¿Puede la ciencia de redes transformar la medicina y la nutrición?
· Ciencia
Los científicos aplican los principios de la ciencia de redes a la biología y la nutrición para descubrir cómo afectan a la salud humana 135 000 compuestos alimentarios previamente desconocidos.
Nada en realidad existe de forma aislada. Casi todos los aspectos de nuestra vida forman parte de una red. La consciencia surge de lo que hacen las neuronas juntas; la vida, de lo que hacen los genes y las proteínas juntos; y la sociedad, de lo que hacemos todos juntos. Cuando los investigadores empezaron a mapear redes del mundo real en la década de 1990 —desde la red mundial (World Wide Web) hasta los actores de Hollywood conectados por sus películas—, descubrieron que sistemas tremendamente diferentes compartían características arquitectónicas que sus componentes, por sí solos, no podían explicar. Esto sugería la existencia de principios organizativos comunes sobre cómo se forman y desarrollan las redes.
En este episodio, dos de los pioneros de la ciencia de redes —Albert-László Barabási y el coanfitrión Steven Strogatz— debaten cómo tomó forma este campo, las ideas que lo sustentan y por qué es mucho más que la teoría de grafos bajo otro nombre. La conversación gira después hacia la salud y la nutrición. Los genes relacionados con enfermedades se agrupan en «vecindarios de red», explica Barabási, lo que puede ayudar a identificar mejores dianas terapéuticas y predecir qué pacientes responderán a qué fármacos. Ese trabajo le llevó a su proyecto Foodome, que cataloga las moléculas presentes en los alimentos que ingerimos y analiza qué hacen dentro de nuestras células. Según sus cálculos, existen unos 135.000 compuestos ajenos a la nutrición convencional, la cual se centra principalmente en la energía, los componentes básicos y las vitaminas. Estos compuestos, a los que él llama la «materia oscura de la nutrición», y sus efectos en el organismo apenas se están empezando a comprender.
Escúchelo en Apple Podcasts, Spotify, TuneIn o en su aplicación de podcast favorita, o puede reproducirlo desde Quanta.
Transcripción
STEVE STROGATZ: Hola, soy Steve Strogatz.
JANNA LEVIN: Y yo soy Janna Levin.
STROGATZ: Y esto es The Joy of Why.
LEVIN: Un podcast… en el que… no puedes hacerme reír, ¿vale? Un podcast de Quanta Magazine donde exploramos algunas de las mayores preguntas sin respuesta de la ciencia y las matemáticas actuales.
STROGATZ: Bueno, oye, Janna, voy a llevarte en una máquina del tiempo a la década de 1990. ¿Quieres ir conmigo?
LEVIN: Sí, claro que sí.
STROGATZ: Por aquel entonces había una tendencia en la que la gente jugaba a un juego que llamaban «seis grados de separación».
LEVIN: Sí, era como el juego de Kevin Bacon.
STROGATZ: Exacto. Para quienes no lo recuerden, Kevin Bacon salía en muchas películas y se desarrolló un juego en torno a él: tú nombrabas a un actor —quien fuera, Marlon Brando o James Dean— y tenías que averiguar un camino de coprotagonistas. Ya sabes, «Marlon Brando salió en tal película con alguien que a su vez salió en una película con Kevin Bacon». En ese caso, diríamos que Marlon Brando estaba a dos pasos de distancia. Tenía un «número Bacon» de dos.
LEVIN: [Risas] Cierto. Pero esto tiene una base matemática real. Y, según recuerdo, tú hiciste un trabajo importante sobre esto: cómo estamos todos conectados, cómo el mundo es más pequeño de lo que pensamos y cómo sucede eso. Ya sabes, ¿cómo… conoces al tipo Joe de Chicago? Y tú dices: «Claro que conozco a Joe». ¿Verdad?
STROGATZ: Bueno, es cierto. Mi estudiante Duncan Watts y yo nos interesamos mucho por las matemáticas de los seis grados de separación. ¿Cómo tendría que ser una red para tener esa propiedad? Y por aquel entonces, poco después de publicar nuestro artículo, supimos de Malcolm Gladwell antes de que fuera realmente famoso, y quería hablar de esta idea. Terminó escribiendo un artículo titulado «Los seis grados de Lois Weisberg».
LEVIN: Claro, conozco a Lois.
STROGATZ: Sí, esa es la cuestión. Todo el mundo conoce a Lois. Lois conocía a todo el mundo en Chicago y en todas partes.
Y, por tanto, todos sabemos que existen estos «conectores» en nuestras redes, y precisamente de eso es de lo que oiremos hablar, en cierta medida, en esta próxima entrevista con László Barabási.
Él es científico de redes en la Universidad Northeastern. También tiene un puesto en la Facultad de Medicina de Harvard y en la Universidad Centroeuropea de Budapest, Hungría. Y ha estado estudiando el papel de lo que él llama «hubs» (nodos centrales). Ya sabes, estos nodos en una red, similares a Lois Weisberg, que parecen tener un número enorme de conexiones y el efecto que, como resultado, tienen en el comportamiento de la red.
LEVIN: ¿Esto probablemente tenga aplicaciones en otros sistemas complejos, más allá de los sistemas sociales humanos?
STROGATZ: Oh, sin duda. Entender las redes, no solo desde la perspectiva de la vida social humana, ha tenido todo tipo de consecuencias para nuestra comprensión de cómo se propagan las enfermedades por las poblaciones, pero también de cómo está conectado el cerebro. La forma en que los genes están conectados en las redes de regulación génica, o incluso las centrales eléctricas que suministran energía a todos nuestros hogares y empresas.
Así que, sí, tiene implicaciones muy grandes mucho más allá de la sociedad humana. Por eso, recurramos a uno de los expertos. Vamos allá con László Barabási.
[Suena música]
STROGATZ: Bienvenido a The Joy of Why, László.
ALBERT-LÁSZLÓ BARABÁSI: Oh, Steve, qué divertido es esto. Soy un gran oyente de podcasts, y The Joy of Why está de hecho en mi lista activa, así que es muy divertido ver cómo se cocina todo esto.
STROGATZ: [Risas] Bueno, es un placer tenerte aquí. Para ser totalmente transparentes con nuestros oyentes, nos conocemos desde hace mucho tiempo. Deben ser ya casi 30 años. Me gustaría empezar haciendo un repaso a los viejos tiempos de la teoría de redes. Has pasado gran parte de tu carrera mirando el mundo a través del prisma de las redes. ¿Por qué no empiezas contándonos qué entendemos por redes y qué nos ofrece mirar el mundo de esta manera?
