{"id":112,"date":"2020-09-11T11:31:20","date_gmt":"2020-09-11T10:31:20","guid":{"rendered":"http:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/?p=112"},"modified":"2022-02-10T13:21:21","modified_gmt":"2022-02-10T12:21:21","slug":"computacion-biologica-o-el-por-que-una-bacteria-y-un-super-computador-son-tan-parecidos","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/2020\/09\/11\/112\/","title":{"rendered":"COMPUTACION BIOLOGICA o el por qu\u00e9 una BACTERIA y un SUPER COMPUTADOR son tan parecidos"},"content":{"rendered":"

por Mario Aguilar Herrador<\/em><\/p>\n

Alan Turing, matem\u00e1tico y cript\u00f3grafo brit\u00e1nico, el cual es considerado uno de los padres de la inform\u00e1tica, ya flirteaba en los a\u00f1os 50 con la posibilidad de utilizar ordenadores para entender mejor los procesos biol\u00f3gicos complejos. En 1959, Richard Feynman dio una visionaria charla describiendo la posibilidad de construir ordenadores que era \u201csubmicrosc\u00f3picos\u201d.
\nDesde el desarrollo de modelos matem\u00e1ticos sobre la morfog\u00e9nesis (proceso por el cual un organismo adquiere una forma determinada); hasta la inteligencia artificial, la cual pretende imitar las capacidades cognitivas de la mente humana, nacen dos ramas del conocimiento que, a pesar de sonar igual, no lo son tanto: la biolog\u00eda computacional y la computaci\u00f3n biol\u00f3gica.
\nLa biolog\u00eda computacional es una ciencia que recurre a herramientas inform\u00e1ticas para ayudarnos a entender los sistemas biol\u00f3gicos, mientras que la computaci\u00f3n biol\u00f3gica estudia c\u00f3mo utilizar elementos de naturaleza biol\u00f3gica para procesar y almacenar la informaci\u00f3n, as\u00ed como inspirar nuevos algoritmos replicando los mecanismos de la evoluci\u00f3n biol\u00f3gica.
\nSi pensamos en t\u00e9rminos de un ordenador, el t\u00e9rmino que nos ata\u00f1e utiliza como hardware las prote\u00ednas o el ADN para llevar a cabo c\u00e1lculos, escribir y leer la informaci\u00f3n. Si pensamos en el software, destacamos tres principales fuentes de inspiraci\u00f3n:
\n– La poblaci\u00f3n<\/strong>. Tanto una bacteria como una persona no se comporta igual si est\u00e1 sola o aislada que si est\u00e1 en un grupo reducido o entre una multitud. La computaci\u00f3n biol\u00f3gica se inspira en este concepto para entender y predecir el comportamiento de las poblaciones formadas por individuos del mismo tipo que tienen la capacidad de interactuar.
\n– El conexionismo<\/strong>. Propone que los procesos mentales que explican nuestras capacidades cognitivas, as\u00ed como nuestro comportamiento, se pueden describir por unidades sencillas iguales entre s\u00ed. Biol\u00f3gicamente, estas unidades son las neuronas, que establecen sinapsis entre s\u00ed, enfoque que ha servido para el desarrollo de redes neuronales artificiales.
\n– La emergencia<\/strong>. O, dicho de otra forma, un organismo es m\u00e1s que la suma de sus partes. Las neuronas, por s\u00ed solas, no tienen consciencia, pero es el conjunto de todas las reacciones desencadenadas por la comunicaci\u00f3n sin\u00e1ptica el que hace que la consciencia emerja de nuestra mente.
\nAunque a\u00fan estamos lejos de que los ordenadores resuelvan problemas biol\u00f3gicos por nosotros, la nanobiotecnolog\u00eda ha impulsado esto fuertemente. Esta ciencia es la que permite ensamblar prote\u00ednas con estructuras funcionales m\u00e1s complejas. De esta forma, se han puesto en marcha los primeros ordenadores biol\u00f3gicos que tienen la capacidad de realizar c\u00e1lculos manipulando el ARN (el primo hermano del ADN) de una bacteria. Expuesto as\u00ed, lejos queda el silicio y el colt\u00e1n de nuestros microprocesadores y m\u00f3viles, pero no es ning\u00fan tipo de prestidigitaci\u00f3n. Esta tecnolog\u00eda consiste en dise\u00f1ar un circuito biol\u00f3gico manipulando mol\u00e9culas de ADN como si fuera un circuito digital, implementando las mismas operaciones l\u00f3gicas que llevan a cabo los procesadores de silicio convencionales.<\/p>\n

