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
biolgica

de la

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.
durante la explosin cmbrica, analizada 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 programa 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 velocidad de la luz: De la doble hlice a los
albores de la vida digital), en el que tambin aborda la biologa digital y la vida
sinttica. As pues, en lugar de estudiar
mutaciones aleatorias de ADN, consideraremos mutaciones aleatorias de programas informticos.
La teora de la evolucin de Darwin ha
sido calificada a menudo como diseo
sin diseador. Aqu exploraremos la nocin de programacin sin programador.
Como veremos, este marco permite formular 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 generan organismos cada vez ms aptos, en
un proceso que no conoce fin.
Cabe esperar que nuestro modelo reproduzca las propiedades matemticas de
algunos de los mecanismos fundamentales de la evolucin biolgica. En particu-

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 cambios 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 evolucin, 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 informticos que converjan hacia soluciones
prcticas de problemas de ingeniera, no
en demostrar que la evolucin es eterna.
PROGRAMACIN
SIN PROGRAMADOR

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 versin muy simplificada de la teora de
Darwin. En l, el papel del ADN lo desempean programas informticos,

EN SNTESIS

Un nuevo programade investigacin,

la metabiologa, aspira a sentar las
bases matemticas de la teora de la
evolucin de Darwin.

La idea bsicaconsiste en estudiar

mutaciones aleatorias de programas
informticos, el equivalente computacional del cdigo gentico.

76 INVESTIGACIN Y CIENCIA, enero 2014

En cierto modelo simple,la acumulacin de mutaciones aleatorias opera casi tan rpido como el diseo
inteligente.

Las investigaciones futurasdebern

determinar hasta qu punto tales resultados son relevantes para la verdadera evolucin biolgica.

pginas anteriores: fotolia/beau belle, modificado por investigacin y ciencia; Rubn Soifer (autores)

Si podemos entender el comportamiento

de las partculas subatmicas, el origen y
la evolucin del universo o la complejidad de la mecnica de fluidos, es gracias
a la aplicacin de principios y herramientas matemticas. En biologa, en cambio,
no sucede lo mismo. Aunque es cierto que
las matemticas estn ayudando a describir ciertos fenmenos (sobre todo aquellos relacionados con los sistemas complejos, como las interacciones en redes
ecolgicas o la propagacin de enfermedades, entre otros), estas no se encuentran entre los fundamentos de las principales teoras biolgicas.
A continuacin presentaremos una lnea de investigacin incipiente, iniciada
hace unos cinco aos, que persigue abordar desde un punto de vista matemtico
uno de los pilares de la biologa: la teora
de la evolucin de Darwin. Pueden las
matemticas explicar la enorme plasticidad 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 Neumann y publicada en 1951, antes de que
James Watson y Francis Crick descubriesen la estructura de la molcula de ADN.
En particular, nuestro modelo persigue
entender la creatividad biolgica: fenmenos como la formidable aparicin de
nuevas formas de vida que tuvo lugar

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 pesar de su simplicidad, resolverlo requiere
una cantidad infinita de creatividad matemtica, ya que solo mediante un proceso creativo pueden inventarse funciones
como la exponencial o la hiperexponencial, las cuales permiten generar nmeros
cada vez mayores.
En esencia, nuestro modelo reproduce
un camino aleatorio en el espacio de programas. 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, entonces este ltimo reemplazar al primero. 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 anterior, nos veremos obligados a emplear
un orculo de Turing. Ello se debe a
que una mutacin aleatoria siempre podr 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 detenindose o no.
De modo que necesitaremos un orculo, 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 desconocido, por B. Jack Copeland y Diane
Proudfoot; Investigacin y Ciencia, junio
de 1999].
El hecho de que nuestro modelo necesite un orculo de Turing no quiere decir
que estemos postulando que tales dispositivos no algortmicos realmente existan
en la naturaleza. Simplemente, se trata de
la herramienta matemtica ms sencilla y