BARABÁSI: Bueno, te olvidaste de revelar el hecho de que fuimos nosotros, tú y yo, quienes fuimos responsables del campo de la ciencia de redes, ¿verdad? Así que una vez también fuimos competidores. Pero hablemos de por qué creo que a ambos nos importaban las redes en aquel entonces. Porque, fundamentalmente, nada existe de forma aislada, ¿verdad? Un gen, una neurona, un humano… no tiene sentido pensar en ellos de forma aislada. Todos empiezan a tener sentido cuando se conectan con otras cosas. Así que la consciencia trata, en realidad, de lo que hacen las neuronas juntas. La vida es lo que nuestros genes y moléculas hacen juntos. La sociedad es lo que hacemos nosotros juntos.
Y si tendemos a centrarnos, como hizo gran parte de la ciencia históricamente, en las piezas, en realidad nos estamos perdiendo el «porqué». ¿Por qué tenemos inteligencia? ¿Por qué tenemos vida? ¿Por qué tenemos sociedades?
STROGATZ: Ajá. Así que es esta perspectiva relacional. Parece que estás rechazando el habitual hombre de paja del reduccionismo.
BARABÁSI: ¿Acaso no lo hacemos todos, verdad? Porque, quiero decir, escucha. El reduccionismo es una herramienta clave en la ciencia, ¿cierto? Sin ella, no podemos estudiar las redes. Necesitamos conocer las piezas.
Pero nosotros, como científicos, nos hemos ocupado tanto de observar las partes que nos hemos olvidado del todo. Y la ciencia de redes es, en realidad, una de las disciplinas cuyo punto de partida es mapear cómo están conectadas las cosas y por qué eso es importante.
STROGATZ: Es interesante que hable de trazar mapas, porque allá por los años noventa, especialmente hacia la segunda mitad, cada uno de nosotros escribió con sus estudiantes artículos que causaron un gran revuelo. A eso se refiere cuando dice que empezamos esta disciplina.
Pero ¿qué cree usted que se sabía en el momento en que empezamos y qué no? ¿Qué era lo que estábamos tratando de averiguar colectivamente?
BARABÁSI: Sí. Bueno, creo que ninguno de nosotros descubrió las redes, ¿verdad? Las redes han estado ahí durante muchísimo tiempo y muchas disciplinas eran conscientes de ello. Y creo que, en mi opinión, han cambiado dos cosas.
Una de ellas es la disponibilidad de datos. Nuestra capacidad para aprovechar la revolución que realmente nos trajo internet para empezar a unir las piezas y crear mapas de cómo se conectan los metabolitos en la célula, cómo están conectados entre sí los actores de Hollywood —su trabajo, ¿verdad?— a través de películas comunes, etcétera.
Así que una oportunidad que todos aprovechamos fue la disponibilidad de los datos. Pero eso, por sí solo, en mi opinión, no habría sido suficiente. Porque si los datos están disponibles, podríamos seguir teniendo una teoría de redes biológicas y una teoría de redes sociales por separado.
El descubrimiento clave que nosotros y otros hicimos en aquel momento es que, una vez que observamos estos sistemas desde la perspectiva de la red, hay muchas más similitudes en la arquitectura de los sistemas reales que diferencias. Y creo que eso nos sorprendió a todos, porque no tengo que convencer a nadie de que una red metabólica dentro de una célula debería ser distinta a una red social o al cableado del cerebro. Tienen propósitos totalmente diferentes, escalas totalmente diferentes y unidades totalmente diferentes que se conectan mediante formas de interacción distintas.
Así que lo que realmente conmocionó a muchos de nosotros —físicos, matemáticos, biólogos— es que muchas de estas redes tienen características arquitectónicas comunes que no podían explicarse simplemente por la naturaleza de los nodos y los enlaces o la naturaleza de los componentes, sino que apuntaban a algunos principios organizativos más profundos que rigen la conectividad.
STROGATZ: Eso está muy bien expresado. Es magnífico. Este es un campo, como recordará —yo ciertamente lo hago—, en el que existe una cuestión de territorio. Sabe, hay personas, por ejemplo, en matemáticas puras, que dirán: «No me diga que las redes son algo nuevo. Llevamos haciendo teoría de grafos desde el problema de los puentes de Königsberg con Leonhard Euler allá por el siglo XVIII».
Pero entonces, ¿cuáles son algunas de las diferencias en filosofía y contenido entre, digamos, esta disciplina y las más antiguas? Tomemos solo dos: la teoría de grafos y las redes sociales.
BARABÁSI: Por supuesto. Estamos muy agradecidos a muchos de nuestros colegas, los Erdős, Rényi y László Lovász de las matemáticas, y los Milgram y Manfred Kochen de las redes sociales, etcétera, porque ellos realmente han estado utilizando la teoría de grafos para analizar diversos problemas relacionados con la conectividad.
Creo que la diferencia fundamental fue que, por un lado, a los teóricos de grafos nunca les preocupó ni les interesó observar redes reales. Los teóricos de redes sociales, sin embargo, estaban limitados a redes muy, muy pequeñas. Y una vez que los datos estuvieron disponibles en otras redes, desde biológicas hasta redes sociales muy grandes, empezamos a ver características que simplemente no se podían observar en esas muestras más pequeñas.
Y lo más importante —y creo que esta fue la clave— es que nosotros y todos los demás nos dimos cuenta de que los modelos que el campo había construido, por ejemplo, desde la década de 1950 hasta prácticamente finales de los noventa, no eran suficientes para describir la realidad de estos sistemas. Así que existía la necesidad de una forma de pensar muy, muy distinta al respecto.
Lo que faltaba es que la teoría de grafos y las redes sociales utilizaban los grafos como una especie de cartógrafos para trazar lo que había ahí fuera, pero no pensaban tanto en cómo surgían las cosas. ¿Por qué las redes son como son? Es decir, las redes no son objetos estáticos. Son entidades dinámicas que evolucionan con el tiempo. Las grandes redes que vemos son el resultado de procesos de crecimiento masivo y de cómo esta evolución temporal, cómo esta dinámica define su aspecto, su arquitectura y su capacidad para hacer cosas: estar vivas, pensar, funcionar como un sistema.
STROGATZ: Es un punto muy interesante que exista este aspecto temporal que no era una preocupación particular de la teoría de grafos tradicional. Sabe, ahora todos hablamos solo de internet, pero para nosotros, en los noventa, la World Wide Web era algo impactante.
Esto fue antes de las redes sociales. No existía Facebook. Solo eran páginas web en internet. Había un navegador llamado Mozilla que apareció alrededor de 1994, si no recuerdo mal, y uno podía empezar a hacer eso que llamábamos navegar por la web. Así que empezó a tener esa sensación visceral de saltar de página en página a través de esta estructura vasta, misteriosa y difícil de imaginar, y usted hizo parte del trabajo pionero sobre cómo era navegar y explorar este mundo virtual asombroso y extraño que no existía hasta los noventa. Como usted dice, es como la cartografía: explorar todo un mundo nuevo.
