Metabiologa:

los orgenes de la
creatividad biolgica
Gregory Chaitin, Virginia Chaitin y Felipe S. Abraho

Publicado en

Enero 2014

Copyright 2014 Prensa Cientfica S.A. Muntaner, 339 pral. 1. 08021 Barcelona (Espaa)
Reservados todos los derechos. Prohibida la reproduccin en todo o en parte por ningn medio mecnico, fotogrfico
o electrnico, as como cualquier clase de copia, reproduccin, registro o transmisin para uso pblico o privado,
sin la previa autorizacin escrita del editor de la revista.
74 INVESTIGACIN Y CIENCIA, enero 2014
Metabiologa:
C OMPLE JIDA D

los orgenes
creatividad
de la
biolgica

Un modelo matemtico
sencillo en el que resulta
posible demostrar los principios
que rigen la teora darwinista
de la evolucin
Gregory Chaitin, Virginia Chaitin
y Felipe S. Abraho

Enero 2014, InvestigacionyCiencia.es 75

 Gregory Chaitines matemtico y terico de la computacin de la
Universidad Federal de Ro de Janeiro (UFRJ). Ha destacado por sus
contribuciones pioneras a la teora algortmica de la informacin y es el
creador del programa de investigacin en metabiologa.
Virginia M. F. G. Chaitines especialista en epistemologa interdisciplinar.
Trabaja en la UFRJ, donde investiga aspectos filosficos de la metabiologa.
Felipe S. Abrahoes estudiante de doctorado de la UFRJ.
Trabaja en el campo de la lgica matemtica y en metabiologa.

Las matemticas desempean un papel

clave en fsica, pero no en biologa.
Si podemos entender el comportamiento
de las partculas subatmicas, el origen y
la evolucin del universo o la compleji-
dad de la mecnica de fluidos, es gracias
a la aplicacin de principios y herramien-
tas matemticas. En biologa, en cambio,
no sucede lo mismo. Aunque es cierto que
las matemticas estn ayudando a descri-
bir ciertos fenmenos (sobre todo aque-
llos relacionados con los sistemas com-
plejos, como las interacciones en redes
ecolgicas o la propagacin de enferme-
dades, entre otros), estas no se encuen-
tran entre los fundamentos de las prin-
cipales teoras biolgicas.
A continuacin presentaremos una l-
nea de investigacin incipiente, iniciada
hace unos cinco aos, que persigue abor-
dar desde un punto de vista matemtico
uno de los pilares de la biologa: la teora
de la evolucin de Darwin. Pueden las
durante la explosin cmbrica, analiza-
da por Stephen Meyer en su reciente y
provocativo libro Darwins doubt (La
duda de Darwin).
La idea principal puede resumirse
como sigue. Todos hemos odo alguna
vez que el cdigo gentico es el progra-
ma informtico de la vida. Craig Venter
defiende con contundencia este punto
de vista en su ltimo libro, Life at the
speed of light: From the double helix to
the dawn of digital life (La vida a la ve-
locidad de la luz: De la doble hlice a los
albores de la vida digital), en el que tam-
bin aborda la biologa digital y la vida
sinttica. As pues, en lugar de estudiar
mutaciones aleatorias de ADN, conside-
raremos mutaciones aleatorias de progra-
mas informticos.
La teora de la evolucin de Darwin ha
sido calificada a menudo como diseo
lar, veremos que nos permite analizar de
dnde proceden los nuevos genes, algo
imposible de hacer con otros modelos de
la evolucin. La gentica de poblaciones,
por ejemplo, se limita a estudiar los cam-
bios en la frecuencia con que aparecen los
genes ya existentes, pero no nos dice nada
sobre su origen.
Tal vez nuestra idea recuerde a la lnea
de investigacin llamada programacin
gentica [vase Invencin por evolu-
cin, por J. R. Koza, M. A. Keane y M.
J. Streeter; Investigacin y Ciencia, abril
de 2003]. Sin embargo, el objetivo de esta
ltima consiste en generar programas in-
formticos que converjan hacia soluciones
prcticas de problemas de ingeniera, no
en demostrar que la evolucin es eterna.
PROGRAMACIN
SIN PROGRAMADOR

