Homeostatic feedback model of energy metabolism with adaptive enzyme levels exhibits problem solving behavior

In jeder lebenden Zelle arbeitet ein riesiges und komplexes Netzwerk chemischer Reaktionen ununterbrochen daran, das Leben am Laufen zu halten. Dieses Netzwerk, bekannt als Metabolismus oder Stoffwechsel, ist dafür verantwortlich, Nahrung in Energie umzuwandeln, neue Teile aufzubauen und Abfall zu bewirtschaften. Jahrzehntelang haben Wissenschaftler diese Systeme primär als homöostatische Maschinen betrachtet: Sie sind darauf ausgelegt, stabil zu bleiben, indem sie kleine Fehler korrigieren, um die interne Umgebung stabil zu halten. Wenn der Energieniveau einer Zelle sinkt, fährt das System die Produktion hoch; wenn er zu hoch wird, drosselt es sie. Diese Fähigkeit, das Gleichgewicht aufrechtzuerhalten, ist es, was Zellen ermöglicht, in einer sich verändernden Welt zu überleben. Eine neue Denkweise legt jedoch nahe, dass diese chemischen Netzwerke weit mehr tun könnten, als nur den Status quo zu bewahren. Sie könnten zu etwas weitaus Komplexerem fähig sein: Lernen. Genau wie ein Tier aus einer vergangenen Erfahrung lernen kann, um auf ein zukünftiges Ereignis anders zu reagieren, könnte eine Zelle in der Lage sein, sich an einen vorangegangenen Stress zu erinnern und diese Erinnerung zu nutzen, um das nächste Mal besser damit umzugehen. Diese Idee stellt die traditionelle Ansicht infrage, dass Lernen ein Gehirn oder ein Nervensystem erfordert, und schlägt stattdert vor, dass die grundlegenden Regeln der Chemie und Physik ausreichen könnten, um eine Form von Gedächtnis zu erzeugen.

Forscher an der Tufts University haben einen mutigen Schritt unternommen, um diese Möglichkeit zu testen, indem sie ein Computermodell des Energiestoffwechsels einer Säugetierzelle erstellten. Anstatt eine echte Zelle unter einem Mikroskop zu untersuchen, konstruierten sie eine digitale Simulation, die den Fluss wichtiger Moleküle wie Glukose, Fette und Sauerstoff verfolgt. Das Modell umfasst die Hauptwege, die Zellen zur Energiegewinnung nutzen, zusammen mit einer Ebene „adaptiver Enzyme“. Dies sind keine festen Bestandteile des Systems, sondern anpassbare Komponenten, die die Zelle in ihrer Anzahl oder Aktivität verändern kann, um den Betrieb reibungslos aufrechtzuerhalten. Entscheidend ist, dass die Veränderung dieser Enzyme Energie kostet, genau wie der Bau neuer Maschinen Ressourcen in einer Fabrik kostet. Die Forscher programmierten das Modell so, dass es seinen internen Zustand ständig überprüft und Anpassungen an seinen Enzymen vornimmt, um nahe an einem gesunden Zielwert zu bleiben. Dann setzten sie die digitale Zelle einer Reihe von Herausforderungen aus, wie etwa plötzlichen Einbrüchen der Nahrungszufuhr oder der Einführung von Toxinen, um zu sehen, wie sie im Laufe der Zeit reagiert.

Die Ergebnisse dieser Simulationen waren bemerkenswert. Das Modell zeigte, dass ein einfaches System von Rückkopplungsschleifen, ohne komplexe gehirnähnliche Strukturen, Verhaltensweisen aufweisen kann, die sehr stark an Lernen erinnern. Als die Forscher das Modell zum ersten Mal einem spezifischen Stress aussetzten, wie etwa der Begrenzung der Versorgung mit einem bestimmten Nährstoff, passte das System seine Enzyme an, um damit umzugehen. Als sie später einen zweiten, anderen Stressfaktor einführten, war die Reaktion der Zelle nicht dieselbe, als wäre sie beim ersten Mal auf das Problem gestoßen. In einigen Fällen machte die vorangegangene Erfahrung die Zelle weniger reaktiv auf den neuen Stress, ein Phänomen, das als Habituation (Gewöhnung) bekannt ist. In anderen Fällen machte der erste Stress die Zelle empfindlicher für den zweiten, ein Verhalten, das als Sensibilisierung bezeichnet wird. Dies bedeutet, dass die Reihenfolge der Ereignisse entscheidend ist; die Geschichte des Systems verändert seine zukünftigen Reaktionen. Das „Gedächtnis“ des ersten Ereignisses war nicht in einer speziellen Datei oder einem dedizierten Molekül gespeichert, sondern war in der neuen Konfiguration der Enzyme der Zelle eingebettet.

