Metabiología:

los orígenes de la
creatividad biológica
Gregory Chaitin, Virginia Chaitin y Felipe S. Abrahão

Publicado en

Enero 2014
74 INVESTIGACIÓN Y CIENCIA, enero 2014
Metabiología:
C OMPLE JIDA D

los orígenes
creatividad
de la
biológica

Un modelo matemático
sencillo en el que resulta
posible demostrar los principios
que rigen la teoría darwinista
de la evolución
Gregory Chaitin, Virginia Chaitin
y Felipe S. Abrahão

Enero 2014, InvestigacionyCiencia.es 75

 Gregory Chaitin es matemático y teórico de la computación de la
Universidad Federal de Río de Janeiro (UFRJ). Ha destacado por sus
contribuciones pioneras a la teoría algorítmica de la información y es el
creador del programa de investigación en metabiología.
Virginia M. F. G. Chaitin es especialista en epistemología interdisciplinar.

Felipe S. Abrahão es estudiante de doctorado de la UFRJ.

Trabaja en el campo de la lógica matemática y en metabiología.

Las matemáticas desempeñan un papel

clave en física, pero no en biología.
Si podemos entender el comportamiento durante la explosión cámbrica, analiza- lar, veremos que nos permite analizar de
de las partículas subatómicas, el origen y da por Stephen Meyer en su reciente y dónde proceden los nuevos genes, algo
la evolución del universo o la compleji- provocativo libro Darwin’s doubt («La imposible de hacer con otros modelos de
duda de Darwin»). la evolución. La genética de poblaciones,
a la aplicación de principios y herramien- La idea principal puede resumirse por ejemplo, se limita a estudiar los cam-
tas matemáticas. En biología, en cambio, como sigue. Todos hemos oído alguna bios en la frecuencia con que aparecen los
no sucede lo mismo. Aunque es cierto que vez que el código genético es el progra- genes ya existentes, pero no nos dice nada
las matemáticas están ayudando a descri- ma informático de la vida. Craig Venter sobre su origen.
bir ciertos fenómenos (sobre todo aque- Tal vez nuestra idea recuerde a la línea
llos relacionados con los sistemas com- de vista en su último libro, Life at the de investigación llamada programación
plejos, como las interacciones en redes speed of light: From the double helix to genética [véase «Invención por evolu-
ecológicas o la propagación de enferme- the dawn of digital life («La vida a la ve- ción», por J. R. Koza, M. A. Keane y M.
dades, entre otros), estas no se encuen- locidad de la luz: De la doble hélice a los J. Streeter; , abril
tran entre los fundamentos de las prin- albores de la vida digital»), en el que tam- de 2003]. Sin embargo, el objetivo de esta
cipales teorías biológicas. bién aborda la biología digital y la vida última consiste en generar programas in-
A continuación presentaremos una lí- sintética. Así pues, en lugar de estudiar formáticos que converjan hacia soluciones
nea de investigación incipiente, iniciada mutaciones aleatorias de ADN, conside- prácticas de problemas de ingeniería, no
hace unos cinco años, que persigue abor- raremos mutaciones aleatorias de progra- en demostrar que la evolución es eterna.
dar desde un punto de vista matemático mas informáticos.
uno de los pilares de la biología: la teoría La teoría de la evolución de Darwin ha PROGRAMACIÓN
de la evolución de Darwin. ¿Pueden las SIN PROGRAMADOR

páginas anteriores: © fotolia/beau belle, modificado por investigación y ciencia; rubén soifer (autores)
matemáticas explicar la enorme plastici- sin diseñador». Aquí exploraremos la no- Comencemos por recordar los principios
dad de la biosfera? ción de «programación sin programador». de la teoría darwinista de la evolución, el
Nuestra propuesta se basa en la idea Como veremos, este marco permite formu- «diseño sin diseñador». Según esta, las
de considerar el ADN como un programa lar un modelo evolutivo lo bastante simple mutaciones aleatorias de ADN generan
informático, una analogía concebida en como para demostrar que los principios nuevos organismos; después, la selección
1948 por el matemático John von Neu- que rigen la teoría de Darwin funcionan;
mann y publicada en 1951, antes de que es decir, que las mutaciones aleatorias ge- La creatividad procede de las mutaciones.
James Watson y Francis Crick descubrie- neran organismos cada vez más aptos, en El entorno escoge los mejores diseños y
sen la estructura de la molécula de ADN. elimina los peores.
En particular, nuestro modelo persigue Cabe esperar que nuestro modelo re- Nuestro modelo constituye una ver-
entender la creatividad biológica: fenó- produzca las propiedades matemáticas de sión muy simplificada de la teoría de
menos como la formidable aparición de algunos de los mecanismos fundamenta- Darwin. En él, el papel del ADN lo de-
nuevas formas de vida que tuvo lugar les de la evolución biológica. En particu- sempeñan programas informáticos,