matemticas explicar la enorme plastici-
dad de la biosfera?
Nuestra propuesta se basa en la idea
de considerar el ADN como un programa
informtico, una analoga concebida en
1948 por el matemtico John von Neu-
mann y publicada en 1951, antes de que
James Watson y Francis Crick descubrie-
sen la estructura de la molcula de ADN.
En particular, nuestro modelo persigue
entender la creatividad biolgica: fen-
menos como la formidable aparicin de
nuevas formas de vida que tuvo lugar
sin diseador. Aqu exploraremos la no-
cin de programacin sin programador.
Como veremos, este marco permite formu-
lar un modelo evolutivo lo bastante simple
como para demostrar que los principios
que rigen la teora de Darwin funcionan;
es decir, que las mutaciones aleatorias ge-
neran organismos cada vez ms aptos, en
un proceso que no conoce fin.
Cabe esperar que nuestro modelo re-
produzca las propiedades matemticas de
algunos de los mecanismos fundamenta-
les de la evolucin biolgica. En particu-
pginas anteriores: fotolia/beau belle, modificado por investigacin y ciencia; Rubn Soifer (autores)
Comencemos por recordar los principios
de la teora darwinista de la evolucin, el
diseo sin diseador. Segn esta, las
mutaciones aleatorias de ADN generan
nuevos organismos; despus, la seleccin
natural se encarga de filtrar los ms aptos.
La creatividad procede de las mutaciones.
El entorno escoge los mejores diseos y
elimina los peores.
Nuestro modelo constituye una ver-
sin muy simplificada de la teora de
Darwin. En l, el papel del ADN lo de-
sempean programas informticos,

EN SNTESIS

Un nuevo programade investigacin, La idea bsicaconsiste en estudiar En cierto modelo simple,la acumu- Las investigaciones futurasdebern
la metabiologa, aspira a sentar las mutaciones aleatorias de programas lacin de mutaciones aleatorias ope- determinar hasta qu punto tales re-
bases matemticas de la teora de la informticos, el equivalente compu- ra casi tan rpido como el diseo sultados son relevantes para la verda-
evolucin de Darwin. tacional del cdigo gentico. inteligente. dera evolucin biolgica.

