Anteproyecto Eniak

Dinámica de la información en redes biológicas: Una aproximación desde la teoría de la información al estudio de la organización biológica.

La evolución de la complejidad biológica involucra la emergencia de nuevos niveles de organización con propiedades y comportamientos que no estaban presentes en los elementos de los niveles inferiores (Carroll, 2001). Los enfoques reduccionistas al estudio de la organización biológica han entrado en conflicto con su naturaleza emergente al tratar de entender propiedades sistémicas en términos de las propiedades de las partes que constituyen al sistema. Sin embargo, los comportamientos no lineales son característicos de los sistemas complejos y el principio de superposición que subyace los enfoques reduccionistas no es adecuado para caracterizar nuevas porpiedades o comportamientos emergentes (Kaneko & Tsuda, 2011). Esto ha estimulado el desarrollo de nuevos enfoques para estudiar la organización emergente en sistemas complejos.

La teoría de redes surgió de la teoría de grafos como un marco teórico adecuado al estudio de sistemas complejos (Barabási, 2016). Ha sido empleada para modelar sistemas complejos naturales tales como el cerebro, redes metabólicas, redes de regulación genética, redes ecológicas, redes sociales, redes económicas y el internet. La mayoría de los estudios de estas redes se enfocan en sus propiedades estructurales tales como la topología, distribución de grado de los nodos, entre otras, y cómo éstas influyen en la dinámica del sistema (Aldana, 2003). Sin embargo, ha surgido el interés por estudiar las estructuras espacio temporales que emergen de la dinámica temporal de las redes (Eckmann, et al. 2004). A tenor de esta nueva perspectiva, Mitchell (2006) propone que estudiar cómo se propaga la información y cómo se procesa en las redes biológicas es muy importante para entender la complejidad biológica.

Con la introducción de herramientas de la teoría de la información en las ciencias de la complejidad, varios autores han investigado la dinámica y procesamiento de información en redes biológicas. Langton (1992), parametrizó el espacio de reglas de un autómata celular elemental y encontró que las reglas que permiten la computación emergente (reglas de la clase IV de Wolfram) se localizan en la vecindad de una transición de fase de segundo orden. Este resultado ha atraído mucha atención entre los investigadores de Vida Artificial porque se considera que los incrementos en complejidad están correlacionados con incrementos en la capacidad de procesar información (Mitchell, 2006; Farnsworth, et al. 2013; Kim, et al. 2015). De lo anterior se han derivado muchos trabajos que muestran que la transferencia y procesamiento de información se maximizan en regímenes dinámicos críticos (Solé & Valverde, 2001; Kinouchi & Copelli, 2006). Rämö, et al. (2006) utilizaron redes booleanas para modelar redes de regulación genética y encontraron que el tamaño de las avalanchas de perturbación también se encuentran en la vecindad de una transición de fase. De manera similar, Torres-Sosa, et al. (2012) han reportado que las redes regulación genética operan en la fase crítica.

Lizier, et al. (2008) conjeturaron que las propiedades de las redes biológicas han sido afinadas por la evolución para maximizar la capacidad de computación. Si la conjetura de Lizier, et al es correcta, entonces se esperaría encontrar que las redes biológicas y redes booleanas aleatorias difieren significativamente en cuanto a la capacidad de procesar información. En este trabajo se pretende estudiar la dinámica de la información en redes biológicas mediante modelos de redes booleanas y caracterizar su capacidad de procesar información para contrastarla con redes booleanas aleatorias. La capacidad de procesar información se medirá con base en tres métricas que corresponden a los tres aspectos de la computación: almacenamiento de información, transmisión de información y modificación de información (Lizier, et al. 2008).

Posteriormente, se llevarán a cabo simulaciones de la evolución de las redes sujetas a una restricción informacional: maximizar la capacidad de computo. Si bajo esta restricción resultan redes con propiedades similares a las de las redes biológicas en cuanto a estructura y dinámica, entonces se puede dar soporte a la conjetura de que los incrementos en complejidad están correlacionados con incrementos en la capacidad de procesar información. 

REFERENCIAS:

Aldana, M., Coppersmith, S. & Kadanoff, L.P., (2003). Boolean dynamics with random couplings. Applied Mathematical Sciences Series. Springer, New York.

Barabási, A.L. (2016). Network science. Available on-line: http://barabasi.com/networksciencebook/

Eckmann, J.-P., Moses, E., & Sergi, D., (2004). Entropy of dialogues creates coherent structures in e-mail traffic. Proceedings of the National Academy of Sciences of the United States of America, 101(7), 14333–14337.

Farnsworth, K. D., Nelson, J., & Gershenson, C. (2013). Living is Information Processing: From Molecules to Global Systems. Acta Biotheoretica, 61(2), 203–222.

Kaneko, K., & Tsuda, I. (2011). Complex systems: chaos and beyond: a constructive approach with applications in life sciences. Springer Science & Business Media.

Kim, H., Davies, P., & Walker, S. I. (2015). New scaling relation for information transfer in biological networks. Journal of The Royal Society Interface, 12(113), 20150944.

Kinouchi, O. and Copelli, M. (2006). Optimal dynamical range of excitable networks at criticality. Nature Physics, 2(5):348– 351.

Langton, C. G. (1992). Life at the edge of chaos. Artificial life II, 10, 41-91.

Lizier, J. T., Prokopenko, M., & Zomaya, A. Y. (2008). The information dynamics of phase transitions in random boolean networks. Artificial Life XI: Proceedings of the 11th International Conference on the Simulation and Synthesis of Living Systems, 374–381.

Mitchell, M. (2006). Complex systems: Network thinking. Artificial Intelligence, 170(18), 1194–1212.

Rämö, P., Kesseli, J., & Yli-Harja, O. (2006). Perturbation avalanches and criticality in gene regulatory networks. Journal of Theoretical Biology, 242(1):164–170.

Solé, R. V. & Valverde, S. (2004). Information theory of complex networks: On evolution and architectural constraints. In Ben-Naim, E., Frauenfelder, H., and Toroczkai, Z., editors, Complex Networks, volume 650 of Lecture Notes in Physics, pages 189–207. Springer.