EN SÍNTESIS

Un nuevo programa de investigación, La idea básica consiste en estudiar En cierto modelo simple, la acumu- Las investigaciones futuras deberán
la metabiología, aspira a sentar las mutaciones aleatorias de programas lación de mutaciones aleatorias ope- determinar hasta qué punto tales re-
bases matemáticas de la teoría de la informáticos, el equivalente compu- ra casi tan rápido como el «diseño sultados son relevantes para la verda-
evolución de darwin. tacional del código genético. inteligente». dera evolución biológica.

76 INVESTIGACIÓN Y CIENCIA, enero 2014

mientras que el efecto del entorno queda directa que permite modelizar la llegada -
modelizado por una función de aptitud. de información desde el exterior y simular mas autodelimitantes. Ello quiere decir
En particular, nuestros «organismos» el efecto del entorno. que, al leer un programa bit a bit, debe-
son programas cuya misión consistirá en Para acabar de especificar nuestro remos ser capaces de decir cuándo termi-
calcular un número entero lo más grande - na. De esta manera, ninguna extensión
posible. Este problema se conoce en teoría mos por una mutación y establecer un de un programa válido será un programa
de la computación como «problema del método para seleccionarlas al azar. En válido. Si no imponemos esta condición,
castor afanoso» (busy beaver, en inglés). otras palabras, hemos de determinar la al calcular la probabilidad total de todos
La razón para elegirlo se debe a que, a pe- probabilidad de cada mutación. los programas posibles obtendríamos un
sar de su simplicidad, resolverlo requiere -
- posee una capacidad creadora ilimita- do entre 0 y 1, como debe satisfacer toda
temática, ya que solo mediante un proce- da, necesitaremos emplear mutaciones probabilidad).
so creativo pueden inventarse funciones de tipo algorítmico. Una mutación al-
como la exponencial o la hiperexponen- gorítmica no es más que una función, APTITUD Y CREATIVIDAD
cial, las cuales permiten generar números un programa informático M que recibe Ya sabemos cómo funciona nuestro mo-
cada vez mayores. como entrada un organismo inicial A y delo. Sabemos en qué consisten nuestros
En esencia, nuestro modelo reproduce que, como salida, produce un organismo organismos, cómo seleccionar mutaciones
un camino aleatorio en el espacio de pro- mutado, A' = M(A).
gramas. Partimos de un organismo simple Una manera muy natural de seleccio- organismos más aptos y qué modelo evo-
(por ejemplo, el que calcula el número 1) y nar programas al azar consiste en elegir lutivo de camino aleatorio resulta de todo
lo sometemos a una mutación aleatoria. Si cada uno de sus bits lanzando una mone- ello. Ahora la pregunta clave es: ¿cuán rá-
como resultado obtenemos un programa da al aire. Ello nos permite asignar una pido procede la evolución en este modelo?
capaz de calcular un número mayor, en- probabilidad a cada mutación: si esta ¿Cuál es su grado de creatividad? ¿Qué
tonces este último reemplazará al prime- puede escribirse como un programa de clase de organismos surgirán de manera
ro. En caso contrario, el programa inicial N bits, la probabilidad de seleccionarla al espontánea?
permanecerá inalterado y se lo someterá azar será 1/2N. Esta técnica es bien cono- Antes de responder a esa pregunta de-
a una nueva mutación. Nótese que en cida y viene empleándose en teoría de la beremos hacer un inciso para hablar de un
nuestro modelo solo hay un organismo computación desde los años setenta del número sorprendente: el número . Tam-
en cada instante, no una población. Y que pasado siglo. Además, presenta la venta- bién llamado probabilidad de detención,
este solo posee material hereditario, pero ja de que las probabilidades resultantes -
carece de cuerpo y de metabolismo. no dependen demasiado del lenguaje de lidades individuales de cada uno de los
La nueva información llega desde el programación escogido para describir las programas informáticos que se detienen.
exterior por medio del criterio de aptitud. mutaciones. El conjunto formado por estos programas
De hecho, para determinar si un nuevo Tan solo nos falta establecer un último -
programa es más apto o no que el an- requisito técnico: nuestras mutaciones ramos programas autodelimitantes, puede
terior, nos veremos obligados a emplear
un «oráculo de Turing». Ello se debe a P R O G R A M A S Y P R O B A B I L I DA D E S
que una mutación aleatoria siempre po-
drá generar un programa cuya ejecución
nunca se detiene (por ejemplo, porque
¿Qué es un programa
tal y como demostró Alan Turing en el
autodelimitante?
año 1936, no existe ningún algoritmo que, En el modelo evolutivo considerado aquí, las mutaciones quedan representadas por
de manera general, sea capaz de decidir programas informáticos escogidos de manera aleatoria. Dichos programas deben
si un programa dado acabará detenién- satisfacer un importante requisito técnico: han de ser autodelimitantes; es decir, al
dose o no. leerlos bit a bit, deberemos poder decir cuándo terminan. Por ejemplo:
De modo que necesitaremos un orácu-
programa principal;
lo, una idea concebida por Turing en 1939
subrutina A;
ejecutar bucle;
y que hace referencia a un dispositivo no
terminar ejecutar bucle;
algorítmico, una especie de «caja negra»
terminar subrutina A;
capaz de determinar si un programa dado
subrutina B;
se detendrá [véase «Un Alan Turing des-
terminar subrutina B;
conocido», por B. Jack Copeland y Diane
terminar programa principal;
Proudfoot; , junio
de 1999]. El aspecto clave reside en que, de esta manera, ninguna extensión de un pro-
El hecho de que nuestro modelo nece- grama válido proporciona un programa válido. En caso contrario, la probabilidad
site un oráculo de Turing no quiere decir
que estemos postulando que tales dispo- -
sitivos no algorítmicos realmente existan das. Si los bits de un programa se determinan al azar, la probabilidad de obtener un
en la naturaleza. Simplemente, se trata de programa de N bits será 1/2 N .
la herramienta matemática más sencilla y