76 INVESTIGACIN Y CIENCIA, enero 2014

mientras que el efecto del entorno queda
modelizado por una funcin de aptitud.
En particular, nuestros organismos
son programas cuya misin consistir en
calcular un nmero entero lo ms grande
posible. Este problema se conoce en teora
de la computacin como problema del
castor afanoso (busy beaver, en ingls).
La razn para elegirlo se debe a que, a pe-
sar de su simplicidad, resolverlo requiere
una cantidad infinita de creatividad ma-
temtica, ya que solo mediante un proce-
so creativo pueden inventarse funciones
como la exponencial o la hiperexponen-
cial, las cuales permiten generar nmeros
cada vez mayores.
En esencia, nuestro modelo reproduce
un camino aleatorio en el espacio de pro-
gramas. Partimos de un organismo simple
(por ejemplo, el que calcula el nmero 1) y
lo sometemos a una mutacin aleatoria. Si
como resultado obtenemos un programa
capaz de calcular un nmero mayor, en-
tonces este ltimo reemplazar al prime-
ro. En caso contrario, el programa inicial
permanecer inalterado y se lo someter
a una nueva mutacin. Ntese que en
nuestro modelo solo hay un organismo
en cada instante, no una poblacin. Y que
este solo posee material hereditario, pero
carece de cuerpo y de metabolismo.
La nueva informacin llega desde el
exterior por medio del criterio de aptitud.
De hecho, para determinar si un nuevo
programa es ms apto o no que el an-
terior, nos veremos obligados a emplear
un orculo de Turing. Ello se debe a
que una mutacin aleatoria siempre po-
dr generar un programa cuya ejecucin
nunca se detiene (por ejemplo, porque
entra en un bucle infinito). Sin embargo,
tal y como demostr Alan Turing en el
ao 1936, no existe ningn algoritmo que,
de manera general, sea capaz de decidir
si un programa dado acabar detenin-
dose o no.
De modo que necesitaremos un orcu-
lo, una idea concebida por Turing en 1939
(no figuraba en su famoso artculo de 1936)
y que hace referencia a un dispositivo no
algortmico, una especie de caja negra
capaz de determinar si un programa dado
se detendr [vase Un Alan Turing des-
conocido, por B. Jack Copeland y Diane
Proudfoot; Investigacin y Ciencia, junio
de 1999].
El hecho de que nuestro modelo nece-
site un orculo de Turing no quiere decir
que estemos postulando que tales dispo-
sitivos no algortmicos realmente existan
en la naturaleza. Simplemente, se trata de
la herramienta matemtica ms sencilla y
directa que permite modelizar la llegada debern quedar especificadas por progra-
de informacin desde el exterior y simular mas autodelimitantes. Ello quiere decir
el efecto del entorno. que, al leer un programa bit a bit, debe-
Para acabar de especificar nuestro remos ser capaces de decir cundo termi-
modelo, debemos definir qu entende- na. De esta manera, ninguna extensin
mos por una mutacin y establecer un de un programa vlido ser un programa
mtodo para seleccionarlas al azar. En vlido. Si no imponemos esta condicin,
otras palabras, hemos de determinar la al calcular la probabilidad total de todos
probabilidad de cada mutacin. los programas posibles obtendramos un
A fin de demostrar que la evolucin resultado infinito (y no un nmero acota-
posee una capacidad creadora ilimita- do entre 0 y 1, como debe satisfacer toda
da, necesitaremos emplear mutaciones probabilidad).
de tipo algortmico. Una mutacin al-
gortmica no es ms que una funcin, APTITUD Y CREATIVIDAD
un programa informtico M que recibe Ya sabemos cmo funciona nuestro mo-
como entrada un organismo inicial A y delo. Sabemos en qu consisten nuestros
que, como salida, produce un organismo organismos, cmo seleccionar mutaciones
mutado, A' = M(A). al azar, cul es el criterio para filtrar los
Una manera muy natural de seleccio- organismos ms aptos y qu modelo evo-
nar programas al azar consiste en elegir lutivo de camino aleatorio resulta de todo
cada uno de sus bits lanzando una mone- ello. Ahora la pregunta clave es: cun r-
da al aire. Ello nos permite asignar una pido procede la evolucin en este modelo?
probabilidad a cada mutacin: si esta Cul es su grado de creatividad? Qu
puede escribirse como un programa de clase de organismos surgirn de manera
N bits, la probabilidad de seleccionarla al espontnea?
azar ser 1/2N. Esta tcnica es bien cono- Antes de responder a esa pregunta de-
cida y viene emplendose en teora de la beremos hacer un inciso para hablar de un
computacin desde los aos setenta del nmero sorprendente: el nmero W. Tam-
pasado siglo. Adems, presenta la venta- bin llamado probabilidad de detencin,
ja de que las probabilidades resultantes W se define como la suma de las probabi-
no dependen demasiado del lenguaje de lidades individuales de cada uno de los
programacin escogido para describir las programas informticos que se detienen.
mutaciones. El conjunto formado por estos programas
Tan solo nos falta establecer un ltimo es infinito; sin embargo, si solo conside-
requisito tcnico: nuestras mutaciones ramos programas autodelimitantes, puede
programas y pro b a b i l idades
Qu es un programa
autodelimitante?
En el modelo evolutivo considerado aqu, las mutaciones quedan representadas por
programas informticos escogidos de manera aleatoria. Dichos programas deben
satisfacer un importante requisito tcnico: han de ser autodelimitantes; es decir, al
leerlos bit a bit, deberemos poder decir cundo terminan. Por ejemplo:
programa principal;
subrutina A;
ejecutar bucle;
terminar ejecutar bucle;
terminar subrutina A;
subrutina B;
terminar subrutina B;
terminar programa principal;
El aspecto clave reside en que, de esta manera, ninguna extensin de un pro-
grama vlido proporciona un programa vlido. En caso contrario, la probabilidad
total asociada a todos los programas posibles sera infinita.
Esta propiedad nos permite asignar a los programas probabilidades bien defini-
das. Si los bits de un programa se determinan al azar, la probabilidad de obtener un
programa de N bits ser 1/2 N .
Enero 2014, InvestigacionyCiencia.es 77
 idea principa l