BARABÁSI: Me alegra que mencione eso porque esto abrió la ciencia de las redes para nosotros. Como nota histórica, escribí mi primer artículo sobre redes en 1995 que nunca se publicó. Todavía está ahí, en el archivo. Y en el 95 y el 96 me los pasé intentando convencer a científicos informáticos de que me ayudaran a mapear la World Wide Web, y nadie se molestó en responder.
Envié innumerables correos electrónicos a personas que estaban creando, digamos, robots en aquella época. No los llamábamos buscadores, los llamábamos robots y rastreadores, y solo pedía sus datos, pero nadie se molestó en responder. No fue hasta 1998 cuando llegó How Hong Jon, mi posdoctorando, que tenía unas habilidades de programación muy sólidas, que pudimos finalmente embarcarnos en ese proyecto y mapearlo.
Y déjeme darle una pequeña anécdota histórica incluso para los oyentes, para indicar qué tipo de mundo era aquel. Justo después de que mapeáramos la World Wide Web y nuestro artículo saliera en el 99, me invitaron inmediatamente a los Internet Archives en San Francisco para dar una charla, y éramos unos 10 ponentes allí, ¿verdad?
Y hubo un tipo que se acercó, puso una caja grande sobre la mesa y dijo: «Saben, acabo de financiar una empresa, ¿por qué no se llevan mi camiseta?». Y la camiseta decía Google. Era Larry Page repartiendo, como estudiante de posgrado, sus primeras camisetas, de hecho.
STROGATZ: Guau.
BARABÁSI: Por tanto, la diferencia fundamental entre lo que hicimos nosotros y lo que hizo Larry Page es que nosotros simplemente cartografiamos la red y no el contenido, mientras que él, por supuesto, se preocupaba por el contenido. Y, desde luego, esa diferencia resultó suponer un par de billones de dólares a largo plazo. Pero, no obstante, esas fueron las raíces de cómo pensamos en internet, la World Wide Web, etcétera, como sistemas interconectados que, como usted decía, nos resultan tan naturales que ya ni siquiera pensamos en ello.
STROGATZ: Cierto, fue algo alucinante en su momento. Y usted mencionó antes un punto al que quiero volver sobre el crecimiento: que la red de la World Wide Web, pero también las redes biológicas o incluso una ciudad que empieza siendo un pequeño pueblo, no son estáticas. Crecen, se acumulan, añaden nodos, añaden conexiones, enlaces. Y usted tuvo la brillante idea de que esa observación tan sencilla, que las redes crecen, podría dejar una especie de firma en su estructura. Así que cuéntenos qué descubrió estructuralmente sobre la World Wide Web, pero también sobre otras redes que tenían alguna conexión con este proceso de crecimiento.
BARABÁSI: Bueno, tenemos que ponernos un poco frikis para hacer eso, ¿verdad? Soy húngaro, y la razón por la que empecé a pensar en redes a finales de 1994 y 1995 es que había leído prácticamente toda la literatura húngara sobre teoría de grafos, es decir, la de estos dos matemáticos, Paul Erdős y Alfred Rényi, además de un libro de Béla Bollobás.
Y tenían un concepto muy sencillo y muy potente. Decían: «Bueno, hay redes muy complicadas ahí fuera, y parecen aleatorias, así que ¿por qué no asumimos que son puramente aleatorias? Asumamos que los nodos están conectados al azar. Los dados deciden quién es tu amigo y nada más que los dados».
Y basándose en eso, hicieron una serie de predicciones, y una de las claves fue que, en un universo aleatorio, somos muy parecidos en cuanto al número de amigos que tenemos. Sorprendentemente parecidos.
Así que, para nosotros, la mayor sorpresa al llegar a la World Wide Web fue que el número de enlaces por nodo no seguía una distribución gaussiana, la proverbial campana de Gauss, sino que había muchísimas páginas web con muy pocos enlaces y unos pocos nodos principales. Y eso fue una observación puramente empírica. Técnicamente, dijimos que la distribución de grado sigue una ley de potencia. Lo que significaba es que había grandes nodos que mantenían unidos a muchos nodos pequeños, y eso requería una explicación, y ahí es donde entra el crecimiento. Porque lo que nos dimos cuenta en aquel entonces es que la limitación fundamental de las redes aleatorias es que asumen que la forma en que se forman las redes es que tenemos un montón de nodos que necesitan ser conectados de alguna manera.
Pero, en realidad, las redes se forman mediante el crecimiento de un nodo a la vez. Los nodos se unen al sistema. Ya sea una red social donde la gente entra y se une al club, o redes biológicas donde se sintetizan nuevas moléculas y se unen a la red, etcétera. Todas las redes que existen, sin excepción, son el resultado de algún tipo de proceso de crecimiento prolongado. A veces de cuatro mil millones de años, a veces de pocos años, pero siempre es crecimiento.
Y hubo otra característica que también fue importante: cuando un nuevo nodo entra en el sistema, no elige simplemente cualquier nodo al azar, sino que siempre tiene una inclinación hacia los nodos más conectados.
Es más fácil conocer a personas populares. Las proteínas altamente conectadas son más fáciles de conectar por razones biológicas. Pero, fundamentalmente, los nuevos nodos tienden a conectarse a los nodos más conectados. A esto lo llamamos conexión preferencial.
Y pudimos demostrar que este crecimiento y esta conexión preferencial son responsables de la aparición de los nodos principales. Es decir, si una red está creciendo y las elecciones no son aleatorias, los nodos principales surgirán de forma natural. Y esta era una explicación tan sencilla, una desviación tan simple de lo que ocurría en los modelos anteriores, que de repente pudo explicar muchos sistemas, no solo la World Wide Web, sino incluso la red de actores de Hollywood, así como chips informáticos, citas, etcétera.
STROGATZ: Hablemos un poco más sobre los nodos principales, porque creo que este es un punto delicado. Si una persona no ha pensado en ello antes, la afirmación inicial de que algunos nodos estarán mucho más conectados que otros parece sentido común, ya que sabemos que algunos de nuestros amigos son muy populares. Así que hay diferencias. Hay heterogeneidad. Todo el mundo lo sabe.
Pero lo loco que observó es que se podían encontrar sitios en internet que no solo tenían 10 veces o 100 veces más conexiones, sino que vio cosas con, ¿qué?, ¿un millón, mil millones de veces más conexiones?
BARABÁSI: Muchos órdenes de magnitud. Y esos millones y miles de millones están ahí para la World Wide Web, ¿verdad? Hace unos años, recuerdo que la mayoría de las páginas web, quiero decir, el 98% de las páginas web tenían entre uno y cinco enlaces. Pero entonces Google tenía ochocientos millones en aquel momento, ¿verdad? Así que la diferencia es realmente de muchos órdenes de magnitud.
