Simulating is not always understanding: When model complexity obscures biology

Imagina que estás tratando de entender cómo funciona un coche. Podrías desarmar el motor, extender cada tornillo, pistón y bujía sobre una mesa, y luego volver a armarlo todo. Si el coche arranca, has simulado con éxito el motor. Pero, ¿realmente entendiste por qué funciona? Tal vez solo tuviste suerte con el orden en que volviste a colocar las piezas. O tal vez podrías haber construido un motor funcional con la mitad de las piezas, pero no lo supiste porque estabas demasiado ocupado contando tornillos. Este es el dilema que enfrenta la biología celular moderna. Los científicos están construyendo modelos computacionales increíblemente detallados de las células: gemelos digitales que rastrean miles de moléculas, genes y reacciones químicas. Estos modelos son como videojuegos de la vida masivos y de alta definición. Pero existe una preocupación creciente: el hecho de que una simulación por computadora pueda imitar perfectamente el comportamiento de una célula, ¿significa que realmente entendemos las reglas del juego? El artículo que vas a leer aborda esta cuestión, argumentando que, a veces, añadir más detalle hace que el misterio sea más difícil de resolver, no más fácil.

Los autores de este artículo, un equipo de biólogos y filósofos de la ciencia, están dando la voz de alarma sobre la "complejidad del modelo". Argumentan que, en la prisa por construir las simulaciones más detalladas posibles de "célula completa", los científicos podrían estar perdiendo la capacidad de explicar por qué suceden las cosas. Piensa en un modelo como una receta. Una receta sencilla con tres ingredientes puede decirte exactamente por qué un pastel sube (el bicarbonato de sodio reaccionando con el vinagre). Pero si escribes una receta con 5,000 ingredientes, incluyendo "una pizca de polvo de estrellas" y "tres gotas de rocío de la mañana", y el pastel sigue subiendo, no has aprendido nada nuevo. No puedes saber qué uno de esos 5,000 ingredientes fue realmente importante. El artículo sugiere que la verdadera comprensión no proviene de amontonar más datos; proviene de tener un modelo donde las "perillas" (los números que puedes ajustar) estén estrechamente controladas por experimentos del mundo real, de modo que puedas ver exactamente qué perillas hacen que la máquina funcione.

La trampa de la simulación "perfecta"

El artículo comienza señalando una trampa común: La simulación no es lo mismo que la comprensión. Imagina que estás tratando de adivinar la combinación de una caja fuerte. Si tienes un robot que prueba todas las combinaciones posibles desde 0000 hasta 9999, eventualmente abrirá la caja fuerte. El robot ha "simulado" la apertura de la caja fuerte. Pero el robot no conoce la combinación; solo sabe que uno de esos números funcionó. En biología celular, un modelo complejo puede "ajustarse" perfectamente a los datos, lo que significa que reproduce lo que los científicos ven en el laboratorio. Pero si el modelo tiene demasiados números libres (parámetros) que pueden manipularse para que funcione, es como el robot probando cada combinación. Esto demuestra que el modelo puede funcionar, pero no demuestra que el modelo sea la explicación correcta.

Los autores argumentan que, para que un modelo nos enseñe algo, debe hacer más que simplemente copiar lo que ya sabemos. Necesita:

1. Hacer una nueva predicción que aún no hayamos visto.
2. Revelar una conexión sorprendente entre dos cosas que pensábamos que no estaban relacionadas.
3. Fallar de una manera específica cuando cambiamos una parte, demostrando que esa parte era esencial.

Si un modelo es tan complejo que puede ser ajustado para adaptarse a casi cualquier cosa, falla en las tres cosas. Se convierte en una "caja negra" que da la respuesta correcta por las razones equivocadas.

El problema de la "imprecisión" (Sloppiness)

Aquí es donde el artículo se vuelve realmente interesante con un concepto llamado imprecisión de parámetros (parameter sloppiness). Imagina que estás sintonizando una radio. Si tienes una radio simple con solo una perilla de volumen, es fácil encontrar el ajuste correcto. Pero imagina una radio con 1,000 perillas, y puedes girar todas a diferentes configuraciones para obtener la misma canción clara. Esto es la "imprecisión". En estos modelos biológicos complejos, los científicos a menudo encuentran que pueden cambiar docenas de números por cantidades enormes, y el modelo sigue produciendo exactamente el mismo resultado.

El artículo explica que esto es, en realidad, un arma de doble filo.

• La buena noticia: El modelo es excelente para predecir. Debido a que el resultado no cambia mucho cuando se ajustan los números, el modelo es robusto. Probablemente te dará la respuesta correcta incluso si no conoces el valor exacto de cada una de las partes.
• La mala noticia: El modelo es pésimo para explicar. Si puedes cambiar 100 números y obtener el mismo resultado, no tienes idea de cuál de esos 100 números es el que realmente está haciendo el trabajo. No puedes decir: "¡Ah, esta proteína específica es la causa!", porque el modelo dice: "En realidad, podría ser cualquiera de estas 50 proteínas, o una mezcla de ellas".