Las matemticas de la evolucin

Puede fundamentarse la teora de la evolucin de Darwin desde un punto de vista matemtico? Un modelo sencillo,
basado en interpretar el cdigo gentico como un programa informtico, ha permitido obtener resultados positivos
en esta direccin.

Diseo sin diseador

La teora de Darwin ha sido calicada a menudo como diseo sin diseador. En ella, las mutaciones aleatorias del ADN generan nuevos
organismos; despus, el entorno se encarga de seleccionar los mejores diseos.

Organismo inicial
(secuencia de ADN)
Seleccin natural
El entorno ltra los organismos
ms aptos
Mutaciones aleatorias Nuevo organismo
(daos en el ADN,
errores de copia...)
Creatividad biolgica

Programacin sin programador

En el anlogo computacional de la teora de Darwin, el papel de los organismos lo desempean programas informticos, los cuales experimentan
cambios aleatorios. Un criterio matemtico de aptitud selecciona los mejores programas.

Criterio de aptitud
A = ...0101 0 1 1 1 0 1 1 ... A' = ...01 1 1 01 0001 0 ... Se elige el programa capaz de calcular
Programa inicial Modicaciones aleatorias Nuevo programa el mayor nmero entero
(secuencia de bits) ejecutadas por un
programa informtico N + N N N NN N!N!
elegido al azar
Creatividad matemtica

Qu es una mutacin?
Es una funcin algortmica:
un programa informtico M
que toma el organismo inicial
como entrada y produce un nuevo
organismo A' = M (A). Los bits
de M se determinan al azar.
Orculos de Turing
Para determinar si A' calcula
un nmero mayor que A, debe
emplearse un orculo de Turing,
un proceso no algortmico que elimina
los programas que nunca se detienen.
Ello se debe a que una mutacin M escogida
al azar puede resultar en un programa
que nunca se detenga; tambin puede
ocurrir que el organismo mutado
no calcule ningn nmero.

Tasa evolutiva
La pregunta clave es cun rpido procede la evolucin en este modelo. En otras palabras:
cuntas mutaciones hacen falta para obtener el programa de N bits ms apto?
La comparacin con dos casos extremos pone de maniesto que la evolucin darwinista
opera mucho ms rpido de lo que cabra esperar.

Bsqueda exhaustiva Diseo inteligente Evolucin darwinista acumulativa

Examen ciego de todas Seleccin en cada momento Mutaciones aleatorias, preservando en cada
las posibilidades de la mejor mutacin posible paso el organismo ms apto

