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

Resumo Técnico: Plasticidade Mecânica como um Eixo Unificador para a Termodinâmica de Máquinas de Informação Biológica

Declaração do Problema
O processamento de informação biológica ocorre em ambientes onde a energia dos eventos funcionais é comparável ao ruído térmico ($k_B T$). Apesar disso, máquinas como ribossomos, bombas de íons e sinapses alcançam uma função confiável. As análises termodinâmicas atuais desses sistemas estão fragmentadas em programas disjuntos: o proofreading cinético foca na discriminação e taxas de renovação (turnover); a literatura de plasticidade sináptica foca em parâmetros quantais e variância; e os estudos de dissipação estrutural focam em tarefas abstratas versus implementação física. Não há um eixo compartilhado para comparar essas máquinas, tornando impossível distinguir se as diferenças surgem da função ou do substrato. Os modelos existentes dependem frequentemente de fenomenologia de parâmetro único, o que confunde modos estruturais rígidos (que carregam informação persistente) com modos funcionais suaves (que carregam trabalho mecânico), levando a estimativas numéricas internamente inconsistentes.

Metodologia
O artigo propõe um framework unificador baseado em um único parâmetro mecânico, a plasticidade adimensional, definida como $\gamma \equiv k_B T / (\kappa L^2)$, onde $\kappa$ é a rigidez de uma coordenada de reação funcional e $L$ é sua excursão fisiologicamente relevante.

1. Decomposição de Modos: Em vez de tratar uma máquina como uma entidade única com um único $\gamma$, os autores modelam máquinas biológicas como um Hamiltoniano harmônico acoplado com $N$ graus de liberdade. Ao diagonalizar a matriz Hessiana, eles resolvem o sistema em um espectro de modos coletivos $\{Q_\alpha\}$, cada um com uma rigidez própria $\kappa_\alpha$ e uma plasticidade correspondente $\gamma_\alpha$.
2. Particionamento Espectral: O espectro $\{\gamma_\alpha\}$ é particionado em três regimes distintos:
   • Modos estruturais ($\gamma \ll 1$): Profundamente ancorados, carregando informação persistente.
   • Modos funcionais ($\gamma \sim 0.1\text{--}1$): Coordenadas suaves usadas para atualizações e trabalho mecânico.
   • Modos térmicos ($\gamma \gtrsim 1$): Totalmente termalizados, indistinguíveis do solvente de massa (bulk).
3. Derivação de Métricas: A partir deste Hamiltoniano decomposto em modos, os autores derivam:
   • Capacidade de Informação ($U_{max}$): Calculada como a soma das capacidades de Shannon-Hartley de canais Gaussianos independentes para cada modo funcional.
   • Energia de Atualização ($E_{up}$): Derivada como uma forma quadrática do acoplamento de entrada, mostrando que modos suaves absorvem mais energia por unidade de entrada.
   • Carga de Retenção ($R$): Um índice adimensional definido como $R \equiv P_{maint} \tau_{ret} / (u_{write} k_B T)$. Isso mede a dissipação de manutenção excessiva paga por bit retido em relação ao limite de Landauer, distinguindo substratos passivos ($R \sim 1$) de substratos ativos e regraváveis ($R \gg 1$).

Resultos Principais e Aplicações
O framework é aplicado a quatro sistemas biológicos, demonstrando sua capacidade de recuperar medições conhecidas sem parâmetros ajustáveis e resolver inconsistências anteriores:

