Simulating is not always understanding: When model complexity obscures biology

Immagina di cercare di capire come funziona un'auto. Potresti smontare il motore, disporre ogni singolo bullone, pistone e candela su un tavolo e poi rimontarlo tutto. Se l'auto si avvia, hai simulato con successo il motore. Ma hai capito davvero perché funziona? Forse sei stato solo fortunato con l'ordine in cui hai rimesso i pezzi. O forse avresti potuto costruire un motore funzionante con la metà dei componenti, ma non lo sapevi perché eri troppo impegnato a contare i bulloni. Questo è il dilemma che affronta la moderna biologia cellulare. Gli scienziati stanno costruendo modelli informatici incredibilmente dettagliati delle cellule — gemelli digitali che tracciano migliaia di molecole, geni e reazioni chimiche. Questi modelli sono come enormi videogiochi ad alta definizione della vita. Ma cresce la preoccupazione: solo perché una simulazione al computer può imitare il comportamento di una cellula perfettamente, significa che comprendiamo davvero le regole del gioco? Il saggio che stai per leggere affronta questa domanda, sostenendo che a volte, aggiungere dettagli rende il mistero più difficile da risolvere, non più facile.

Gli autori di questo saggio, un team di biologi e filosofi della scienza, stanno suonando un allarme riguardo alla "complessità del modello". Sostengono che nella fretta di costruire le simulazioni più dettagliate e "cellulari" possibili, gli scienziati potrebbero perdere la capacità di spiegare perché accadono le cose. Pensa a un modello come a una ricetta. Una ricetta semplice con tre ingredienti potrebbe dirti esattamente perché una torta lievita (il bicarbonato che reagisce con l'aceto). Ma se scrivi una ricetta con 5.000 ingredienti, inclusi "un pizzico di polvere di stelle" e "tre gocce di rugiada mattutina", e la torta lievita comunque, non hai imparato nulla di nuovo. Non puoi dire quali tra i 5.000 ingredienti abbiano effettivamente contato. Il saggio suggerisce che la vera comprensione non deriva dall'accumulare più dati; deriva dall'avere un modello in cui le "manopole" (i numeri che puoi regolare) sono strettamente controllate da esperimenti del mondo reale, in modo da poter vedere esattamente quali manopole fanno funzionare la macchina.

La trappola della simulazione "perfetta"

Il saggio inizia evidenziando una trappola comune: La simulazione non è la stessa cosa della comprensione. Immagina di cercare di indovinare la combinazione di una cassaforte. Se hai un robot che prova ogni singola combinazione da 0000 a 9999, prima o poi aprirà la cassaforte. Il robot ha "simulato" l'apertura della cassaforte. Ma il robot non conosce la combinazione; sa solo che uno di quei numeri ha funzionato. Nella biologia cellulare, un modello complesso potrebbe "adattarsi" perfettamente ai dati, il che significa che riproduce ciò che gli scienziati vedono in laboratorio. Ma se il modello ha troppi numeri liberi (parametri) che possono essere regolati per farlo funzionare, è come il robot che prova tutte le combinazioni. Dimostra che il modello può funzionare, ma non prova che il modello sia la spiegazione corretta.

Gli autori sostengono che, affinché un modello ci insegni qualcosa, deve fare di più che limitarsi a copiare ciò che già sappiamo. Deve:

1. Fare una nuova previsione che non abbiamo ancora visto.
2. Rivelare una connessione sorprendente tra due cose che credevamo non correlate.
3. Fallire in un modo specifico quando si cambia una parte, mostrandoci che quella parte era essenziale.

Se un modello è così complesso da poter essere regolato per adattarsi a quasi tutto, fallisce in tutti e tre i punti. Diventa una "scatola nera" che fornisce la risposta giusta per i motivi sbagliati.

Il problema della "scioltezza" (Sloppiness)

È qui che il saggio diventa davvero interessante con un concetto chiamato scioltezza dei parametri (parameter sloppiness). Immagina di sintonizzare una radio. Se hai una radio semplice con una sola manopola per il volume, è facile trovare la giusta impostazione. Ma immagina una radio con 1.000 manopole, e che puoi girare tutte a diverse impostazioni per ottenere la stessa canzone chiara. Questa è la "scioltezza". In questi complessi modelli biologici, gli scienziati scoprono spesso che possono cambiare decine di numeri in modo enorme, e il modello produce comunque lo stesso identico risultato.

Il saggio spiega che questo è in realtà un'arma a doppio taglio.

• La buona notizia: Il modello è ottimo nel predire. Poiché il risultato non cambia molto quando si modificano i numeri, il modello è robusto. Probabilmente ti darà la risposta corretta anche se non conosci il valore esatto di ogni singola parte.
• La cattiva notizia: Il modello è terribile nello spiegare. Se puoi cambiare 100 numeri e ottenere lo stesso risultato, non hai idea di quale di quei 100 numeri stia effettivamente facendo il lavoro. Non puoi dire: "Ah, questa specifica proteina è la causa!", perché il modello dice: "In realtà, potrebbe essere uno di questi 50 proteine, o un mix di esse".

