Mechanical plasticity as a unifying axis for the thermodynamics of biological information machines

Resumen Técnico: La plasticidad mecánica como un eje unificador para la termodinámica de las máquinas de información biológica

Planteamiento del problema
El procesamiento de información biológica ocurre en entornos donde la energía de los eventos funcionales es comparable al ruido térmico ($k_B T$). A pesar de esto, máquinas como los ribosomas, las bombas de iones y las sinapsis logran un funcionamiento fiable. Los análisis termodinámicos actuales de estos sistemas están fragmentados en programas disjuntos: el proofreading cinético se centra en la discriminación y las tasas de recambio (turnover); la literatura de plasticidad sináptica se centra en parámetros cuánticos y varianza; y los estudios de disipación estructural se centan en tareas abstractas frente a la implementación física. No existe un eje compartido para comparar estas máquinas, lo que hace imposible distinguir si las diferencias surgen de la función o del sustrato. Los marcos existentes suelen depender de una fenomenología de un solo parámetro, lo que confunde los modos estructurales rígidos (que portan información persistente) con los modos funcionales blandos (que portan trabajo mecánico), conduciendo a estimaciones numéricas internamente inconsistentes.

Metodología
El artículo propone un marco unificador basado en un único parámetro mecánico: la plasticidad adimensional, definida como $\gamma \equiv k_B T / (\kappa L^2)$, donde $\kappa$ es la rigidez de una coordenada de reacción funcional y $L$ es su excursión fisiológicamente relevante.

1. Descomposición de modos: En lugar de tratar a una máquina como una entidad única con un solo $\gamma$, los autores modelan las máquinas biológicas como un Hamiltoniano armónico acoplado con $N$ grados de libertad. Al diagonalizar la matriz Hessiana, resuelven el sistema en un espectro de modos colectivos $\{Q_\alpha\}$, cada uno con una rigidez propia $\kappa_\alpha$ y una plasticidad correspondiente $\gamma_\alpha$.
2. Partición espectral: El espectro $\{\gamma_\alpha\}$ se particiona en tres regímenes distintos:
   • Modos estructurales ($\gamma \ll 1$): Profundamente anclados, portando información persistente.
   • Modos funcionales ($\gamma \sim 0.1\text{--}1$): Coordenadas blandas utilizadas para actualizaciones y trabajo mecánico.
   • Modos térmicos ($\gamma \gtrsim 1$): Totalmente termalizados, indistinguibles del solvente circundante.
3. Derivación de métricas: A partir del Hamiltoniano descompuesto por modos, los autores derivan:
   • Capacidad de información ($U_{max}$): Calculada como la suma de las capacidades de Shannon-Hartley de canales gaussianos independientes para cada modo funcional.
   • Energía de actualización ($E_{up}$): Derivada como una forma cuadrática del acoplamiento de entrada, mostrando que los modos blandos absorben más energía por unidad de entrada.
   • Carga de retención ($R$): Un índice adimensional definido como $R \equiv P_{maint} \tau_{ret} / (u_{write} k_B T)$. Mide la disipación de mantenimiento excesiva pagada por bit retenido en relación con el límite de Landauer, distinguiendo entre sustratos pasivos ($R \sim 1$) y sustratos activos y reescribibles ($R \gg 1$).

Resultados clave y aplicaciones
El marco se aplica a cuatro sistemas biológicos, demostrando su capacidad para recuperar mediciones conocidas sin parámetros ajustables y resolver inconsistencias previas:

