Gain-Scheduled Optogenetic Feedback for Disturbance Rejection in Bacterial Batch Cultures

Este artículo presenta un marco de control de retroalimentación óptico-genética basado en un modelo multiescala que utiliza estrategias de programación de ganancia para superar las limitaciones de los controladores fijos y lograr un rechazo robusto de perturbaciones en cultivos bacterianos por lotes, adaptándose dinámicamente a los cambios en el estado fisiológico celular durante las fases de crecimiento.

Lo esencial

Imagina que estás dirigiendo una orquesta de bacterias. Tu objetivo es que toquen una nota perfecta (expresión de un gen) todo el tiempo, usando luces de colores como batuta (tecnología optogenética).

El problema es que estas bacterias no son robots estáticos; son seres vivos que crecen, se cansan y cambian de estado. En un experimento de "cultivo por lotes" (como una olla donde no añades comida nueva), las bacterias pasan por fases: nacen, crecen rápido como locas, y luego se detienen porque se acabó la comida.

Aquí está la historia de cómo los autores resolvieron el caos de mantener esa "nota perfecta" cuando las bacterias cambian de ritmo.

1. El Problema: El Director de Orquesta Ciego

Antes, los científicos usaban un controlador fijo (un "PID de ganancia fija"). Imagina que este controlador es un director de orquesta que tiene una regla simple: "Si la nota es muy baja, toca más fuerte; si es muy alta, toca más suave".

El problema es que este director no sabe en qué fase están las bacterias:

• Fase de crecimiento rápido: Las bacterias están llenas de energía. Si el director toca fuerte, las bacterias reaccionan exageradamente y la nota se dispara (sobrepaso).
• Fase de reposo: Las bacterias están lentas y cansadas. Si el director toca suave, las bacterias ni se mueven y la nota se queda baja (respuesta lenta).

Como el director usa la misma fuerza todo el tiempo, a veces es demasiado agresivo y a veces demasiado tímido. Cuando ocurre una perturbación (como diluir la bacteria con agua, como si de repente tuvieran menos músicos), el sistema se descontrola.

2. La Solución: El Director que "Lee la Sala"

Los autores crearon un nuevo sistema llamado Control con Programación de Ganancia (Gain-Scheduled).

Imagina que ahora el director tiene un termómetro que mide el estado de las bacterias (cuántas hay y qué tan rápido crecen).

• Cuando las bacterias crecen rápido (Fase Log): El director ve que están muy sensibles. Entonces, baja su propia intensidad. Si las bacterias reaccionan fuerte, el director no necesita empujarlas tanto. Esto evita que la música se dispare.
• Cuando las bacterias están lentas (Fase Estacionaria): El director ve que están "adormecidas". Entonces, aumenta su intensidad para asegurarse de que respondan.

La analogía del coche:
Es como conducir un coche con un sistema de dirección que se adapta al terreno.

• En una carretera de hielo (bacterias lentas), giras el volante mucho para que el coche se mueva.
• En una pista de carreras rápida (bacterias activas), giras el volante muy poco, porque un movimiento brusco te haría salirte de la pista.
  El controlador antiguo intentaba girar el volante igual en ambos casos, lo cual era un desastre.

3. La Mejora Extra: El "Efecto Inercia" (Control Feedforward)

Aunque el nuevo director (PID-GS) era mucho mejor, había un caso difícil: cuando la perturbación era enorme (como quitar el 80% de las bacterias de golpe). El director reaccionaba bien, pero un poco tarde.

Para esto, añadieron un segundo asistente: el Control Feedforward.
Imagina que tienes un amigo que te avisa: "¡Oye, vienen 100 personas corriendo hacia la puerta!".

• El director principal (feedback) espera a ver si la puerta se abre o se cierra para reaccionar.
• El asistente (feedforward) ve que vienen 100 personas y abre la puerta de golpe antes de que lleguen, para que no haya colisión.

En la práctica, el sistema mide cuántas bacterias hay en tiempo real. Si ve que la población cae bruscamente, el asistente le da un "empujón" inmediato al sistema para compensar la pérdida antes de que el error se acumule.

