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

Dentro de cada célula viva, una vasta e intrincada red de reacciones químicas trabaja constantemente para mantener la vida en marcha. Esta red, conocida como metabolismo, es responsable de convertir los alimentos en energía, construir nuevas partes y gestionar los desechos. Durante décadas, los científicos han visto estos sistemas principalmente como máquinas homeostáticas: están diseñadas para mantenerse estables, corrigiendo cualquier pequeño error para mantener el entorno interno estable. Si los niveles de energía de una célula caen, el sistema aumenta la producción; si son demasiado altos, lo ralentiza. Esta capacidad de mantener el equilibrio es lo que permite a las células sobrevivir en un mundo cambiante. Sin embargo, una nueva línea de pensamiento sugiere que estas mismas redes químicas podrían hacer algo más que simplemente mantener el statu quo. Podrían ser capaces de algo mucho más complejo: aprender. Así como un animal puede aprender de una experiencia pasada para reaccionar de manera diferente ante un evento futuro, una célula podría ser capaz de recordar un estrés previo y usar ese recuerdo para manejar mejor el siguiente. Esta idea desafía la visión tradicional de que el aprendizaje requiere un cerebro o un sistema nervioso, proponiendo en cambio que las reglas básicas de la química y la física podrían ser suficientes para crear una forma de memoria.

Investigadores de la Universidad de Tufts han dado un paso audaz para probar esta posibilidad construyendo un modelo computacional del metabolismo energético de una célula de mamífero. En lugar de estudiar una célula real bajo un microscopio, construyeron una simulación digital que rastrea el flujo de moléculas clave como la glucosa, las grasas y el oxígeno. El modelo incluye las principales vías que las células utilizan para generar energía, junto con una capa de "enzimas adaptativas". Estas no son partes fijas del sistema, sino componentes ajustables que la célula puede cambiar en número o actividad para mantener las cosas funcionando sin problemas. Crucialmente, cambiar estas enzimas cuesta energía, tal como construir nueva maquinaria cuesta recursos en una fábrica. Los investigadores programaron el modelo para que comprobara constantemente su estado interno y realizara pequeños ajustes en sus enzimas para mantenerse cerca de un objetivo saludable. Luego sometieron a la célula digital a una serie de desafíos, como caídas repentinas en el suministro de alimentos o la introducción de toxinas, para ver cómo respondía a lo largo del tiempo.

Los resultados de estas simulaciones fueron sorprendentes. El modelo demostró que un sistema simple de bucles de retroalimentación, sin ninguna estructura compleja similar a un cerebro, podía exhibir comportamientos que se parecen mucho al aprendizaje. Cuando los investigadores expusieron el modelo por primera vez a un estrés específico, como limitar el suministro de un nutriente particular, el sistema ajustó sus enzimas para sobrellevarlo. Cuando posteriormente introdujeron un segundo estrés, diferente, la reacción de la célula no fue la misma que habría sido si estuviera encontrando el problema por primera vez. En algunos casos, la experiencia previa hizo que la célula fuera menos reactiva al nuevo estrés, un fenómeno conocido como habituación. En otros casos, el primer estrés hizo que la célula fuera más sensible al segundo, un comportamiento llamado sensibilización. Esto significa que el orden en que ocurren los eventos importa; la historia del sistema cambia sus respuestas futuras. La "memoria" del primer evento no se almacenó en un archivo especial o en una molécula dedicada, sino que quedó integrada en la nueva configuración de las enzimas de la célula.

Uno de los hallazgos más significativos fue que esta memoria podía conducir a cambios permanentes en el estado de la célula, incluso después de que se eliminara el estrés original. Por ejemplo, cuando los investigadores bloquearon repetidamente la capacidad de la célula para importar glucosa, el sistema no simplemente volvió a la normalidad una vez que se levantó el bloqueo. En su lugar, cambió a un nuevo estado estable donde producía niveles altos de lactato, un producto de desecho a menudo asociado con las células cancerosas. Este cambio ocurrió sin ningún cambio en el código genético de la célula, lo que sugiere que la historia de estrés de la célula podría reescribir su personalidad metabólica de manera duradera. Los investigadores también observaron que el sistema podía reproducir el pico peligroso de moléculas nocivas que ocurre cuando se restaura el flujo sanguíneo al tejido después de un ataque cardíaco o un derrame cerebral. Este comportamiento surgió naturalmente del diseño del modelo, a pesar de que los investigadores no lo programaron específicamente para ello, lo que sugiere que tales reacciones peligrosas podrían ser una propiedad inherente de cómo las redes metabólicas se recuperan de un choque.

Sin embargo, el estudio también reveló los límites de esta forma simple de aprendizaje. Cuando los investigadores probaron el modelo con un protocolo riguroso diseñado para medir la verdadera habituación —donde un sistema debería dejar de reaccionar gradualmente ante un estímulo repetido e inofensivo—, el controlador básico falló. El sistema era demasiado perfecto; se ajustaba de forma tan rápida y precisa que nunca mostró el desvanecimiento gradual de la respuesta que caracteriza a la habituación en los organismos vivos. Para lograr que el modelo se habituara, los investigadores tuvieron que introducir imperfecciones, como hacer que los sensores de la célula fueran ligeramente menos sensibles al entorno o evitar que el sistema se asentara completamente entre eventos. Esto sugiere que, para que un sistema biológico pueda realmente aprender y olvidar, podría necesitar ser ligeramente imperfecto, o quizás incapaz de ver el panorama completo a la vez. Un sistema que es demasiado eficiente manteniendo el equilibrio podría nunca desarrollar el tipo de memoria flexible que permite la adaptación a mundos complejos e impredecibles.

En última instancia, este trabajo sugiere que la capacidad de comportamiento dependiente de la experiencia no es un regalo especial de los cerebros complejos, sino una propiedad fundamental de cualquier sistema que deba gestionar la energía y los recursos bajo presión. El modelo computacional mostró que, con el simple hecho de intentar mantenerse vivo y equilibrado, una red metabólica puede navegar por restricciones conflictivas, almacenar los rastros de eventos pasados en sus niveles enzimáticos y alterar su comportamiento futuro en consecuencia. Aunque esto es una simulación y no una observación directa de una célula viva, proporciona una nueva y poderosa forma de pensar en cómo las células resuelven problemas y se adaptan a sus entornos. Implica que las raíces del aprendizaje y la memoria pueden estar mucho más profundas en el árbol de la vida de lo que se imaginaba anteriormente, ocultas dentro de la misma química que nos mantiene vivos.