• Ribosoma (Rendimiento/Throughput): El marco identifica dos modos distintos: un modo estructural rígido ($\gamma_S \approx 0.02$) que controla los umbrales de error estructural y un modo de translocación más blando ($\gamma_T \approx 0.15$) que controla el trabajo mecánico. Esto resuelve la inconsistencia de los modelos de un solo parámetro. El análisis muestra que el ribosoma está optimizado para la velocidad, disipando la mayor parte de la energía en impulsar el ciclo de manera irreversible en lugar de en el proofreading.
• Na+/K+-ATPasa (Transporte): Este sistema está dominado por una única coordenada colectiva ($\gamma \approx 0.1$), lo que valida la aproximación de un solo parámetro en este caso específico. La eficiencia termodinámica calculada es de $\sim 75\%$, consistente con las mediciones directas.
• Sinapsis Hipocampal (Memoria): Este sistema requiere una arquitectura de dos modos: una coordenada de adaptación blanda ($Q_A$, $\gamma_A \sim 1$) para la escritura y una coordenada de retención rígida ($Q_R$, $\gamma_R \sim 0.01$) para el almacenamiento. El marco reduce con éxito las leyes de escala biofísicas de Malkin et al. ($\sigma^{-2} \propto E^5$) y reproduce los datos de eficiencia versus conductancia de Harris et al. (vía el mapeo de Stone) sin parámetros ajustables. Calcula una carga de retención de $R \sim 10^4 k_B T/\text{bit}$, resaltando el alto costo termodinámico de la reescribibilidad.
• ADN (Memoria Pasiva): Como sustrato pasivo, el ADN tiene una carga de retención de $R \sim 10 k_B T/\text{bit}$, cercana al límite de Landauer. La brecha de eficiencia entre el ADN y las sinapsis ($\sim 10^3\text{--}10^4$) se identifica como el precio termodinámico del mantenimiento activo y la reescribibilidad.

Significancia y Reivindicaciones
El artículo afirma proporcionar una parametrización que sitúa programas de investigación previamente separados (traducción, transporte, plasticidad sináptica, mantenimiento genómico) en un solo eje. Las contribuciones específicas son:

1. Eje unificador: La introducción de la plasticidad mecánica $\gamma$ como un parámetro unificador medible y transversal entre máquinas.
2. Arquitectura descompuesta por modos: La demostración de que las máquinas que requieren tanto escritura como retención requieren fundamentalmente una arquitectura de dos modos (almacenamiento rígido, actualización blanda) acoplados por un coeficiente de transferencia $\zeta$. Esto resuelve la confusión entre los grados de libertad estructurales y funcionales encontrada en los análisis de un solo parámetro.
3. Carga de retención ($R$): La definición de un índice normalizado por Landauer que cuantifica el costo del almacenamiento activo, permitiendo la comparación de diversos sustratos de memoria.
4. Derivación desde primeros principios: La derivación de la capacidad ($U_{max}$) y la energía de actualización ($E_{up}$) directamente de un Hamiltoniano armónico acoplado, en lugar de tratar estos como entradas fenomenológicas.
5. Reconciliación de leyes empíricas: El marco contiene los resultados de Malkin, Stone y Harris como casos especiales, derivando sus exponentes de escala a partir de la estructura de modos subyacente y los pares de costos biofísicos.

Los autores declaran explícitamente que no extienden el límite de Landauer, no derivan un nuevo teorema de fluctuación, ni construyen un mapa formal de corrección de errores cuánticos (QEC) clásicos. En su lugar, ofrecen una parametrización mecánica que contiene contenido explícito y falsable sobre la rigidez mecánica de los sustratos de memoria biológica y reduce a resultados establecidos en límites conocidos.

Predicciones Empíricas
El marco genera cinco predicciones específicas y falsables:

1. Relación de rigidez: Para las máquinas de memoria de dos modos, la relación entre la rigidez de retención y la de adaptación ($\kappa_R/\kappa_A$) está determinada por la relación logarítmica de sus escalas temporales. Para las sinapsis, esto predice $\kappa_R/\kappa_A \approx 1.5$.
2. Coeficiente de transferencia: La inhibición aguda de la dinámica de la actina (por ejemplo, mediante la cofilina) debería degradar la eficiencia de escritura (inducción de $LTP$) pero dejar intacta la retención de las sinapsis consolidadas, mientras que el knockdown de PSD-95 debería reducir la capacidad pero dejar intacta la energía de actualización.
3. Ley de escala: La carga de retención $R$ debería escalar linealmente con la tasa de escritura ($k_{write}$) a través de diferentes sustratos de memoria (sinapsis, metilación del ADN, memoria inmunológica).
4. Exponente de eficiencia: El exponente $\alpha$ en las curvas de eficiencia versus conductancia no es universal (a diferencia del $\alpha=5/2$ de Stone para sinapsis) sino que depende de la estructura de modos específica y el emparejamiento de costos del sistema de memoria.
5. Ganancia de información: La evolución debería favorecer el aumento del número de modos funcionales ($|F|$) sobre la amplitud de la señal para maximizar la ganancia de información por unidad de energía, prediciendo una correlación entre la diversidad de las subunidades del andamio (scaffold) y el contenido de información por evento.