Los autores utilizan un ejemplo vívido de un modelo del ciclo celular (el proceso por el cual una célula se divide). Compararon un modelo "detallado" con 13 números ajustables frente a un modelo "mínimo" con solo 3. Ambos modelos podían hacer que la célula se dividiera en el tiempo correcto. Sin embargo, cuando probaron cuánto podían oscilar los números:

• El modelo detallado era "impreciso" (sloppy). Podía funcionar con aproximadamente el 85% de todas las combinaciones posibles de números. Era imposible saber qué números eran los "reales".
• El modelo mínimo era "ajustado" (tight). Solo funcionaba con aproximadamente el 2% de las combinaciones. Debido a que estaba tan restringido, los científicos pudieron realmente aprender algo sobre el sistema.

El artículo argumenta que añadir más detalle biológico (más proteínas, más reacciones) sin añadir más datos experimentales para fijar esos números, solo hace que el modelo sea más "impreciso". Es como intentar resolver un rompecabezas con un millón de piezas, pero solo tienes la imagen de la caja para guiarte. Podrás encajar las piezas, pero no sabrás si lo hiciste de la manera correcta.

La solución: Construir una escalera, no un muro

Entonces, ¿qué deberían hacer los científicos? El artículo sugiere que dejemos de intentar construir el modelo más grande y complejo posible como meta final. En su lugar, debemos tratar los modelos complejos como un punto de partida para un viaje de descubrimiento.

Los autores proponen dos estrategias principales para convertir una "simulación" en "comprensión":

1. Construir jerarquías de modelos (La escalera): En lugar de comenzar con un modelo masivo, los científicos deben construir una escalera de modelos. Comienza con la versión más simple que pueda hacer el trabajo. Luego, añade complejidad paso a paso. En cada paso, pregunta: "¿Necesitábamos añadir esta nueva parte para que funcionara?". Si el modelo simple funciona igual de bien, la parte compleja no era necesaria para ese comportamiento específico. Esto ayuda a eliminar los detalles "irrelevantes" y encontrar las reglas centrales. El artículo señala que en algunas áreas, como el modelado de cómo las células se pegan en los tejidos, los científicos ya han hecho esto. Utilizan modelos simples con solo unas pocas reglas para explicar comportamientos complejos como cómo los tejidos fluyen o se atascan, y debido a que las reglas son simples, pueden explorar todas las posibilidades y comprender verdaderamente la mecánica.

2. Realizar el "análisis dinámico" (El mapa): Los científicos deben dejar de simplemente ejecutar la simulación una vez y ver si se ve bien. Necesitan mapear el "diagrama de fase". Imagina un mapa que muestra todos los diferentes estados en los que un sistema puede estar. Al cambiar sistemáticamente los números en el modelo y ver cómo cambia el comportamiento, los científicos pueden encontrar los "puntos de inflexión" (bifurcaciones). Esto les dice qué controla el sistema y qué sucede si se le presiona demasiado. El artículo observa que, si bien esto es común en modelos simples, rara vez se hace en modelos masivos de "célula completa" porque son demasiado costosos computacionalmente para ejecutarlos miles de veces. Pero sin este mapa, el modelo es solo una demostración, no una explicación.

El giro del Aprendizaje Automático

El artículo también toca el auge del Aprendizaje Automático (IA) en la biología. Los modelos de IA se están volviendo muy buenos para predecir qué hará una célula basándose en enormes cantidades de datos. Pero los autores advierten que estos modelos de IA enfrentan el mismo problema. A menudo son "interpoladores sofisticados": son muy buenos adivinando la respuesta basándose en patrones en los datos, pero no necesariamente saben por qué la respuesta es la que es.

Los autores sugieren que si la IA puede construir modelos de forma rápida y barata, el verdadero desafío pasa de construir el modelo a analizarlo. El hecho de que una computadora pueda generar un modelo que se ajuste a los datos no significa que el modelo sea útil. Todemos que hacer el trabajo duro de verificar si las "perillas" del modelo están restringidas y si podemos explicar las relaciones de causa y efecto.

La conclusión fundamental

El artículo concluye con un llamado a cambiar el "ethos" del modelado biológico. No deberíamos aspirar a incluir cada molécula en una célula solo para decir que lo hicimos. En su lugar, debemos aspirar a la comprensión.

• La complejidad no es la meta: Un modelo con millones de partes no es automáticamente mejor que uno con pocas.
• Las restricciones son clave: Un modelo es útil solo si los números en su interior están fijados por experimentos reales.
• La simplicidad revela la verdad: A veces, la mejor manera de entender un sistema complejo es encontrar la versión más simple que aún funcione, y luego ver qué sucede cuando se añaden las cosas de nuevo.

Los autores no están diciendo que los modelos grandes sean inútiles. Están diciendo que construir una simulación de "célula completa" es solo el primer paso, como reunir todos los ingredientes para un pastel. El trabajo real —la parte que nos da la comprensión— ocurre cuando horneamos el pastel, lo probamos y descubrimos exactamente qué ingrediente hizo que subiera. Hasta que hagamos ese análisis, podríamos estar simplemente simulando la célula sin saber realmente cómo funciona.