2 N mutaciones N mutaciones entre N 2 y N 3 mutaciones

78 INVESTIGACIN Y CIENCIA, enero 2014

 demostrarse que dicha suma se encuentra
bien definida y que converge hacia un nu-
mero comprendido entre 0 y 1.
El aspecto ms interesante de W reside
en que no es computable. Lo mximo a lo
que podemos aspirar es a calcular unos
pocos bits de su representacin binaria.
Ello se debe a que, si supisemos cmo
calcular los primeros N bits de W para un
nmero N cualquiera, podramos hallar
una manera de resolver el problema de la
detencin para todos los programas de N
bits o menos, el cual Turing demostr que
carece de solucin general. Lo que s pode-
mos hacer es calcular cotas inferiores de
W cada vez mejores, pero sin llegar nunca
a saber cun cerca nos hallamos del valor
correcto. [Para un anlisis ms detallado
del nmero W, vase Los lmites de la ra- requerira explorar 2N posibilidades y, por
zn, por Gregory Chaitin; Investigacin
y Ciencia, mayo de 2006].
Por qu hablar de W? Porque nuestro
modelo evolutivo es tal que, con una rapi-
dez razonable, generar buenas cotas in-
feriores de la probabilidad de detencin.
La razn para ello es que los primeros
N bits del valor numrico de W forman, en
esencia, el programa de N bits ms apto;
es decir, aquel capaz de calcular el mayor
nmero entero.
Esa correspondencia surge porque co-
nocer los primeros N bits de W prctica-
mente equivale a conocer la funcin del
castor afanoso, BB(N), la cual se define
como el mayor nmero entero que puede
calcular un programa de N bits o menos.
Recordemos que conocer los primeros
N bits de W permite resolver el problema
de la detencin para programas de hasta
N bits. Por tanto, si conocemos los prime-
ros N bits de W, podremos identificar to-
dos aquellos programas de N bits o menos
que se detienen y comprobar cul de ellos
calcula el mayor nmero entero.
En sentido inverso, puede demostrarse
que, si conocemos BB(N), tambin sabre-
mos el nmero correcto de pasos que ten-
dramos que dar para calcular una cota
inferior de W y asegurarnos de que los
ello habra que seleccionar en cada paso
la mejor de todas las mutaciones posibles.
Sin embargo, en la teora de Darwin las
mutaciones no se escogen de manera in-
teligente, sino al azar.
Lo ms sorprendente de este modelo es
que las mutaciones aleatorias hacen evolu-
cionar a nuestros organismos a un ritmo
no mucho menor que el diseo inteligen-
te. En este ltimo, bastan N pasos para
determinar los primeros N bits de W. Las
mutaciones aleatorias, por su parte, logran
el mismo objetivo tras un nmero medio
de pasos comprendido entre N 2 y N 3.
Comprese este resultado con lo que
supondra intentar determinar los pri-
meros N bits de W mediante un proceso
de bsqueda exhaustiva, o ciega. Esta
tanto, necesitara una cantidad de tiempo
muchsimo mayor. Sabemos que la evolu-
cin biolgica no funciona as en absoluto.
El genoma humano contiene unas 3 109
bases. Sin embargo, en los 4 109 aos que
lleva la vida sobre la Tierra, la evolucin
solo ha podido explorar una fraccin insig-
9
nificante de las 4310 secuencias posibles.
Cmo es posible que las mutaciones
aleatorias logren un resultado tan bue-
no? La clave reside en que las mutaciones
ms eficientes son tambin muy sencillas
y, por tanto, cuentan con una alta pro-
babilidad de aparecer en una secuencia
aleatoria.
Las mutaciones del diseo inteligente
operan de la siguiente manera. Si parti-
e l n mero omega
Creatividad matemtica
concentrada
El nmero puede entenderse como la probabilidad de que un programa escogido
al azar se detenga. Se define como la suma de las probabilidades individuales de
cada uno de los programas que lo hacen:
=
programas autodelimitantes P
mos de una cota infe-
rior de W, intentarn
primero incrementar el
bit K-simo de dicha cota; despus, com-
probarn si el resultado contina sien-
do o no una cota inferior de W (si no lo
es, puede demostrarse que el programa
mutado nunca se detiene). Si repetimos
este proceso de manera sistemtica para
K = 1, 2, ..., N, al concluir habremos de-
terminado de manera correcta los pri-
meros N bits de W.
En caso de ejecutar mutaciones aleato-
rias, bastarn unos N 3 intentos para repro-
ducir, por pura suerte, la misma secuencia
de mutaciones del diseo inteligente. An-
tes o despus, cualquier secuencia apare-
ce como una subsecuencia de una serie
aleatoria. Puede verse que la probabilidad
de que una mutacin escogida al azar in-
cremente el bit K-simo de W es aproxima-
damente igual a 1/K. Por tanto, aparecer
en promedio una vez por cada K intentos.
Para obtener la secuencia correcta de mu-
taciones deberemos tomar la suma desde
K = 1 hasta K = N. Cuando N es elevado, el
valor de dicha suma se aproxima a N 2/2.
2
(nmero de bits de P)

