Bio-homeostasis Information Theory: A Resource Audit Framework for Statistical Pattern Maintenance in Dynamical Systems

Resumen Técnico: Teoría de la Información de la Bio-homeostasis (BIT)

Planteamiento del Problema
Los sistemas dinámicos en la biología y la inteligencia artificial —desde la perturbación celular y la terapia contra el cáncer hasta las interfaces neuronales y los agentes de IA persistentes— enfrentan un desafío estructural común: mantener un patrón estadístico declarado dentro de un vecindario aceptable a pesar de las intervenciones internas o externas continuas. Si bien los marcos clásicos como la homeostasis, la cibernética y la teoría de control describen mecanismos reguladores, dejan sin abordar una pregunta de auditoría crítica: ¿cuánta información de recurso correctiva se requiere precisamente para mantener un patrón específico, y es el presupuesto de intervención disponible suficiente para soportar este mantenimiento? Las teorías existentes suelen tratar los recursos de forma implícita o se centran en mecanismos de estabilidad sin cuantificar la factibilidad de información para mantener un patrón frente a una fuente de innovación específica (por ejemplo, mutaciones, resistencia a fármacos o actualizaciones de modelos).

Metodología: El Marco BIT
Los autores proponen la Teoría de la Información de la Bio-homeostasis (BIT), un marco de auditoría de recursos construido sobre la inversa de la teoría de tasa-distorsión. BIT no reemplaza las teorías fisiológicas o de control existentes, sino que actúa como una capa de auditoría que cuantifica las restricciones de recursos de las afirmaciones de mantenimiento. El marco se construye sobre los siguientes componentes:

1. Definiciones Fundacionales:

   • Afirmación de Bio-homeostasis: Una afirmación de que un sistema puede mantener un patrón estadístico dentro de una tolerancia $\varepsilon$ dado un intervalo de tiempo $T$ y un presupuesto de intervención cuantificable $b$.
   • Especificación de Auditoría ($\Gamma$): Una tupla que define la clase del sistema, la familia de medición ($E$), la biblioteca de características ($F$), la distancia estadística, la fuente de innovación ($Z$), la función de distorsión ($\delta$) y el residuo de puente ($\eta$).
   • Familia de Medición y Biblioteca de Características: $E$ define el protocolo de observación física, mientras que $F$ define las características construidas que representan el patrón estadístico. BIT exige que $F$ sea preespecificada para evitar el sesgo de selección post-hoc.
   • Residuo de Puente ($\eta$): Una métrica que cuantifica la brecha entre la distorsión matemática y los puntos finales biológicos o conductuales sustantivos.

2. Métrica Central: Tasa de Información de Bifurcación ($\rho(\varepsilon)$):

   • Derivada de la función de tasa-distorsión $R_{Z^{(L)}}(D)$, esta métrica representa la tasa de información promedio mínima (nats o bits por unidad de tiempo) requerida para mantener la distorsión promedio por debajo de una tolerancia $\varepsilon$ dada una fuente de innovación.
   • Teorema 1 (Condición de Presupuesto Necesario): Los autores demuestran que, para que una afirmación de mantenimiento sea factible, el presupuesto de corrección efectivo por unidad de tiempo ($b$) debe satisfacer $b \ge \rho(\varepsilon)$. Si $b < \rho(\varepsilon)$, mantener el patrón dentro de la tolerancia declarada es información-teóricamente imposible, independientemente del diseño de la intervención.

3. La Tríada Demanda–Presupuesto–Puente:
   El marco evalúa las afirmaciones de mantenimiento a través de tres dimensiones:

   • Demanda: La tasa de información de bifurcación $\rho(\varepsilon)$.
   • Presupuesto: Los recursos correctivos disponibles ($b$), que pueden estimarse mediante la divergencia KL de dosis-respuesta, la entropía del canal de intervención o proxies calibrados por resultados.
   • Puente: La validez de mapear la distorsión matemática a puntos finales sustantivos, medida por el residuo de puente $\eta$.
   • Límite Inferior de Compatibilidad ($\kappa_T$): Una verificación previa que determina si el objetivo es físicamente alcanzable dado el tipo de intervención $A$. Si la distorsión mínima alcanzable $\kappa_T > \varepsilon$, la afirmación es estructuralmente infactible independientemente del presupuesto.

