Cómo las células dividen tareas y conquistan el trabajo

Cómo las células dividen tareas y conquistan el trabajo

Científico de Salk proporciona un marco teórico para comprender la complejidad biológica

LA JOLLA—A pesar de los avances en neurociencia, el cerebro sigue siendo en gran medida una caja negra: nadie sabe cuántos tipos diferentes de neuronas existen. Ahora, un científico del Instituto Salk ha utilizado un marco matemático para comprender mejor cómo los diferentes tipos de células se dividen entre sí.

La teoría, que se describe en la revista Neurona el 7 de junio de 2017, podría ayudar a revelar cómo los tipos de células logran una mayor eficiencia y confiabilidad o cómo se produce la enfermedad cuando la división del trabajo no es tan efectiva.

"Comprender cómo funcionan juntos los diferentes tipos de células es una gran incógnita en biología", dice Tatiana Sharpee, profesor asociado en el Laboratorio de Neurobiología Computacional de Salk y titular de la Cátedra de Desarrollo Helen McLoraine. “Por ejemplo, en el cerebro aún no sabemos la cantidad de tipos de células diferentes, con debates en curso sobre lo que constituye un tipo de célula. Tener un marco teórico como este puede enfocar los esfuerzos experimentales para comprender la complejidad biológica”.

En la década de 1950, la teoría de la información se desarrolló para estudiar cómo enviar mensajes de la manera más rentable y minimizar los errores. Esta teoría también es relevante para la forma en que las neuronas del cerebro se comunican entre sí. Sharpee, que usa la teoría de la información para discernir las leyes fundamentales que gobiernan la complejidad biológica, dice que puede ayudar a predecir cuántos tipos de células diferentes se esperan en un sistema y cómo estos tipos de células deberían trabajar juntos.

Sharpee y sus colegas publicaron esta idea en 2015 en Procedimientos de las Academia Nacional de Ciencias, lo que explica por qué las neuronas en la retina de la salamandra que son sensibles a las luces tenues se dividen en dos subtipos, mientras que las neuronas comparables sensibles a los aumentos de luz no lo hacen. Resulta que las neuronas sensibles a la atenuación de la luz son más fiables que las neuronas sensibles a los aumentos de luz. La mayor confiabilidad de las neuronas sensibles a la oscuridad significa que pueden representar señales de diferentes intensidades por separado, mientras que las neuronas sensibles a los aumentos de luz tienen que trabajar juntas, en efecto, promediando sus respuestas.

Esta teoría tiene una analogía en la vida real, explica Sharpee: “Cuando los aprendices son nuevos, los gerentes suelen asignar la misma tarea a varias personas. Si obtienen respuestas iguales o muy similares, un gerente puede tener más confianza en el trabajo. Una vez que los aprendices son competentes, los gerentes pueden confiar en ellos lo suficiente como para asignarles tareas más especializadas”.

En esta analogía, las neuronas menos confiables son como los aprendices, cuyas respuestas deben promediarse porque es posible que todas estén ligeramente equivocadas. Las neuronas más confiables son las trabajadoras competentes, a quienes se les pueden asignar diferentes tareas porque se puede confiar en la precisión de cada una.

En el nuevo artículo, Sharpee describe además cómo se pueden generalizar estos argumentos para ayudarnos a comprender cómo las diferentes proteínas (como los canales iónicos que nos ayudan a producir señales en el cerebro en primer lugar) dividen los rangos de entrada para lograr una mayor eficiencia general para el organismo. Con base en la teoría de la información, los argumentos también se pueden aplicar fuera de la neurociencia.

“La teoría que probamos en la retina puede ser relevante para comprender la complejidad de muchos otros sistemas, porque si tienes elementos ruidosos de entrada y salida, es mejor promediar su salida. Y si los elementos son un poco más capaces, pueden ser más específicos y dividir el rango dinámico”, agrega Sharpee. Está trabajando con una serie de grupos para probar y ampliar la gama de aplicaciones, como la inflamación, los trastornos del estado de ánimo, el metabolismo y el cáncer.

El trabajo fue financiado por la Fundación Nacional de Ciencias.