\"\"<\/a>\"\"<\/a><\/p>\n

Figura 1<\/strong><\/em>. Ejemplo de un circuito gen\u00e9tico. En este caso, la resoluci\u00f3n permite a la bacteria evaluar todas las posibilidades del grafo dirigido para encontrar un camino Hamiltoniano (a). Los constructos representan respuestas posibles al problema planteado, siendo el constructo ABC la \u00fanica soluci\u00f3n posible al obtener las secuencias de los genes RFP y GFP en orden y orientaci\u00f3n correcta (b).<\/p>\n

Una vez este circuito biol\u00f3gico est\u00e1 preparado, se introduce en forma de pl\u00e1smido en una bacteria Escherichia coli mediante un proceso de transformaci\u00f3n. Esta bacteria, es la bacteria modelo por antonomasia, ya que ha sido ampliamente caracterizada y estudiada, y las que se utilizan en laboratorios son id\u00e9nticas a las que viven n nuestro intestino. El ADN donde est\u00e1 nuestro circuito biol\u00f3gico atraviesa la pared bacteriana mediante el proceso de transformaci\u00f3n y llega al interior, donde se lee y se traduce a una mol\u00e9cula de ARN mensajero (ARNm) las cuales ser\u00e1n traducidas de nuevo por un org\u00e1nulo celular denominado ribosoma, fabric\u00e1ndose as\u00ed la prote\u00edna de inter\u00e9s. La miga del asunto es que las prote\u00ednas se sintetizan en funci\u00f3n de una entrada concreta (entrada est\u00e1ndar) y la prote\u00edna, ser\u00e1 la salida (salida est\u00e1ndar), simulando el comportamiento de un transistor, y formando una puerta l\u00f3gica entre el ARNm y el ribosoma, el cual es el dispositivo electr\u00f3nico m\u00ednimo de nuestros microprocesadores que es capaz de llevar una operaci\u00f3n o calculo.
\nAlexander A. Green y su grupo consigui\u00f3 utilizar esta tecnolog\u00eda para poner a punto un circuito biol\u00f3gico constituido por cinco puertas l\u00f3gicas OR, otras cinco AND y dos NOT. No es el mejor procesador del mercado (ni est\u00e1 cerca) pero por alg\u00fan sitio se empieza para conseguir un ordenador biol\u00f3gico capaz de llevar a cabo procesos complejos.
\nLa computaci\u00f3n biol\u00f3gica, en el \u00e1mbito del hardware es una promesa a largo plazo, pero en el caso del software, la cosa es muy distinta. Las herramientas m\u00e1s interesantes proponen sistemas basados en el aprendizaje de poblaciones o en algoritmos gen\u00e9ticos. Sin embargo, mucho m\u00e1s notable es el caso de Tierra, una simulaci\u00f3n desarrollada en 1991 por el bi\u00f3logo Thomas Ray, en la que un ordenador simulado ejecuta una serie de programas inform\u00e1ticos que se replican, est\u00e1n sujetos a mutaciones y compiten entre s\u00ed por los recursos del ordenador. Esto es similar a la lectura y traducci\u00f3n de un genoma bacteriano a prote\u00edna. El resultado es un proceso evolutivo totalmente controlable y f\u00e1cilmente  analizable. El propio Ray despert\u00f3 cierta pol\u00e9mica al armar que los programas inform\u00e1ticos que evolucionaban en su simulaci\u00f3n no imitaban procesos biol\u00f3gicos, sino que directamente pod\u00edan considerarse como seres vivos a todos los efectos. A pesar de esto, los algoritmos gen\u00e9ticos no son la mejor opci\u00f3n para resolver cualquier problema. Su estrategia provoca que en ocasiones no nos entreguen la soluci\u00f3n \u00f3ptima, que nos devuelvan una soluci\u00f3n que no es satisfactoria, o, incluso, que su coste en recursos y tiempo de computaci\u00f3n sea inasumible.<\/p>\n

\"\"<\/a><\/p>\n

Figura 2<\/strong><\/em>. Esquema publicado por Alexander Green y sus colaboradores. En \u00e9l, se muestra un sistema de computaci\u00f3n in vivo usando dispositivos \u201cribocomputadores\u201d. Las mol\u00e9culas de ARN son la entrada y la prote\u00edna es la se\u00f1al, es decir, en funci\u00f3n del tipo de mol\u00e9cula de ARN que se introduzca, la l\u00f3gica har\u00e1 que se formen estructuras determinadas que har\u00e1n que se expresen prote\u00ednas diferentes. Por ejemplo, la puerta NOT, implica que, si se tiene el ARN en un sentido y su complementario, se desactivar\u00e1 la expresi\u00f3n del gen de la prote\u00edna.<\/p>\n