4. Modos de Fallo:
   BIT categoriza sistemáticamente los fallos de auditoría en:

   • Insuficiencia de presupuesto ($b < \rho(\varepsilon)$).
   • Desajuste de la biblioteca de características (trivial, excesivamente amplia o bibliotecas seleccionadas post-hoc).
   • Ruido en la medición del presupuesto.
   • Fallo de puente (un $\eta$ grande donde la distorsión no predice los puntos finales).
   • Violación de compatibilidad (imposibilidad estructural).

Resultados y Demostraciones
El artículo valida el marco a través de dos vías principales:

1. Auditoría con Datos Reales (Dataset scPerturb):

   • Los autores aplicaron BIT al conjunto de datos de CRISPRi de célula única scPerturb.
   • Hallazgos: Lograron instanciar el lado de la demanda, estimando la tasa de información de bifurcación $\rho(\varepsilon)$ bajo aproximaciones de tasa-distorsión gaussianas. Demostraron que las tasas de demanda varían significamente con la dimensionalidad de la biblioteca de características (por ejemplo, 20 vs. 50 dimensiones).
   • Limitaciones Identificadas: La auditoría concluyó que el conjunto de datos era insuficiente para una determinación completa de la factibilidad porque carecía de campos críticos: un presupuesto de intervención efectivo (datos de dosis/captación), un punto final de puente independiente (por ejemplo, supervivencia celular) y una biblioteca de control negativo. Esto resaltó una brecha en los estándares actuales de reporte de datos biológicos.

2. Esquemas Sintéticos:

   • Los autores generaron datos sintéticos para visualizar los cuatro modos canónicos de fallo.
   • Observaciones Clave:
     • Demanda-Presupuesto: Confirmó la frontera de factibilidad donde $b < \rho(\varepsilon)$ conduce a la infactibilidad.
     • Biblioteca de Características: Demostró que una biblioteca desajustada puede revertir la correlación entre el presupuesto y la estabilidad, llevando a conclusiones falsas.
     • Ruido del Presupuesto: Mostró que el ruido de medición en la variable de presupuesto degrada monótonamente la capacidad de detectar el fallo (menor AUC).
     • Puente: Validó que comparar el residuo de puente contra una distribución nula de permutación distingue efectivamente los mapeos de puntos finales válidos de las correlaciones espurias.
     • Compatibilidad: Un modelo sintético de toxicidad tumoral ilustró el límite inferior de compatibilidad, mostrando una distorsión conjunta mínima que no puede ser traspasada incluso con un presupuesto infinito bajo una sola clase de intervención.

Significado y Reivindicaciones
El artículo posiciona a BIT no como un reemplazo de la homeostasis, la teoría de control o la inferencia activa, sino como una herramienta de auditoría de recursos que superpone una verificación de factibilidad de información sobre estos dominios.

• Unificación: Unifica dominios dispares (biología celular, terapia contra el cáncer, neurodegeneración, interfaces neuronales y agentes de IA) bajo un único marco de mantenimiento de patrones estadísticos con recursos limitados.
• Falsabilidad: El marco introduce cinco predicciones específicas y falsables (por ejemplo, efectos de escala de presupuesto, alineación característica-objetivo, dependencia del puente) que permiten que BIT sea probado empíricamente y refutado.
• Cambio Operacional: Desplaza la pregunta de "¿Es el sistema estable?" a "¿A qué costo de información se mantiene la estabilidad, y es ese costo asequible?".
• Estándares de Datos: El artículo propone un estándar mínimo de reporte (Tabla 5) para futuros experimentos, enfatizando la necesidad de bibliotecas de características preespecificadas, puntos finales de puente independientes y presupuestos de intervención cuantificados para permitir una auditoría rigurosa.

Los autores concluyen que BIT proporciona una condición necesaria (pero no suficiente) para las afirmaciones de mantenimiento. Su valor principal reside en identificar afirmaciones "imposibles por recursos", obligando a los investigadores a hacer explícitas sus suposiciones sobre patrones, recursos y puntos finales, y proporcionando un lenguaje unificado para comparar los costos de mantenimiento a través de sistemas dinámicos biológicos y artificiales.