Y cuánta es la diferencia depende del tamaño del sistema. Cuanto mayor es el tamaño, mayor es la diferencia entre el nodo pequeño y el nodo principal más grande. Y esta fue también una observación clave. Cuanto más grande es la red, más grandes serán los nodos principales. Y existe una ley matemática muy precisa que conecta el tamaño de la red con el tamaño y el número de los nodos principales.
Y creo que eso fue realmente lo que marcó la diferencia. No solo decíamos: «Oye, hay un tipo popular ahí fuera». Estábamos diciendo que el número y el tamaño o la popularidad de los tipos populares están fijados por la estructura de la red. Y una vez que entiendes la red, puedes predecirlo.
STROGATZ: Esa idea empezó a llamarse redes libres de escala, porque no había una escala característica. Deberíamos decir que las redes de amistad no funcionan realmente así en la vida real. Nadie tiene 100 millones de amigos. Ningún ser humano puede mantener eso. Así que no estamos diciendo aquí que todas las redes tengan esta propiedad de escala que abarca muchos órdenes de magnitud, pero muchas redes sí tenían esa propiedad.
BARABÁSI: Absolutamente. Y hablemos de las redes de amistad. Tus amigos íntimos es un número fijo, el número de amigos íntimos es fijo. Pero cuando se trata de redes sociales y de cuántos conocidos tienes, eso ya es libre de escala, y se ha demostrado en muchos sistemas, desde Facebook hasta Twitter, etcétera. Así que existe una diferencia fundamental en cómo defines la amistad. Si los defines como conocidos, personas con las que te conectas, entonces esa propiedad sí se cumple.
Pero tiene usted toda la razón. Existen redes canónicas bien conocidas que no son libres de escala. Ninguna de las redes materiales que existen es libre de escala porque, por ejemplo, un átomo de carbono tiene cuatro electrones para compartir. Nunca lo convertirás en un nodo principal, ¿verdad?
Por lo tanto, existen muchos sistemas reales de física y otros sistemas que nos interesan que no tienen ese carácter. Sin embargo, muchos sistemas que nos importan profundamente, desde redes biológicas como las interacciones de proteínas y las redes metabólicas en sus células, hasta redes sociales en el sentido de redes de conocidos, pasando por algunas redes de infraestructura como internet, siguen esa propiedad y estos sistemas son importantes. Y una vez que los centros de conexión (hubs) están ahí, cambian fundamentalmente su comportamiento, y por eso nos preocupan.
[Música]
LEVIN: Esto es interesante, empezando simplemente por el modelo de red aleatoria, que parece haber sido brillante en sus éxitos, a pesar de que intuitivamente parece una forma muy pobre de emular la realidad. Es decir, no hago amigos al azar, ya sabe, mediante el lanzamiento de un dado, así que me sorprendió en cierto sentido que el modelo de red aleatoria fuera alguna vez venerado.
STROGATZ: Es venerado. Y creo que para hacerle justicia, debemos recordar que en la ciencia y las matemáticas, los diferentes investigadores tienen objetivos diferentes. Depende de cuál sea su pregunta. Así que, para ser justos con el modelo aleatorio, lo que Erdős y Rényi intentaban comprender era algo realmente hermoso y profundo, pero puramente matemático. Hasta donde yo sé, no estaban pensando en la realidad. Estaban inventando un problema matemático. ¿Podría pedirle que imagine esto? Supongamos que tengo muchos botones sobre la mesa. Tiro una bolsa de botones y luego empiezo a tirar algunos hilos, uno a uno, y conecto pares de botones al azar. Después de haber hecho esto durante un tiempo, si cierro los ojos, tomo un botón y lo levanto de la mesa, ¿qué vendrá con él?
LEVIN: Un montón de otros botones.
STROGATZ: Podría ser un montón, ¿verdad? Quiero decir, depende de lo avanzada que esté la fase del proceso, ¿no? Si he hecho esto durante mucho tiempo y hay muchos hilos, cuando cojo uno, podría arrastrar un gran grupo conmigo. Así que lo que interesaba a Erdős y Rényi era la transición de fase que se produce cuando hay una proporción crítica de botones respecto a los hilos. Y lo que demostraron es que no es que uno recoja cada vez más botones en función de más y más hilos, sino que esto sucede de forma discontinua. En una proporción crítica determinada, de repente uno recoge un grupo gigantesco, y por debajo de esa proporción, uno casi no recoge nada.
Así que, eso era lo que les interesaba. ¿Cómo se obtiene un modelo simple de una transición de fase en una red? Y este modelo de red con conexiones aleatorias les permitió hacer los cálculos y demostrar teoremas hermosos.
Por tanto, eso ha resistido el paso del tiempo en las matemáticas y abrió todo un campo de la teoría de grafos aleatorios. Pero durante décadas, ese fue el único modelo que tuvimos de redes gigantes, aparte de lo que ustedes en física hacen, donde tienen redes cristalinas. Tienen patrones cúbicos, ya sabe, de vecinos más cercanos o de tablero de ajedrez. Tienen redes muy regulares. La gente en epidemiología utiliza estos grafos aleatorios. El gran misterio era: ¿cómo son las redes reales? Probablemente no sean perfectamente aleatorias ni perfectamente regulares.
LEVIN: Entonces, ¿es aquí donde entra la idea de los centros de conexión o hubs? En estas redes reales, por supuesto, nuestros amigos no están conectados realmente por un lanzamiento de dados al azar, sino que hay centros de conectividad. Y es realmente interesante escuchar parte de esto porque me recuerda a cómo funcionan realmente los algoritmos en internet a la hora de impulsar la cuenta de Twitter de alguien, por ejemplo. Y una vez que eso empieza a crecer, realmente despega, mientras que cuando el algoritmo suprime la conectividad, todo el sistema queda realmente suprimido.
STROGATZ: Esa es una idea y una analogía realmente buena, porque ahora vivimos en un mundo donde estos tipos de efectos de refuerzo están en todas partes. Como usted dice, si usted es popular en internet, se le recomienda más a las nuevas personas que se unen a la red, y así, los ricos se hacen más ricos. Es decir, eso es parte de lo genial de esto. Este tipo de análisis presagió muchos desarrollos que ahora son habituales.
LEVIN: Cierto. Fascinante.
STROGATZ: Muy bien, pues mucho ha cambiado en los más de 30 años transcurridos desde todo este trabajo de László y sus estudiantes. Así que vamos a escuchar cómo ha estado aplicando el pensamiento de redes a un ámbito realmente diferente: la medicina, la alimentación y la nutrición. Más sobre eso después de la pausa.
[Música]
STROGATZ: Bienvenidos de nuevo a The Joy of Why. Hablamos con el científico de redes László Barabási.
En años más recientes, tras este gran auge a finales de los noventa, usted ha seguido realizando todo tipo de trabajos pioneros en la aplicación de las redes a muchos ámbitos diferentes, digamos, la medicina. La medicina de redes se ha convertido en algo real.