Einer der bedeutendsten Funde war, dass dieses Gedächtnis zu dauerhaften Veränderungen im Zustand der Zelle führen konnte, selbst nachdem der ursprüngliche Stressfaktor entfernt worden war. Wenn die Forscher beispielsweise wiederholt die Fähigkeit der Zelle einschränkten, Glukose aufzunehmen, kehrte das System nicht einfach zum Normalzustand zurück, sobald die Blockade aufgehoben wurde. Stattdessen verschob es sich in einen neuen, stabilen Zustand, in dem es hohe Mengen an Laktat produzierte, ein Abfallprodukt, das oft mit Krebszellen assoziiert wird. Dieser Wandel geschah ohne Veränderungen im genetischen Code der Zelle, was darauf hindeutet, dass die Stressgeschichte einer Zelle ihre metabolische Persönlichkeit auf dauerhafte Weise umschreiben kann. Die Forscher beobachteten auch, dass das System den gefährlichen Anstieg schädlicher Moleküle reproduzieren konnte, der auftritt, wenn der Blutfluss nach einem Herzinfarkt oder Schlaganfall in das Gewebe wiederhergestellt wird. Dieses Verhalten ergab sich natürlich aus dem Design des Modells, obwohl die Forscher es nicht spezifisch so programmiert hatten; dies deutet darauf hin, dass solche gefährlichen Reaktionen eine inhärente Eigenschaft der Art und Weise sein könnten, wie metabolische Netzwerke von einem Schock sich erholen.

Die Studie offenbarte jedoch auch die Grenzen dieser einfachen Form des Lernens. Als die Forscher das Modell mit einem strengen Protokoll testeten, das darauf ausgelegt war, wahre Habituation zu messen – wobei ein System allmählich aufhören sollte, auf einen wiederholten, harmlosen Reiz zu reagieren –, versagte der grundlegende Controller. Das System war zu perfekt; es passte sich so schnell und präzise an, dass es nie das allmähliche Nachlassen der Reaktion zeigte, das eine echte Habituation in lebenden Organismen charakterisiert. Um das Modell zur Habituation zu bringen, mussten die Forscher Imperfektionen einführen, etwa indem sie die Sensoren der Zelle etwas weniger empfindlich gegenüber der Umgebung machten oder verhinderten, dass sich das System zwischen den Ereignissen vollständig einpendelte. Dies deutet darauf hin, dass ein biologisches System, um wirklich zu lernen und zu vergessen, vielleicht etwas unvollkommen sein muss oder vielleicht nicht in der Lage sein muss, das gesamte Bild auf einmal zu erfassen. Ein System, das zu effizient darin ist, das Gleichgewicht aufrechtzuerhalten, könnte niemals die Art von flexiblem Gedächtnis entwickeln, die eine Anpassung an komplexe, unvorhersehbare Welten ermöglicht.

Letztendlich legt diese Arbeit nahe, dass die Fähigkeit zu erfahrungsabhängigem Verhalten kein besonderes Geschenk komplexer Gehirne ist, sondern eine fundamentale Eigenschaft eines jeden Systems, das Energie und Ressourcen unter Druck verwalten muss. Das Computermodell zeigte, dass ein metabolisches Netzwerk, allein durch den Versuch, am Leben zu bleiben und das Gleichgewicht zu wahren, in der Lage ist, widersprüchliche Zwänge zu navigieren, Spuren vergangener Ereignisse in seinen Enzymspiegeln zu speichern und sein zukünftiges Verhalten entsprechend zu ändern. Obwohl dies eine Simulation und keine direkte Beobachtung einer lebenden Zelle ist, bietet sie eine kraftvolle neue Art und Weise, darüber nachzudenken, wie Zellen Probleme lösen und sich an ihre Umwelt anpassen könnten. Es impliziert, dass die Wurzeln des Lernens und des Gedächtnisses viel tiefer im Stammbaum des Lebens liegen könnten, als man bisher angenommen hat, verborgen innerhalb der sehr Chemie, die uns am Leben erhält.