primeros N bits son correctos.
As pues, con la ayuda de un orculo
de Turing, nuestro modelo evolutivo cal-
cular cada vez ms bits de la expresin
numrica de W. En otras palabras: extrae-
r informacin del entorno con rapidez.
Pero a qu velocidad?
DISEO INTELIGENTE
fotolia/beau belle
que se detienen
Los programas P considerados deben ser, adems, autocontenidos (es decir, no
aceptan entradas).
Aunque se trata de un nmero bien definido y que satisface 0 < < 1, es
incomputable. Puede demostrarse que conocer los primeros N bits de su expresin
binaria equivaldra a resolver el problema de la detencin para todos los programas
de N bits o menos. En 1936, Alan Turing demostr que dicho problema carece de
solucin general.
En el modelo considerado en este artculo, los organismos son programas que

Y EVOLUCIN DARWINISTA intentan calcular el mayor nmero entero posible. Desde un punto de vista formal,
La secuencia evolutiva ms eficiente es ese reto equivale a calcular ms y ms bits de la expresin binaria de , una tarea
aquella que, tras cada nueva mutacin, lo- de dificultad formidable que mantiene a los organismos en constante evolucin.
gra determinar un bit adicional de W. Para

Enero 2014, InvestigacionyCiencia.es 79

 e x tensiones

Efectos cunticos en la evolucin biolgica

Permiten las leyes de la mecnica cuntica nuevas sendas evolutivas?
Miguel ngel Martn-Delgado

La evolucin biolgica se nos hace visible a escala humana o
macroscpica, un mbito en el que predominan las leyes de la fsica
clsica. Sin embargo, sabemos que los cambios evolutivos tienen su
origen en las mutaciones, las cuales ocurren a las escalas atmicas y
moleculares tpicas de la mecnica cuntica. As pues, resulta natu-
ral preguntarse si los efectos cunticos desempean algn papel en
la dinmica evolutiva. Dicha hiptesis ya fue avanzada por Erwin
Schrdinger en 1944, antes incluso de que se descubriese la estruc-
tura de doble hlice del ADN. En su obra Qu es la vida?, el fsico
austraco planteaba la posibilidad de que las mutaciones se debie-
sen a las fluctuaciones cunticas del material gentico.
Qu resulta ms favorable, la evolucin biolgica en un mundo
clsico o en un mundo cuntico? Esta pregunta guarda relacin
con dos cuestiones fundamentales. Por un lado, sabemos que la
evolucin biolgica tal y como la conocemos opera en un mundo
clsico; pero es posible que, con anterioridad a dicha era clsica,
tuviese lugar una poca en que la evolucin estuviese dominada
por leyes cunticas? Por otro lado, tal vez en la evolucin biolgica
actual coexistan mecanismos clsicos y cunticos, si bien a escalas
diferentes.
A pesar de su simplicidad, el modelo evolutivo de Gregory Chai-
tin resulta lo suficientemente concreto y preciso para abordar esas
preguntas. En un trabajo cuyos resultados se publicaron en 2012 en
Scientific Reports, se logr construir una formulacin cuntica de
dicho modelo y dar una primera respuesta a tales cuestiones.
En la extensin cuntica, los programas informticos que represen-
tan el material gentico de un organismo se sustituyen por programas
cunticos. Como tales, estos no constan de bits, sino de qubits: super-
posiciones cunticas de los estados clsicos correspondientes a cero
y uno. Del mismo modo, las mutaciones clsicas quedan reemplaza-
das por anlogos cunticos. Estos transforman el registro gentico
de acuerdo con las leyes de la fsica cuntica, por lo que automtica-
mente son unitarios (es decir, garantizan que la suma de las proba-
bilidades asociadas a todos los procesos posibles es siempre 1). Por
ltimo, la funcin de aptitud que determina si un organismo evo-
luciona o no se rige, asimismo, por las leyes unitarias de la mecnica
cuntica. Todo lo anterior exige introducir una versin cuntica del
nmero de Chaitin, el cual desempea un papel clave a la hora de
cuantificar las tasas evolutivas.
Dicho trabajo demostr que el ritmo al que procede la evolucin
en un contexto cuntico depende del grado de entrelazamiento de
los estados que codifican la informacin gentica. Si tales estados no
presentan ningn entrelazamiento (son separables), se recuperan
los resultados del modelo clsico. Sin embargo, cuando la informa-
cin gentica se almacena en estados cunticos entrelazados, sur-
gen nuevas posibilidades.
Si el grado de entrelazamiento es mximo, un escenario con
evolucin acumulativa implica que la evolucin clsica resulta ms
favorable que la cuntica (es decir, que opera a mayor velocidad).
En este sentido, el modelo de Chaitin explicara por qu la evolucin
biolgica se rige predominantemente por leyes clsicas. Sin embargo,
otros grados de entrelazamiento permiten que la evolucin cuntica
prime sobre la clsica.
Esta lnea de trabajo abre las puertas al estudio de otros aspectos.
Por ejemplo, una pregunta de gran inters concierne al efecto de la
decoherencia sobre el material gentico (la prdida de las correla-
ciones cunticas inducida por un entorno macroscpico), que hasta
ahora ha sido ignorado.
La teora cuntica de la informacin puede ayudar a descu-
brir caminos evolutivos ms complejos que los analizados hasta el
momento. Ello tal vez nos permita entender mejor la manera en que
la informacin biolgica se almacena en el material gentico y su
devenir a lo largo de la historia.
Miguel ngel Martn-Delgado es catedrtico de fsica terica
de la Universidad Complutense de Madrid.