• Ribossomo (Throughput): O framework identifica dois modos distintos: um modo estrutural rígido ($\gamma_S \approx 0.02$) que controla os pisos de erro estrutural e um modo de translocação mais suave ($\gamma_T \approx 0.15$) que controla o trabalho mecânico. Isso resolve a inconsistência de modelos de parâmetro único. A análise mostra que o ribossomo é otimizado para velocidade, com a maior parte da energia sendo dissipada ao conduzir o ciclo de forma irreversível, em vez de no proofreading.
• Na+/K+-ATPase (Transporte): Este sistema é dominado por uma única coordenada coletiva ($\gamma \approx 0.1$), validando a aproximação de parâmetro único neste caso específico. A eficiência termodinâmica calculada é de $\sim 75\%$, consistente com medições diretas.
• Sinapse Hipocampal (Memória): Este sistema requer uma arquitetia de dois modos: uma coordenada de adaptação suave ($Q_A$, $\gamma_A \sim 1$) para escrita e uma coordenada de retenção rígida ($Q_R$, $\gamma_R \sim 0.01$) para armazenamento. O framework reduz-se com sucesso às leis de escala biofísicas de Malkin et al. ($\sigma^{-2} \propto E^5$) e reproduz os dados de eficiência-versus-condutância de Harris et al. (via mapeamento de Stone) sem parâmetros ajustáveis. Ele calcula uma carga de retenção de $R \sim 10^4 k_B T/\text{bit}$, destacando o alto custo termodinâmico da regravabilidade.
• DNA (Memória Passiva): Como um substrato passivo, o DNA possui uma carga de retenção de $R \sim 10 k_B T/\text{bit}$, próximo ao limite de Landauer. A lacuna de eficiência entre o DNA e as sinapses ($\sim 10^3\text{--}10^4$) é identificada como o preço termodinâmico da manutenção ativa e da regravabilidade.

Significância e Alegações
O artigo afirma fornecer uma parametrização que coloca programas de pesquisa anteriormente separados (tradução, transporte, plasticidade sináptica, manutenção genômica) em um único eixo. As contribuições específicas são:

1. Eixo Unificador: A introdução da plasticidade mecânica $\gamma$ como um parâmetro unificador mensurável e transversal entre máquinas.
2. Arquitetura Decomposta em Modos: A demonstração de que máquinas de memória que exigem tanto escrita quanto retenção requerem fundamentalmente uma arquitetura de dois modos (atualização suave, armazenamento rígido) acoplados por um coeficiente de transferência $\zeta$. Isso resolve a confusão entre graus de liberdade estruturais e funcionais encontrada em análises de parâmetro único.
3. Carga de Retenção ($R$): A definição de um índice normalizado por Landauer que quantifica o custo do armazenamento ativo, permitindo a comparação de diversos substratos de memória.
4. Derivação a partir de Primeiros Princípios: A derivação da capacidade ($U_{max}$) e da energia de atualização ($E_{up}$) diretamente de um Hamiltoniano harmônico acoplado, em vez de tratá-los como entradas fenomenológicas.
5. Reconciliação de Leis Empíricas: O framework contém os resultados de Malkin, Stone e Harris como casos especiais, derivando seus expoentes de escala a partir da estrutura de modos subjacente e dos pareamentos de custos biofísicos.

Os autores afirmam explicitamente que não estendem o limite de Landauer, não derivam um novo teorema de flutuação, nem constroem um mapa formal de correção de erros quânticos (QEC) clássico. Em vez disso, oferecem uma parametrização mecânica que contém conteúdo explícito e falsificável sobre a rigidez mecânica de substratos de memória biológica e reduz-se a resultados estabelecidos em limites conhecidos.

Previsões Empíricas
O framework gera cinco previsões específicas e falsificáveis:

1. Razão de Rigidez: Para máquinas de memória de dois modos, a razão entre a rigidez de retenção e a de adaptação ($\kappa_R/\kappa_A$) é definida pelo log-razão de suas escalas de tempo. Para sinapses, isso prevê $\kappa_R/\kappa_A \approx 1.5$.
2. Coeficiente de Transferência: A inibição aguda da dinâmica da actina (ex: via cofilina) deve degradar a eficiência de escrita (indução de $LTP$), mas manter a retenção das sinapses consolidadas, enquanto o nocaute de PSD-95 deve reduzir a capacidade, mas deixar a energia de atualização intacta.
3. Lei de Escala: A carga de retenção $R$ deve escalar linearmente com a taxa de escrita ($k_{write}$) através de diferentes substratos de memória (sinapses, metilação de DNA, memória imunológica).
4. Expoente de Eficiência: O expoente $\alpha$ nas curvas de eficiência-versus-condutância não é universal (ao contrário do $\alpha=5/2$ de Stone para sinapses), mas depende da estrutura de modo específica e do pareamento de custos do sistema de memória.
5. Ganho de Informação: A evolução deve favorecer o aumento do número de modos funcionais ($|F|$) em vez da amplitude do sinal para maximizar o ganho de informação por unidade de energia, prevendo uma correlação entre a diversidade de subunidades de andaime (scaffold) e o conteúdo de informação por evento.