Enero 2014, InvestigacionyCiencia.es 77

 I D E A P R I N C I PA L

Las matemáticas de la evolución

¿Puede fundamentarse la teoría de la evolución de Darwin desde un punto de vista matemático? Un modelo sencillo,
basado en interpretar el código genético como un programa informático, ha permitido obtener resultados positivos
en esta dirección.

Diseño sin diseñador

Selección natural
l

ial o or o

Creatividad biológica

Programación sin programador

Criterio de aptitud
A = ...0 101 0 1 1 1 0 1 1 ... A' = ...01 1 1 0100 010 ... Se eli l
P ial a

N+N N×N NN N!N! ···

Creatividad matemática

Oráculos de Turing
A'
¿Qué es una mutación? A
M

M
A' = M (A
de M

Tasa evolutiva

Búsqueda exhaustiva Diseño inteligente Evolución darwinista acumulativa

2 N mutaciones N mutaciones N 2 y N 3 mutaciones

78 INVESTIGACIÓN Y CIENCIA, enero 2014

 demostrarse que dicha suma se encuentra ello habría que seleccionar en cada paso
- la mejor de todas las mutaciones posibles.
mero comprendido entre 0 y 1. Sin embargo, en la teoría de Darwin las
El aspecto más interesante de reside mutaciones no se escogen de manera in-
en que no es computable. Lo máximo a lo teligente, sino al azar.
que podemos aspirar es a calcular unos Lo más sorprendente de este modelo es
pocos bits de su representación binaria. que las mutaciones aleatorias hacen evolu-
Ello se debe a que, si supiésemos cómo cionar a nuestros organismos a un ritmo
calcular los primeros N bits de para un no mucho menor que el diseño inteligen-
número N cualquiera, podríamos hallar te. En este último, bastan N pasos para mos de una cota infe-
una manera de resolver el problema de la determinar los primeros N bits de . Las rior de , intentarán
detención para todos los programas de N mutaciones aleatorias, por su parte, logran primero incrementar el
bits o menos, el cual Turing demostró que el mismo objetivo tras un número medio bit K-ésimo de dicha cota; después, com-
carece de solución general. Lo que sí pode- de pasos comprendido entre N 2 y N 3. probarán si el resultado continúa sien-
mos hacer es calcular cotas inferiores de Compárese este resultado con lo que do o no una cota inferior de (si no lo
cada vez mejores, pero sin llegar nunca supondría intentar determinar los pri- es, puede demostrarse que el programa
a saber cuán cerca nos hallamos del valor meros N bits de mediante un proceso mutado nunca se detiene). Si repetimos
correcto. [Para un análisis más detallado de búsqueda exhaustiva, o «ciega». Esta este proceso de manera sistemática para
del número , véase «Los límites de la ra- requeriría explorar 2N posibilidades y, por K = 1, 2, ..., N, al concluir habremos de-
zón», por Gregory Chaitin; tanto, necesitaría una cantidad de tiempo terminado de manera correcta los pri-
, mayo de 2006]. muchísimo mayor. Sabemos que la evolu- meros N bits de .
¿Por qué hablar de ? Porque nuestro ción biológica no funciona así en absoluto. En caso de ejecutar mutaciones aleato-
modelo evolutivo es tal que, con una rapi- El genoma humano contiene unas 3 · 109 rias, bastarán unos N 3 intentos para repro-