BARABÁSI: Es algo real.
STROGATZ: Entonces, para la gente que no ha oído hablar de la medicina de redes, ¿qué es eso?
BARABÁSI: Bueno, la medicina de redes se construyó realmente sobre la base de la genómica. La genómica nos proporciona la lista de los componentes de la célula. Si usted secuencia su genoma, obtiene con precisión qué genes tiene, por lo tanto qué proteínas tiene, qué ARN tiene en su cuerpo, etcétera. Así que eso nos dio un inventario completo de los componentes. Pero no nos decía cómo interactúan las piezas, quién está interactuando, quién se une a quién, etcétera.
Sin embargo, muchas enfermedades no tienen su raíz en el hecho de que un componente esté roto. ¿Qué hace una mutación que pueda causar una enfermedad? Normalmente, deforma una proteína. ¿Cuál es la consecuencia de deformar la proteína? Que la proteína no puede vincularse a otras proteínas u otros metabolitos. O bien no puede unirse a otras proteínas y no puede formar maquinarias más grandes, o no puede unirse a otra molécula y no puede catalizar una reacción química.
Así que, realmente, la esencia de la vida o de cómo funciona la célula se da a través de las conexiones que los componentes tienen entre sí. Las maquinarias de la célula, desde las mitocondrias hasta la hemoglobina, son el resultado de muchas proteínas ensamblándose en pequeñas redes y creando pequeñas maquinarias que hacen cosas en la célula, como transportar oxígeno.
Y el resto de las proteínas están ocupadas catalizando las muchas reacciones químicas de las que hablamos, porque una de las características de la vida es que prácticamente ninguna de las reacciones químicas que tenemos en nuestro cuerpo ocurre por sí sola. Siempre necesitan un catalizador proteico para ello.
Entonces, ¿qué es la medicina de redes?
La medicina de redes, por un lado, intenta mapear estas interacciones y luego utilizar ese conocimiento —el mapa— para comprender realmente lo que sucede cuando un componente se rompe y, posteriormente, dónde están los efectos dentro de la red y, finalmente, qué enfermedad se obtiene como resultado. E igual de importante es cómo intervenir en esta red para curar esa enfermedad, para solucionar las consecuencias de ese componente roto.
STROGATZ: Dado que mencioné las disputas territoriales hace un momento, como en el caso de la ciencia de redes, me parece que cualquier persona con conocimientos biomédicos que esté escuchando esto pensaría: «¿Es la medicina de redes realmente algo nuevo?». Por ejemplo, una vía bioquímica o una vía de transducción de señales de las que suelen hablar los biólogos celulares, ¿son simplemente medicina de redes con otro nombre, o es que les faltaba una parte del panorama?
BARABÁSI: Siempre se centraron en los efectos locales. Una vía es, en realidad, un conjunto de reacciones que siempre ocurren juntas. Y sí, por supuesto, como mencioné antes, existe un historial de 150 años en biología dedicado a mapear sistemáticamente cada una de estas reacciones. Pero la tendencia era convertirse en un experto en esa reacción y su entorno, y no había forma de interrogar al sistema completo, ¿verdad?
¿Y por qué es importante? La forma más sencilla de pensar por qué es importante tener esta visión más amplia es que no sabemos cómo tratar los defectos moleculares. La medicina aún no sabe cómo arreglar una mutación, ¿cierto? Hay sueños de que llegaremos a ese punto, pero, en general, ninguno de los fármacos que existen actualmente soluciona realmente la causa del problema.
¿Qué hacemos? Vamos hacia el punto posterior al problema e intervenimos allí para solucionar las consecuencias. Entonces, si una proteína no funciona y no está catalizando una reacción química particular, empiezas a administrarle al paciente la molécula que le falta, ¿verdad? Por lo tanto, para saber dónde intervenir, necesitas tener el «Google Maps». Necesitas saber cómo están conectadas las cosas y cuál es el punto correcto de entrada.
Así que un estudio que realizamos una vez que regresé a Boston, concretamente a Harvard, consistió en observar todos los fármacos disponibles. La hipótesis siempre es que lo que hace un fármaco es unirse a una proteína de la enfermedad, es decir, a una proteína que está rota en el caso de la patología. Y, a falta de un término mejor, soluciona el problema, ¿no es así?
Pero en realidad, el 85 % de los fármacos no se unen a nada relacionado con la enfermedad; no se unen a lo que llamamos proteínas o genes de la enfermedad. Siempre actúan aguas abajo. Porque no quieres meterte con los genes de la enfermedad. Los genes de la enfermedad suelen ser genes muy importantes que participan en múltiples procesos. Quieres intentar corregir el problema dirigiéndote a donde se manifiesta el efecto: donde el gen o la proteína no están haciendo lo que deberían hacer.
Por lo tanto, si quieres descubrir nuevos fármacos —descubrir lo que llamamos dianas terapéuticas—, conocemos todos los genes de la enfermedad gracias al cribado genómico, pero eso no es suficiente. Tienes que ir aguas abajo de ellos, y la medicina de redes te proporciona las vías para saber dónde debes buscar.
Y este es, precisamente, uno de nuestros grandes descubrimientos, alrededor de 2015, en el campo de la medicina de redes: cada enfermedad tiene lo que llamamos un módulo de enfermedad, lo que significa que los genes implicados en la dolencia no están distribuidos al azar en la red, sino que tienden a aglomerarse en un determinado vecindario de la red, ¿entiendes?
Tomemos la ciudad de Nueva York, por ejemplo. Si el mapa de Nueva York fuera el mapa de una célula, descubrirías que los genes de la enfermedad no estarían distribuidos al azar. En cambio, todas las enfermedades mentales estarían alrededor de Times Square. Las enfermedades metabólicas podrían estar alrededor de Wall Street, y tal vez el asma estaría por toda Washington Square, ¿verdad?
Entonces, en la célula existen estos vecindarios de red bien definidos donde reside la enfermedad. Necesitas mapear eso porque ahí es donde debes aplicar la perturbación, en ese vecindario, para solucionar el problema.
STROGATZ: Hmm. Es muy útil esta imagen de los mapas que nos está dando. Pero ¿cuál es la red real de la que estamos hablando a nivel biológico? ¿Es, por ejemplo, una red de regulación génica? ¿Es una red de unión de proteínas? ¿Es una red de proteínas a enfermedades? ¿Cuáles son los nodos y cuáles son los enlaces en algunas de estas cosas, solo para aclararlo?
BARABÁSI: Claro. Absolutamente. Hay muchas formas diferentes de abordarlo, pero en mi laboratorio nos centramos en lo que llamamos interacciones físicas.