4. Los Resultados: Tres Escenarios

Los autores probaron su sistema con diferentes tamaños de "desastres" (perturbaciones) y descubrieron tres reglas de oro:

1. Desastres pequeños: Cualquier director sirve. El sistema no se altera mucho.
2. Desastres medianos: El director que se adapta (PID-GS) es el mejor. Evita que la música se dispare (sobrepaso) cuando las bacterias se recuperan de la perturbación.
3. Desastres gigantes: Necesitas al director adaptativo más el asistente (PID-GS-FF). El asistente recupera la velocidad rápidamente, y el director evita que te pases de la meta.

En Resumen

Este trabajo es como enseñarle a un robot a tocar un instrumento con una banda de músicos que cambian de velocidad cada hora. En lugar de usar un guion fijo, el robot aprende a escuchar el ritmo de la banda y ajusta su propia intensidad en tiempo real.

Además, les dio un "ojo de águila" para prever grandes cambios. El resultado es que ahora podemos mantener las bacterias funcionando de manera estable y precisa, incluso cuando el entorno cambia drásticamente, algo que antes era casi imposible en cultivos de laboratorio.

Resumen técnico

Aquí presento un resumen técnico detallado del artículo "Gain-Scheduled Optogenetic Feedback for Disturbance Rejection in Bacterial Batch Cultures" (Control de retroalimentación óptogenética con programación de ganancia para el rechazo de perturbaciones en cultivos bacterianos por lotes), traducido y adaptado al español.

---

Resumen Técnico

1. Planteamiento del Problema

La regulación precisa de la expresión génica en cultivos bacterianos por lotes (batch) es un desafío crítico en biología sintética y bioprocesos. A diferencia de los sistemas continuos (como los quimiostatos) donde las células mantienen un estado fisiológico constante, los cultivos por lotes experimentan transiciones dinámicas a través de fases de crecimiento: latencia, exponencial y estacionaria.

• Dinámica Multiescala: Estas transiciones alteran fundamentalmente la dinámica de entrada-salida del sistema debido a interacciones huésped-circuito a múltiples escalas, como la dilución dependiente del crecimiento y cambios en la asignación de recursos celulares.
• Limitación de los Controladores Fijos: Los controladores de ganancia fija (como un PID estándar), diseñados bajo supuestos de crecimiento constante, pierden eficacia a medida que cambia el estado fisiológico de la población. Un controlador sintonizado para una fase puede ser demasiado agresivo en otra o insuficientemente reactivo, lo que impide un rechazo robusto de perturbaciones (como cambios bruscos en la densidad celular).

2. Metodología

Los autores desarrollaron un marco de control de retroalimentación guiado por modelos multiescala para abordar estas variaciones dinámicas.

• Sistema Biológico: Se utilizó el sistema optogenético de dos componentes CcaSR en E. coli, donde la luz verde induce la expresión de una proteína fluorescente (sfGFP) y la luz roja la reprime.
• Modelado (Marco GEAGS): Se empleó el marco GEAGS (Gene Expression Across Growth Stages), que acopla la cinética molecular intracelular con el crecimiento logístico de la población.
  • Se introdujeron Funciones Modificadoras de Tasa (RMF) que dependen de la proximidad de la población a la capacidad de carga ($C/C_{max}$). Estas funciones ajustan empíricamente tasas de degradación, disponibilidad de recursos de traducción y eficiencia de transcripción según la fase de crecimiento.
• Simulación y Plataforma: Las simulaciones replicaron la plataforma experimental LEMOS (LED Embedded Microplate for Optogenetic Studies), utilizando un ciclo de control discreto de 10 minutos (8 min de actuación óptica, 1 min de medición).
• Análisis de Perturbaciones: Se diseñaron experimentos de perturbación "in-silico" mediante diluciones súbitas de la población celular (de 20% a 80%) en diferentes momentos del cultivo para evaluar el rechazo de perturbaciones.
• Análisis de Frecuencia: Se realizó un análisis de respuesta en frecuencia (diagramas de Bode) del modelo linealizado en diferentes puntos de operación para cuantificar cómo cambian la ganancia y el retardo temporal del sistema a lo largo del crecimiento.