dez razonable, generará buenas cotas in- bases. Sin embargo, en los 4 · 109 años que ducir, por pura suerte, la misma secuencia
feriores de la probabilidad de detención. lleva la vida sobre la Tierra, la evolución de mutaciones del diseño inteligente. An-
La razón para ello es que los primeros solo ha podido explorar una fracción insig- tes o después, cualquier secuencia apare-
N bits del valor numérico de forman, en 3·109 secuencias posibles. ce como una subsecuencia de una serie
esencia, el programa de N bits más apto; ¿Cómo es posible que las mutaciones aleatoria. Puede verse que la probabilidad
es decir, aquel capaz de calcular el mayor aleatorias logren un resultado tan bue- de que una mutación escogida al azar in-
número entero. no? La clave reside en que las mutaciones cremente el bit K-ésimo de es aproxima-
Esa correspondencia surge porque co- damente igual a 1/K. Por tanto, aparecerá
nocer los primeros N bits de práctica- y, por tanto, cuentan con una alta pro- en promedio una vez por cada K intentos.
mente equivale a conocer la «función del babilidad de aparecer en una secuencia Para obtener la secuencia correcta de mu-
castor afanoso», BB(N aleatoria. taciones deberemos tomar la suma desde
como el mayor número entero que puede Las mutaciones del diseño inteligente K = 1 hasta K = N. Cuando N es elevado, el
calcular un programa de N bits o menos. operan de la siguiente manera. Si parti- valor de dicha suma se aproxima a N 2/2.
Recordemos que conocer los primeros
N bits de permite resolver el problema
EL NÚMERO OME GA
de la detención para programas de hasta
N bits. Por tanto, si conocemos los prime-
ros N bits de - Creatividad matemática
dos aquellos programas de N bits o menos
que se detienen y comprobar cuál de ellos concentrada
calcula el mayor número entero. El número puede entenderse como la probabilidad de que un programa escogido
En sentido inverso, puede demostrarse
que, si conocemos BB(N), también sabre- cada uno de los programas que lo hacen:
mos el número correcto de pasos que ten-
dríamos que dar para calcular una cota = 2
–(número de bits de P)

inferior de y asegurarnos de que los programas autodelimitantes P

que se detienen
primeros N bits son correctos.
Así pues, con la ayuda de un oráculo Los programas P considerados deben ser, además, autocontenidos (es decir, no
de Turing, nuestro modelo evolutivo cal- aceptan entradas).
culará cada vez más bits de la expresión es
numérica de . En otras palabras: extrae- incomputable. Puede demostrarse que conocer los primeros N bits de su expresión
rá información del entorno con rapidez. binaria equivaldría a resolver el problema de la detención para todos los programas
Pero ¿a qué velocidad? de N bits o menos. En 1936, Alan Turing demostró que dicho problema carece de
solución general.
DISEÑO INTELIGENTE En el modelo considerado en este artículo, los «organismos» son programas que
© fotolia/beau belle

Y EVOLUCIÓN DARWINISTA
, una tarea
aquella que, tras cada nueva mutación, lo-
gra determinar un bit adicional de . Para