Gli autori usano un esempio vivido di un modello del ciclo cellulare (il processo attraverso il quale una cellula si divide). Hanno confrontato un modello "dettagliato" con 13 numeri regolabili con un modello "minimo" con solo 3. Entrambi i modelli potevano far dividere la cellula nel tempo corretto. Tuttavia, quando hanno testato quanto i numeri potessero oscillare:

• Il modello dettagliato era "sciolto". Poteva funzionare con circa l'85% di tutte le possibili combinazioni di numeri. Era impossibile dire quali numeri fossero quelli "reali".
• Il modello minimo era "stretto". Funzionava solo con circa il 2% delle combinazioni. Poiché era così vincolato, gli scienziati potevano effettivamente imparare qualcosa sul sistema.

Il saggio sostiene che aggiungere più dettaglio biologico (più proteine, più reazioni) senza aggiungere più dati sperimentali per fissare quei numeri, rende solo il modello più "sciolto". È come cercare di risolvere un puzzle con un milione di pezzi, ma avendo solo l'immagine sulla scatola per guidarti. Potresti incastrare i pezzi, ma non saprai se lo hai fatto nel modo giusto.

La soluzione: Costruire una scala, non un muro

Quindi, cosa dovrebbero fare gli screnti? Il saggio suggerisce di smettere di considerare la costruzione del modello più grande e complesso possibile come l'obiettivo finale. Inveve, dovremmo trattare i modelli complessi come un punto di partenza per un viaggio di scoperta.

Gli autori propongono due strategie principali per trasformare una "simulazione" in "comprensione":

1. Costruire Gerarchie di Modelli (La Scala): Invece di iniziare con un modello massiccio, gli scienziati dovrebbero costruire una scala di modelli. Inizia con la versione più semplice che può svolgere il compito. Poi, aggiungi complessità passo dopo passo. Ad ogni passaggio, chiediti: "Abbiamo avuto bisogno di aggiungere questa nuova parte per farlo funzionare?". Se il modello semplice funziona altrettanto bene, la parte complessa non era necessaria per quel comportamento specifico. Questo aiuta a eliminare i dettagli "irrilevanti" e a trovare le regole fondamentali. Il saggio sottolinea che in alcuni settori, come la modellazione di come le cellule si attaccano nei tessuti, gli scienziati hanno già fatto questo. Usano modelli semplici con poche regole per spiegare comportamenti complessi come il modo in cui i tessuti scorrono o si bloccano, e poiché le regole sono semplici, possono esplorare ogni possibilità e comprendere davvero la meccanica.

2. Fare l'Analisi Dinamica (La Mappa): Gli scienziati devono smettere di limitarsi a eseguire la simulazione una volta sola per vedere se sembra corretta. Devono mappare il "diagramma di fase". Immagina una mappa che mostra tutti i diversi stati in cui un sistema può trovarsi. Cambiando sistematicamente i numeri nel modello e osservando come cambia il comportamento, gli screnti possono trovare i "punti di svolta" (biforcazioni). Questo dice loro cosa controlla il sistema e cosa succede se lo si spinge troppo. Il saggio nota che, sebbene questo sia comune nei modelli semplici, è raramente fatto nei massicci modelli "whole-cell" perché sono troppo costosi dal punto di vista computazionale per essere eseguiti migliaia di volte. Ma senza questa mappa, il modello è solo una dimostrazione, non una spiegazione.

Il colpo di scena del Machine Learning

Il saggio tocca anche l'ascesa del Machine Learning (IA) nella biologia. I modelli di IA stanno diventando molto bravi a predire cosa farà una cellula basandosi su enormi quantità di dati. Ma gli autori avvertono che anche questi modelli di IA affrontano lo stesso problema. Sono spesso "interpolatori sofisticati": sono molto bravi a indovinare la risposta basandosi su schemi nei dati, ma non sanno necessariamente perché la risposta è quella che è.

Gli autori suggeriscono che se l'IA può costruire modelli rapidamente ed economicamente, la vera sfida si sposta dalla costruzione del modello all'analisi dello stesso. Solo perché un computer può generare un modello che si adatta ai dati, non significa che il modello sia utile. Dobbiamo ancora fare il duro lavoro di verificare se le "manopole" del modello sono vincolate e se possiamo spiegare le relazioni di causa ed effetto.

La conclusione

Il saggio conclude con un appello a cambiare l'"ethos" della modellazione biologica. Non dovremmo mirare a includere ogni singola molecola in una cella solo per poter dire che l'abbiamo fatto. Invece, dovremmo mirare alla comprensione.

• La complessità non è l'obiettivo: Un modello con milioni di parti non è automaticamente migliore di uno con poche parti.
• I vincoli sono la chiave: Un modello è utile solo se i numeri al suo interno sono fissati da esperimenti reali.
• La semplicità rivela la verità: A volte, il modo migliore per capire un sistema complesso è trovare la versione più semplice che funzioni ancora, e poi vedere cosa succede aggiungendo le cose.

Gli autori non dicono che i grandi modelli siano inutili. Dicono che costruire una simulazione "whole-cell" è solo il primo passo, come raccogliere tutti gli ingredienti per una torta. Il vero lavoro — la parte che conferisce la comprensione — avviene quando cuociamo la torta, la assaggiamo e capiamo esattamente quale ingrediente l'ha fatta lievitare. Finché non faremo quell'analisi, potremmo solo simulare la cellula senza sapere davvero come funziona.