directa que permite modelizar la llegada

de informacin desde el exterior y simular
el efecto del entorno.
Para acabar de especificar nuestro
modelo, debemos definir qu entendemos por una mutacin y establecer un
mtodo para seleccionarlas al azar. En
otras palabras, hemos de determinar la
probabilidad de cada mutacin.
A fin de demostrar que la evolucin
posee una capacidad creadora ilimitada, necesitaremos emplear mutaciones
de tipo algortmico. Una mutacin algortmica no es ms que una funcin,
un programa informtico M que recibe
como entrada un organismo inicial A y
que, como salida, produce un organismo
mutado, A' = M(A).
Una manera muy natural de seleccionar programas al azar consiste en elegir
cada uno de sus bits lanzando una moneda al aire. Ello nos permite asignar una
probabilidad a cada mutacin: si esta
puede escribirse como un programa de
N bits, la probabilidad de seleccionarla al
azar ser 1/2N. Esta tcnica es bien conocida y viene emplendose en teora de la
computacin desde los aos setenta del
pasado siglo. Adems, presenta la ventaja de que las probabilidades resultantes
no dependen demasiado del lenguaje de
programacin escogido para describir las
mutaciones.
Tan solo nos falta establecer un ltimo
requisito tcnico: nuestras mutaciones

debern quedar especificadas por programas autodelimitantes. Ello quiere decir

que, al leer un programa bit a bit, deberemos ser capaces de decir cundo termina. De esta manera, ninguna extensin
de un programa vlido ser un programa
vlido. Si no imponemos esta condicin,
al calcular la probabilidad total de todos
los programas posibles obtendramos un
resultado infinito (y no un nmero acotado entre 0 y 1, como debe satisfacer toda
probabilidad).
APTITUD Y CREATIVIDAD

Ya sabemos cmo funciona nuestro modelo. Sabemos en qu consisten nuestros

organismos, cmo seleccionar mutaciones
al azar, cul es el criterio para filtrar los
organismos ms aptos y qu modelo evolutivo de camino aleatorio resulta de todo
ello. Ahora la pregunta clave es: cun rpido procede la evolucin en este modelo?
Cul es su grado de creatividad? Qu
clase de organismos surgirn de manera
espontnea?
Antes de responder a esa pregunta deberemos hacer un inciso para hablar de un
nmero sorprendente: el nmero W. Tambin llamado probabilidad de detencin,
W se define como la suma de las probabilidades individuales de cada uno de los
programas informticos que se detienen.
El conjunto formado por estos programas
es infinito; sin embargo, si solo consideramos 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 programa 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 definidas. 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.

Seleccin natural

El entorno ltra los organismos

ms aptos
Organismo inicial
(secuencia de ADN)

Nuevo organismo

Mutaciones aleatorias
(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.

A = ...0101 0 1 1 1 0 1 1 ...

A' = ...01 1 1 01 0001 0 ...

Programa inicial
(secuencia de bits)

Nuevo programa

Modicaciones aleatorias
ejecutadas por un
programa informtico
elegido al azar

Criterio de aptitud

Se elige el programa capaz de calcular

el mayor nmero entero

N + N N N NN N!N!
Creatividad matemtica

Orculos de Turing

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.

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
Examen ciego de todas
las posibilidades