Las interacciones físicas son, en realidad, interacciones de unión. Por tanto, los dos ejemplos que mencionaste son en los que nos centramos. Las interacciones de unión proteína-proteína, que son proteínas que pueden unirse por pares o formar complejos, o las interacciones regulatorias, que es la situación en la que la proteína se une al ADN para iniciar algún proceso o bloquear otros.
Estas son, pues, las dos interacciones físicas fundamentales a partir de las cuales construimos nuestros mapas. Las personas dedicadas a la medicina de redes pueden construir otras redes que son más virtuales, como las llamadas redes de expresión. Cuando los genes se expresan mucho, están activos juntos, por lo que los conectan basándose en la coactividad.
Esas también son formas válidas de hacerlo. Nosotros, en mi laboratorio, no las usamos tanto porque queremos encontrar siempre lo que llamamos el mecanismo de acción. Queremos saber qué sucede realmente a nivel molecular, y para eso, debes contar con las interacciones físicas.
Y, realmente, los últimos veinte o treinta años estuvieron marcados por un esfuerzo experimental masivo para mapear estas interacciones. Diría que, en los últimos diez años, estos conjuntos de datos han convergido, lo que significa que tenemos una descripción bastante precisa de cuáles son estas interacciones. No están completas al cien por cien, pero son lo suficientemente precisas como para empezar a entender la enfermedad desde la perspectiva de una red.
STROGATZ: ¿Tiene algún ejemplo que pueda darnos de una enfermedad, un fármaco o un tratamiento en el que este punto de vista, al pensar en términos de módulos de enfermedad o del «enfermedoma» más amplio, haya tenido un impacto tangible en la medicina?
BARABÁSI: Me alegra que me preguntes eso, porque en medicina las cosas solo importan si afectan al paciente.
Pero en el caso de la medicina de redes, sí tenemos productos que están en el mercado. Uno de ellos, a modo de divulgación, es producto de una empresa que fundé, Cypher, donde utilizamos la medicina de redes para decirles a los pacientes con artritis reumatoide (AR) qué fármacos les funcionan.
El sucio secreto de la medicina es que, prácticamente, la mayoría de los medicamentos solo son efectivos para el veinte, treinta o cuarenta por ciento de los pacientes. Pero en el caso de la AR, logramos desarrollar una herramienta que, a partir de una muestra de sangre, puede decirte si el fármaco líder, Humira, funcionará para ti o no. Así que ese es un ejemplo en el que esto ya ha llegado al mercado y los pacientes se están beneficiando de ello.
STROGATZ: Hablemos de eso. La artritis reumatoide es una enfermedad en la que tienes demasiada inflamación y te molesta en las articulaciones, ¿esa es la idea?
BARABÁSI: Sí, los médicos lo llaman enfermedad autoinmune, lo que significa que su sistema inmunitario está hiperactivo y atacando a sus propias células. Además, ese sistema inmunitario y todo el proceso están regidos por un conjunto de genes que ya conocemos y entendemos. Yo lo llamaría módulo de enfermedad. Se trata de entre cien y doscientos proteínas que forman una subred, y los tipos de cambios en esa subred suelen estar asociados con la aparición de la artritis reumatoide (AR).
Y precisamente porque este módulo es tan grande, cuando se toma un fármaco como Humira, se está perturbando una parte de la red. Sin embargo, si su defecto o sus cambios están en otra parte de la red, no le afectará.
Lo que la medicina de redes añade a este panorama es que traza las relaciones entre ellos. En este caso, encontramos unos dieciséis genes cuya actividad cambia sistemáticamente, y eso es lo que llamamos biomarcadores. Ni siquiera es necesario que estén asociados con la enfermedad por sí mismos, solo que portan la firma de la enfermedad.
STROGATZ: Ya veo. Así que esas son las señales de advertencia o las luces rojas intermitentes o algo parecido.
BARABÁSI: Exacto. Esos son nuestros monitores sobre el estado de salud de ese módulo de enfermedad concreto, y son suficientes para decirle si usted responderá o no a ese fármaco en particular.
Por lo tanto, es realmente una historia interesante de una combinación de medicina de redes, que mapea el entorno donde reside la enfermedad, y luego utiliza la IA para construir lo que llamamos un clasificador para decirle si el fármaco le funcionará a usted o no.
Y esto es importante porque, en el caso de Humira, es un tratamiento de 90.000 US$ al año, y se tarda unos seis meses o más en saber si el fármaco tiene efecto en usted, si le funciona o no.
Así que, si puedo ofrecerle una prueba inmediata, no solo se ahorrará 90.000 US$, sino que se evitará seis meses de tratamiento equivocado y podrá pasar directamente al correcto o al mejor.
STROGATZ: Déjeme ver si lo he entendido bien. Suena superinteresante. Me lleva a suponer, por la forma en que lo describe, que la artritis reumatoide podría estar provocada por un módulo de enfermedad distinto y que, naturalmente, este fármaco no ayudaría necesariamente a esos pacientes.
BARABÁSI: Un módulo de enfermedad siempre es el mismo, pero habría que perturbar una parte distinta del módulo para tratarle a usted. Porque la idea es que si este es su módulo de enfermedad, como un círculo, y usted está en el lado izquierdo del círculo donde están sus cambios, y Humira está impactando en el lado derecho, el efecto de Humira no llegará hasta usted. Así que necesita otro fármaco que actúe más cerca de donde usted lo necesita.
Y esto no es solo para la AR, ¿verdad? Para muchas enfermedades tenemos múltiples fármacos, y los médicos hacen una especie de juego de adivinanzas o se basan en el escenario más probable cuando asignan un fármaco u otro al paciente. Por lo tanto, este conjunto de herramientas de medicina de redes apunta a un futuro en el que se eliminen esas conjeturas.
STROGATZ: Es estupendo. Me está quedando claro, y su analogía del mapa realmente ayuda porque, ya sabe, el mapa en sí mismo en el caso de estos territorios biológicos desconocidos ahorra muchas conjeturas.
Entonces, ¿podemos pasar a la comida? Porque, hombre, la comida está todo el tiempo en las noticias. A menudo pensamos en los alimentos que son buenos o malos para nosotros en términos de unas pocas categorías bastante generales: grasa, azúcar, carbohidratos, proteínas, vitaminas, todo eso. ¿Puede el pensamiento de redes ayudarnos a ir más allá de esa visión general de lo que es importante en la nutrición?
BARABÁSI: Por supuesto, no habría hecho la pregunta si la respuesta no fuera afirmativa. Pero déjeme decirle cómo llegamos a eso. Todo provino de la perspectiva de la medicina de redes, porque todos los datos que utilizamos en ella proceden de la genómica. Sin embargo, la genómica por sí sola no puede explicar el grado en que las personas contraen una enfermedad.
