UNAM”, LA COLUMNA DE LA UNAM, CAMPUS JURIQUILLA, PARA LALUPA.MX
https://lalupa.mx/category/aula-magna/desde-la-unam/