Un anlisis ms detallado muestra que no
siempre bastarn N 2/2 mutaciones; sin
embargo, N 3 s sern suficientes.
As pues, y a pesar de su enorme
simplicidad, nuestro modelo exhibe un
comportamiento darwinista, en el que
la paciencia y el azar reemplazan a la
inteligencia.
Este parece ser el primer modelo mate-
mtico en el que resulta posible demostrar
que la evolucin contina para siempre
sin estancarse jams. Ello se debe a que
de Turing, bien conocido en teora de la
computacin por ser irresoluble.
El modelo que hemos esbozado aqu
fue concebido para demostrar algunos
teoremas relacionados con la evolucin en
biologa. No sin cierto optimismo, hemos
decidido bautizar esta lnea de investiga-
cin como metabiologa. Los primeros pa-
sos se antojan esperanzadores, pero an
PARA SABER MS
queda por ver su relevancia y su grado
de aplicabilidad a la verdadera evolucin
biolgica.
En ltima instancia, nuestra meta es
unificar la teora de la computacin y la
biologa terica. Si esta tarea puede llevar-
se a trmino, habremos demostrado que,
tal y como argumenta Venter, el ADN es
el programa informtico de la vida.

se trata de un modelo con un grado de
simplificacin enorme (sin duda, lo que
los fsicos llamaran un modelo de ju-
guete) y a que hemos obligado a nues-
tros organismos a resolver una tarea de
dificultad extraordinaria: el problema del
castor afanoso. En esencia, este equivale
a resolver el problema de la detencin
Meta math! The quest for Omega.Gregory Chaitin. Pantheon, Nueva York, 2005.
Matemticas, complejidad y filosofa: Conferencias pronunciadas en Canad y Argentina.Gregory Chaitin.
Editorial Midas, Valparaso, 2011.
Life as evolving software.Gregory Chaitin en A computable universe: Understanding and exploring nature as
computation. Dirigido por Hctor Zenil. World Scientific, Singapur, 2012.
On quantum effects in a theory of biological evolution.Miguel ngel Martn-Delgado en Scientific Reports
n.o 2, artculo 302, 12 de marzo de 2012.
Demostrando a Darwin: La biologa en clave matemtica.Gregory Chaitin. Tusquets, Barcelona, 2013.

80 INVESTIGACIN Y CIENCIA, enero 2014