Por ejemplo, cuando se observan las diez razones principales por las que la gente muere en Estados Unidos, y se toman una por una, desde enfermedades cardíacas hasta cánceres y otras dolencias, se descubre que solo entre el diez y el veinte por ciento de la causa de la enfermedad se explica por el genoma. Y uno siempre se pregunta: «¿Dónde está el resto?». Y te dicen: «Bueno, está en el entorno».
Así que, hace unos cincuenta años, dijimos: «Vale, ¿qué significa esto desde una perspectiva celular y una perspectiva de red? ¿Cuáles son los factores ambientales?». Y, por supuesto, sabemos cuáles son. Son el ejercicio, el sueño, el estrés. Pero hay un «gorila en la habitación» que es el más grande, que es la comida. La dieta, ¿verdad?
Entonces dijimos: «Vale, los alimentos son moléculas, así que, ¿por qué no trazamos de alguna manera qué es lo que la comida le hace a nuestras células?». Y la imagen canónica es que lo que hace la comida es darnos energía, y la nutrición se ocupa de eso, ¿verdad? Porque, al final, la nutrición se ocupa de las fuentes de energía de los alimentos, desde azúcares hasta grasas, carbohidratos, etcétera. Y todo lo que uno debe tener para sobrevivir, que suele ser fuentes de energía y algunos de los bloques de construcción de las células, así como las vitaminas, es algo que la nutrición trata muy bien.
Así que empezamos a mapear qué moléculas son conocidas en la industria alimentaria por estar en los alimentos, y nos sorprendió darnos cuenta de que hay muchas más de las que nos dice la nutrición. La nutrición suele darnos unos 150 componentes que están en la célula, y están muy bien categorizados. Sabemos en cada alimento cuánto hay de cada cosa, cuál es su concentración, etcétera, si está presente o no. Pero luego, a medida que profundizamos, nos dimos cuenta primero de que había más de 20.000 otras moléculas que no son componentes nutricionales y que también estaban en los alimentos.
Eso fue hace unos cinco o seis años. Ahora nuestras bases de datos tienen unas 135.000 moléculas que no son componentes nutricionales y que se encuentran en nuestra comida. Así que la pregunta es: ¿qué son?, ¿qué hacen?, ¿verdad? Y eso dio inicio a todo el proyecto Foodome en el laboratorio. Por un lado, el Foodome se centra en mapear qué moléculas se sabe que están en los alimentos y, por otro, qué es lo que le hacen a nuestras células.
STROGATZ: Guau. Esto es como cuando la gente dice que «estoy comiendo químicos». Por supuesto, todo es un químico, incluidos los nutritivos, pero creo que a lo que se refieren es a todos estos... ¿cómo dijo? ¿Cien mil de ellos?
BARABÁSI: 135.000, según nuestra base de datos actual. Y vamos a entender qué son. Déjeme darle un ejemplo que creo que ilumina un poco la historia: los polifenoles.
Sabemos que se supone que debemos comer muchas frutas y verduras porque son buenas para nosotros, ¿verdad? ¿Por qué son buenas? Porque tienen polifenoles y flavonoides, que son moléculas que no se obtienen en la carne, ni en otras fuentes, ni tampoco podemos producirlas nosotros mismos. Así que la primera pregunta es: ¿por qué la carne no los tiene? Y, ¿por qué son buenos para nosotros? Siempre recibimos la misma respuesta: son antioxidantes, son buenos para la célula.
Pero bien, aclaremos primero: ¿por qué solo las plantas los tienen? Bueno, la razón por la que las plantas los poseen y los animales no es porque las plantas no saben correr. Gran parte de la diferencia animal radica en los músculos. Nosotros estamos optimizados para usar energía con el fin de generar movimiento.
Sin embargo, las plantas no saben correr, así que su defensa es totalmente química. Y para crear esos compuestos químicos, desarrollaron un metabolismo secundario masivo. Nosotros tenemos 20.000 genes. Hay flores que tienen 150.000 genes, ¿cierto? Porque necesitan esa cantidad masiva de genes para catalizar reacciones que ni siquiera soñamos con realizar para producir estas sustancias. Incluso la cebolla tiene 40.000 genes, el doble que nosotros. Así que, o la cebolla es súper inteligente y hace cosas que desconocemos, o simplemente está produciendo ese sabor característico, lo cual nosotros no podemos hacer, pero que requiere un metabolismo secundario masivo para lograrlo. Estos polifenoles son buenos para nosotros, pero no son componentes nutricionales. No nos aportan energía. Son invisibles para nuestro metabolismo. Nuestro metabolismo no los detecta. Entonces, ¿qué hacen?
Bueno, cuando uno consume una planta, primero se encuentra con las bacterias, que simplemente descomponen las cosas. Pero, en su mayoría, las bacterias están muy interesadas en obtener azúcar, por lo que no se preocupan demasiado por los polifenoles. Finalmente, muchos de estos polifenoles llegan a la sangre. Algunos son tóxicos. El hígado los descompone un poco y luego empiezan a circular por nuestras células.
Y allí, lo que hacen es empezar a unirse a nuestras proteínas y al ADN. Su papel es puramente regulador. Actúan como miles de fármacos que micromodulan toda la actividad de nuestras células. Por lo tanto, tienen un papel totalmente distinto al de todos los componentes nutricionales que poseemos.
Sin ellos, empezaríamos a sufrir muchas enfermedades a largo plazo. Uno de los grandes desafíos para todos nosotros es comprender qué hacen los polifenoles y las otras 135.000 moléculas en nuestro organismo, cómo modulan nuestra salud y cómo podemos utilizar ese conocimiento para mejorarla aún más.
STROGATZ: Mmm. Esto es maravilloso. Siento que leí en algún lugar, mientras me preparaba para nuestra conversación, una frase relacionada con algo como materia oscura o energía oscura. ¿Cuál es su expresión? ¿Materia oscura de qué?
BARABÁSI: Sí, cuando publicamos el primer artículo sobre las primeras 20.000 moléculas, lo llamamos la materia oscura de la nutrición, porque no existe dentro del canon nutricional. Creo que mucha gente simplemente pensaba que eran moléculas inertes que entran y salen sin afectarnos realmente.
Pero si miras más de cerca, hay mucha literatura dispersa que demuestra que este polifenol hace esto, aquello, tiene propiedades anticancerígenas, otras propiedades, limpia la célula de residuos, etcétera. Así que a todas estas moléculas que son componentes no nutricionales —que, como dije, ahora son unas 135.000— las llamamos la materia oscura de la nutrición.
STROGATZ: Qué interesante. ¿Existen grandes preguntas abiertas en este campo de la ciencia de redes que nos pueda revelar? ¿Cuáles cree que son las grandes fronteras actualmente?
BARABÁSI: Es una buena pregunta. Cuando era estudiante de posgrado, conocí a una de las luminarias del campo; yo era un estudiante entusiasta y le pregunté: «Usted es el experto, ¿qué es lo siguiente?». Y él respondió: «No lo sé, pero probablemente esté trabajando en ello». Y no era así.