Enero 2014, InvestigacionyCiencia.es 79

 E XT E N S I O N E S

Efectos cuánticos en la evolución biológica

¿

La evolución biológica se nos hace visible a escala humana o bilidades asociadas a todos los procesos posibles es siempre 1). Por
último, la «función de aptitud» que determina si un organismo evo-
clásica. Sin embargo, sabemos que los cambios evolutivos tienen su
cuántica. Todo lo anterior exige introducir una versión cuántica del
moleculares típicas de la mecánica cuántica. Así pues, resulta natu- número
ral preguntarse si los efectos cuánticos desempeñan algún papel en
Dicho trabajo demostró que el ritmo al que procede la evolución
Schrödinger en 1944, antes incluso de que se descubriese la estruc- en un contexto cuántico depende del grado de entrelazamiento de
tura de doble hélice del ADN. En su obra ¿Qué es la vida?, el físico
austríaco planteaba la posibilidad de que las mutaciones se debie- presentan ningún entrelazamiento (son «separables»), se recuperan
los resultados del modelo clásico. Sin embargo, cuando la informa-
¿Qué resulta más favorable, la evolución biológica en un mundo ción genética se almacena en estados cuánticos entrelazados, sur-
clásico o en un mundo cuántico? Esta pregunta guarda relación gen nuevas posibilidades.
con dos cuestiones fundamentales. Por un lado, sabemos que la Si el grado de entrelazamiento es máximo, un escenario con
evolución acumulativa implica que la evolución clásica resulta más
clásico; pero ¿es posible que, con anterioridad a dicha «era clásica»,
tuviese lugar una época en que la evolución estuviese dominada

otros grados de entrelazamiento permiten que la evolución cuántica

diferentes. prime sobre la clásica.
- Esta línea de trabajo abre las puertas al estudio de otros aspectos.
Por ejemplo, una pregunta de gran interés concierne al efecto de la
decoherencia sobre el material genético (la pérdida de las correla-
, se logró construir una formulación cuántica de ciones cuánticas inducida por un entorno macroscópico), que hasta
ahora ha sido ignorado.
En la extensión cuántica, los programas informáticos que represen- -
brir caminos evolutivos más complejos que los analizados hasta el
- momento. Ello tal vez nos permita entender mejor la manera en que
posiciones cuánticas de los estados clásicos correspondientes a cero
- devenir a lo largo de la historia.
das por análogos cuánticos. Estos transforman el registro genético
- Miguel Ángel Martín-Delgado
mente son unitarios (es decir, garantizan que la suma de las proba-

Un análisis más detallado muestra que no de Turing, bien conocido en teoría de la queda por ver su relevancia y su grado
siempre bastarán N 2/2 mutaciones; sin computación por ser irresoluble. de aplicabilidad a la verdadera evolución
embargo, N 3 El modelo que hemos esbozado aquí biológica.
Así pues, y a pesar de su enorme fue concebido para demostrar algunos En última instancia, nuestra meta es
simplicidad, nuestro modelo exhibe un teoremas relacionados con la evolución en
comportamiento darwinista, en el que biología. No sin cierto optimismo, hemos biología teórica. Si esta tarea puede llevar-
la paciencia y el azar reemplazan a la decidido bautizar esta línea de investiga- se a término, habremos demostrado que,
inteligencia. ción como metabiología. Los primeros pa- tal y como argumenta Venter, el ADN es
Este parece ser el primer modelo mate- sos se antojan esperanzadores, pero aún el programa informático de la vida.
mático en el que resulta posible demostrar
que la evolución continúa para siempre
sin estancarse jamás. Ello se debe a que PARA SABER MÁS

se trata de un modelo con un grado de Meta math! The quest for Omega. gregory chaitin. pantheon, nueva York, 2005.
gregory chaitin.
editorial midas, Valparaíso, 2011.
los físicos llamarían un «modelo de ju-
Life as evolving software. gregory chaitin en a computable universe: Understanding and exploring nature as
guete») y a que hemos obligado a nues- computation
tros organismos a resolver una tarea de miguel ángel martín-delgado en
n.o 2, artículo 302, 12 de marzo de 2012.
castor afanoso. En esencia, este equivale gregory chaitin. tusquets, barcelona, 2013.
a resolver el problema de la detención

80 INVESTIGACIÓN Y CIENCIA, enero 2014