3. Contribuciones Clave

El trabajo presenta tres contribuciones principales:

1. Caracterización de la Dependencia de la Fase de Crecimiento: Demostraron mediante análisis de respuesta en frecuencia que la dinámica de entrada-salida de la expresión génica varía drásticamente con la fase de crecimiento. Se identificó que un controlador PID de ganancia fija no puede lograr un rendimiento robusto en todo el rango fisiológico debido a cambios en la ganancia del sistema y el aumento del retardo temporal en fases estacionarias.
2. Desarrollo de Estrategias de Control Conscientes del Crecimiento:
   • PID con Programación de Ganancia (PID-GS): Un controlador que adapta sus ganancias (proporcional, derivativa e integral) en tiempo real basándose en el estado fisiológico ($f_{RMF} = C/C_{max}$). La ganancia se reduce cuando el sistema es más sensible (fase log) y aumenta cuando es menos reactivo (fase estacionaria).
   • Control Híbrido PID-GS con Alimentación Directa (PID-GS-FF): Combina la retroalimentación adaptativa con un término de feedforward (alimentación directa) que actúa sobre la perturbación medida (cambio en la densidad óptica/OD600) antes de que afecte significativamente al error de seguimiento.
3. Marco de Evaluación Sistemático: Se propuso una métrica de rendimiento escalar compuesta (basada en tiempo de asentamiento e ITAE - Integral del Tiempo multiplicado por el Error Absoluto) para comparar controladores bajo diversas condiciones de perturbación, identificando tres regímenes operativos distintos.

4. Resultados

Los resultados de las simulaciones compararon el PID de ganancia fija, el PID-GS y el PID-GS-FF:

• Análisis de Frecuencia: Se observó que a medida que aumenta la densidad celular (OD600), la ganancia del sistema disminuye y el retardo temporal (fase) aumenta significativamente. Esto confirma que un controlador fijo es subóptimo.
• Rendimiento del PID-GS:
  • Mejoró significativamente el rechazo de perturbaciones en magnitudes intermedias (40-60%), reduciendo drásticamente el overshoot (sobrepaso) causado por la disponibilidad transitoria de recursos de traducción en la fase log media.
  • Sin embargo, en perturbaciones grandes (80%), la reducción de ganancia necesaria para la estabilidad ralentizó la recuperación.
• Rendimiento del PID-GS-FF:
  • Superó a las otras estrategias en perturbaciones grandes (70-80%). El término feedforward permitió una recuperación rápida del señal antes de que se acumulara un gran error, mientras que la retroalimentación programada prevenía el sobrepaso.
  • En perturbaciones pequeñas, el término feedforward no aportó beneficios significativos y en algunos casos introdujo un ligero error residual.
• Regímenes Operativos Identificados:
  1. Baja perturbación: Todos los controladores funcionan similarmente bien.
  2. Perturbación intermedia (fase tardía): PID-GS es superior para suprimir el sobrepaso.
  3. Alta perturbación: PID-GS-FF es superior para una recuperación rápida y proactiva.

5. Significado e Impacto

Este estudio es pionero en el diseño de controladores de rechazo de perturbaciones conscientes del crecimiento para cultivos bacterianos por lotes.

• Validación de Concepto: Demuestra que ignorar la dinámica multiescala (acoplamiento crecimiento-expresión) conduce a un control deficiente. La adaptación de la ganancia basada en el estado fisiológico es esencial para la robustez.
• Aplicabilidad Práctica: Proporciona un marco para la regulación de sistemas vivos con condiciones operativas cambiantes, crucial para aplicaciones en terapias vivas y biomanufactura donde los cultivos por lotes son la norma.
• Futuro: Los autores planean validar experimentalmente estos regímenes utilizando la plataforma LEMOS, implementando lógica de conmutación automática basada en estimaciones en tiempo real de la densidad celular.

En conclusión, el trabajo establece que el control óptogenético en cultivos por lotes requiere abandonar los enfoques de ganancia fija en favor de estrategias adaptativas (gain-scheduled) y, cuando sea necesario, híbridas (feedforward-feedback), para manejar la complejidad dinámica de los sistemas biológicos vivos.