Así que, tómeselo con cautela. A menudo, lo que viene después lo dicta la siguiente generación. Ya están trabajando en ello y nosotros no lo sabemos.
Pero tengo algunas ideas. Sé dónde están los grandes vacíos en nuestra historia. Uno de ellos, en el que estamos trabajando actualmente y que representa una gran oportunidad, es el cerebro. El cerebro es una red muy especial. Yo la llamo red física, porque los enlaces ya no son esos apretones de manos de los que hablamos antes ni esas interacciones virtuales entre personas, sino que las neuronas están permanentemente conectadas por sinapsis en nuestro cerebro. Y esa fisicidad importa porque es un entorno muy denso, y realmente se necesita entender las propiedades de estas redes físicas para comprender por qué el cerebro tiene el aspecto que tiene y, en última instancia, cómo funciona. La fisicidad es una parte clave de esa historia, y esa es un área que me entusiasma mucho.
También, viniendo de eso, antes de dedicarme a las redes, me dedicaba a la ciencia de materiales. Veo una gran oportunidad para replantear qué tipo de redes podrían ser materiales que ahora no vemos y que podrían dar lugar a materiales fundamentalmente diferentes de cualquier cosa que tengamos hoy. Todos los materiales que existen son retículos regulares o estructuras conectadas al azar.
¿Cómo podríamos usar esta riqueza de conocimientos que hemos acumulado como comunidad en los últimos 20 o 30 años sobre el aspecto de las redes complejas y aplicarla al espacio de los materiales? Y hay una oportunidad particular aquí porque ahora tenemos impresión 3D casi a escala molecular. Así que la pregunta es: si pudieras imprimir en 3D cualquier red que quisieras, ¿qué red imprimirías?
STROGATZ: Bueno, gracias, Laszlo. Ha sido muy divertido. Sabía que lo sería. Agradezco que haya estado aquí. Gracias.
BARABÁSI: Ha sido un placer hacer esto contigo. Muchísimas gracias.
[Suena música]
LEVIN: Ese es un uso inusual de la materia oscura. Déjame ver si me gusta. ¿Qué es lo que hace que la materia oscura sea interesante? Técnicamente es invisible porque no interactúa, pero gravitacionalmente es profunda, fuerte y esculpe el universo. Así que quizás en ese sentido se refiere a que existe una materia oscura de la nutrición. Puede que no sea nutrición literalmente, pero desempeña algún otro papel en la configuración de la salud o de nuestras reacciones.
STROGATZ: Creo que esa es la idea: que las moléculas que ingerimos, algunas sirven para construir huesos y dientes fuertes, ayudarnos a producir enzimas y hacer todo tipo de cosas. Pero con otras moléculas no está tan claro qué hacen. No son nutritivas de la misma manera. Y, como él dice, se solía pensar que eran inertes, que simplemente entraban, salían y se excretaban. Pero ahora parece que podrían tener funciones que antes no valorábamos. Lo que realmente me impactó fue esa cifra: más de 100.000 moléculas que son «oscuras» en el sentido de que no sabíamos para qué servían, y ahora pensamos que quizás tienen propiedades antioxidantes, anticancerígenas o lo que sea. Es como si hubiera un nuevo universo por explorar.
LEVIN: ¿Y lo están explorando usando el mismo tipo de pensamiento de redes?
STROGATZ: Esa es la idea, observar qué tipos de rutas de reacción están conectadas si un mismo polifenol aparece en ambas, o algo así. No sé si alguna vez has visto un esquema de conexiones de lo que ocurre en una sola célula. Todas las diferentes moléculas que hacen todas estas cosas distintas. Es un embrollo increíble de información.
LEVIN: Cierto.
STROGATZ: Así que, dada la capacidad humana para el reconocimiento de patrones, tener un mapa nos ayuda a darle sentido a las cosas.
LEVIN: Sí. A veces es mucho más fácil seguir la conectividad que seguir un camino literal. Quiero decir, hacemos eso con las moléculas de aire en una habitación todo el tiempo. No queremos realizar la agotadora tarea de seguir el movimiento de cada molécula de la habitación. En realidad, queremos observar el comportamiento del colectivo más grande y, entonces, tenemos una cantidad muy útil como la temperatura, ¿verdad? Me parece que hay un sentido en el que, al observar el comportamiento colectivo a gran escala, pueden averiguar qué está pasando sin conocer el camino literal.
STROGATZ: Sí, creo que ese es el espíritu; que esta es una visión más macroscópica de esta enorme y desconcertante complejidad en la nutrición. En lugar de un concepto promedio, como la temperatura o la presión, todavía conserva la estructura de conectividad de la red, pero, por otro lado, tienes razón en que le da una perspectiva global a algo que en el pasado tal vez solo teníamos una comprensión más miope.
Y nos da un punto de partida en el área más amplia de los sistemas complejos. Cuando tienes un número gigantesco de partes interactuando de maneras súper complicadas, el punto de partida suele ser simplemente hacer un diagrama de quién interactúa con quién. ¿Se están inhibiendo? ¿Se están excitando? Como alguien dedicado a los sistemas dinámicos, que es donde realmente está mi corazón, quiero saber más que solo que interactúo contigo. Quiero saber la fuerza de mi conexión. Quiero conocer la cinética, la dinámica de cómo funciona eso. Por lo tanto, la ciencia de redes no es el final. Es el principio.
LEVIN: Sí. Ya veremos a dónde nos lleva esto.
STROGATZ: Bueno, Janna, gracias. Ha sido una discusión realmente interesante y supongo que estamos llegando al final de nuestra temporada, ¿verdad? Este es nuestro último episodio.
LEVIN: Sí, este es nuestro último episodio. Te voy a extrañar. Hay mucho en qué pensar.
STROGATZ: Bueno, no te pierdas, ¿eh?
LEVIN: Exactamente.
STROGATZ: Ya sabes dónde encontrarme.
LEVIN: Sí, fue un placer verte, Steve.
STROGATZ: Sí, fue maravilloso verte, Janna.
[Suena música]
LEVIN: Si estás disfrutando de The Joy of Why y aún no te has suscrito, presiona el botón de suscribirse o seguir dondequiera que estés escuchando. También puedes dejar una reseña del programa. Ayuda a que la gente encuentre este podcast. Encuentra artículos, boletines, videos y más en quantamagazine.org.
STROGATZ: The Joy of Why es un podcast de Quanta Magazine, una publicación editorialmente independiente respaldada por la Simons Foundation. Las decisiones de financiamiento de la Simons Foundation no tienen ninguna influencia en la selección de temas, invitados u otras decisiones editoriales en este podcast o en Quanta Magazine.
The Joy of
Original: quantamagazine.org
Adaptación al español con ayuda de inteligencia artificial. Читати українською