Como respuesta a esto, tenemos las redes neuronales artificiales, que son una de las herramientas con mayor potencial que se utilizan para implementar sistemas de aprendizaje autom\u00e1tico. Su funcionamiento se parece al de nuestro cerebro y la complejidad reside esencialmente en las operaciones que puede llevar a cabo cada neurona artificial a partir de los datos de entrada que recibe, como est\u00e1n conectadas las neuronas y como interaccionan entre ellas. Lo m\u00e1s asombroso es que no necesitan ser programadas de forma expl\u00edcita, es decir, que son capaces de aprender por si misma a partir de un conjunto de datos de entrada que se suministren.
\nDe hecho, esto ya se est\u00e1 poniendo en marcha, existiendo varias inteligencias artificiales que son capaces de ponerle nombre y apellidos a un diagn\u00f3stico, comparar los resultados de una prueba con otros y plantear la situaci\u00f3n de cada persona para poder aplicar medicina personalizada. En relaci\u00f3n con esto, Hirasawa y colaboradores entrenaron una red neuronal con 13.548 endoscopias de c\u00e1ncer g\u00e1strico y para evaluar su precisi\u00f3n de diagn\u00f3stico, se analizaron otras 2296 endoscopias en 47 segundos, diagnosticando correctamente 71 de 77 lesiones por c\u00e1ncer g\u00e1strico, es decir, un 98.6% de acierto.
\nSi bien es cierto que las inteligencias artificiales son imparables en el campo del diagn\u00f3stico al llegar donde no llega un facultativo, a\u00fan hay mucho por recorrer ya que una IA pierde el factor humano de poder pasar consulta a un paciente y la psique rob\u00f3tica est\u00e1 a\u00fan muy lejos de ser una realidad.
\nLo que si es cierto, es que la computaci\u00f3n biol\u00f3gica forma parte de la soluci\u00f3n a muchos problemas que golpean nuestra sociedad actual, ya que, se podr\u00edan fabricar microprocesadores org\u00e1nicos y f\u00e1cilmente biodegradables si quien hace todas las operaciones l\u00f3gicas es una poblaci\u00f3n de E.coli y no un trozo de silicio y otros materiales contaminantes. \u00bfSer\u00e1 posible en un futuro mandarle un mensaje de texto a tus amigos a trav\u00e9s de una bacteria? \u00bfSo\u00f1\u00f3 Turing con poder programar en una E.coli?<\/p>\n

BIBLIOGRAF\u00cdA<\/strong>
\n1. Ray, T.S., Evolution, ecology and optimization of digital organisms. 1992, Citeseer.
\n2. Adleman, L., Molecular computation of solutions to combinatorial problems. Science, 1994. 266(5187): p. 1021-1024.
\n3. Lenski, R.E., et al., The evolutionary origin of complex features. Nature, 2003. 423(6936): p. 139-44.
\n4. Baumgardner, J., et al., Solving a Hamiltonian Path Problem with a bacterial computer. Journal of Biological Engineering, 2009. 3(1): p. 11.
\n5. Green, A.A., et al., Complex cellular logic computation using ribocomputing devices. Nature, 2017. 548(7665): p. 117-121.
\n6. Hirasawa, T., et al., Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images. Gastric Cancer, 2018. 21(4): p. 653-660.<\/p>\n","protected":false},"excerpt":{"rendered":"

por Mario Aguilar Herrador Alan Turing, matem\u00e1tico y cript\u00f3grafo brit\u00e1nico, el cual es considerado uno de los padres de la inform\u00e1tica, ya flirteaba en los a\u00f1os 50 con la posibilidad de utilizar ordenadores para entender mejor los procesos biol\u00f3gicos complejos. En 1959, Richard Feynman dio una visionaria charla describiendo la posibilidad de construir ordenadores que era \u201csubmicrosc\u00f3picos\u201d. Desde el desarrollo de modelos matem\u00e1ticos sobre la morfog\u00e9nesis (proceso por el cual un organismo adquiere una forma determinada); hasta la inteligencia artificial, la cual pretende imitar las capacidades cognitivas de la mente humana, nacen dos ramas del conocimiento que, a pesar de\u2026<\/p>\n","protected":false},"author":230,"featured_media":115,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0},"categories":[7197],"tags":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":4}},"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/posts\/112"}],"collection":[{"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/users\/230"}],"replies":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/comments?post=112"}],"version-history":[{"count":8,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/posts\/112\/revisions"}],"predecessor-version":[{"id":164,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/posts\/112\/revisions\/164"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/media\/115"}],"wp:attachment":[{"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/media?parent=112"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/categories?post=112"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/avances-en-biotecnologia\/wp-json\/wp\/v2\/tags?post=112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}