Diseo inteligente
Seleccin en cada momento
de la mejor mutacin posible

Evolucin darwinista acumulativa

Mutaciones aleatorias, preservando en cada
paso el organismo ms apto

2 N mutaciones

N mutaciones

entre N 2 y N 3 mutaciones

78 INVESTIGACIN Y CIENCIA, enero 2014

 fotolia/beau belle

demostrarse que dicha suma se encuentra

bien definida y que converge hacia un numero 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 podemos 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 razn, por Gregory Chaitin; Investigacin
y Ciencia, mayo de 2006].
Por qu hablar de W? Porque nuestro
modelo evolutivo es tal que, con una rapidez razonable, generar buenas cotas inferiores 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 conocer los primeros N bits de W prcticamente 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 primeros N bits de W, podremos identificar todos 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 sabremos el nmero correcto de pasos que tendramos que dar para calcular una cota
inferior de W y asegurarnos de que los
primeros N bits son correctos.
As pues, con la ayuda de un orculo
de Turing, nuestro modelo evolutivo calcular cada vez ms bits de la expresin
numrica de W. En otras palabras: extraer informacin del entorno con rapidez.
Pero a qu velocidad?
DISEO INTELIGENTE
Y EVOLUCIN DARWINISTA

La secuencia evolutiva ms eficiente es

aquella que, tras cada nueva mutacin, logra determinar un bit adicional de W. Para

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 inteligente, sino al azar.
Lo ms sorprendente de este modelo es
que las mutaciones aleatorias hacen evolucionar a nuestros organismos a un ritmo
no mucho menor que el diseo inteligente. 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 primeros N bits de W mediante un proceso
de bsqueda exhaustiva, o ciega. Esta
requerira explorar 2N posibilidades y, por
tanto, necesitara una cantidad de tiempo
muchsimo mayor. Sabemos que la evolucin 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 insig9
nificante de las 4310 secuencias posibles.
Cmo es posible que las mutaciones
aleatorias logren un resultado tan bueno? La clave reside en que las mutaciones
ms eficientes son tambin muy sencillas
y, por tanto, cuentan con una alta probabilidad de aparecer en una secuencia
aleatoria.
Las mutaciones del diseo inteligente
operan de la siguiente manera. Si parti-

mos de una cota inferior de W, intentarn

primero incrementar el
bit K-simo de dicha cota; despus, comprobarn si el resultado contina siendo 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 determinado de manera correcta los primeros N bits de W.
En caso de ejecutar mutaciones aleatorias, bastarn unos N 3 intentos para reproducir, por pura suerte, la misma secuencia
de mutaciones del diseo inteligente. Antes o despus, cualquier secuencia aparece como una subsecuencia de una serie
aleatoria. Puede verse que la probabilidad
de que una mutacin escogida al azar incremente el bit K-simo de W es aproximadamente igual a 1/K. Por tanto, aparecer
en promedio una vez por cada K intentos.
Para obtener la secuencia correcta de mutaciones 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.

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:
=

(nmero de bits de P)

programas autodelimitantes P
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
intentan calcular el mayor nmero entero posible. Desde un punto de vista formal,
ese reto equivale a calcular ms y ms bits de la expresin binaria de , una tarea
de dificultad formidable que mantiene a los organismos en constante evolucin.

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 natural 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 estructura de doble hlice del ADN. En su obra Qu es la vida?, el fsico
austraco planteaba la posibilidad de que las mutaciones se debiesen 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 Chaitin 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 representan el material gentico de un organismo se sustituyen por programas
cunticos. Como tales, estos no constan de bits, sino de qubits: superposiciones cunticas de los estados clsicos correspondientes a cero
y uno. Del mismo modo, las mutaciones clsicas quedan reemplazadas por anlogos cunticos. Estos transforman el registro gentico
de acuerdo con las leyes de la fsica cuntica, por lo que automticamente son unitarios (es decir, garantizan que la suma de las proba-

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 matemtico en el que resulta posible demostrar
que la evolucin contina para siempre
sin estancarse jams. Ello se debe a que
se trata de un modelo con un grado de
simplificacin enorme (sin duda, lo que
los fsicos llamaran un modelo de juguete) y a que hemos obligado a nuestros organismos a resolver una tarea de
dificultad extraordinaria: el problema del
castor afanoso. En esencia, este equivale
a resolver el problema de la detencin

80 INVESTIGACIN Y CIENCIA, enero 2014

bilidades asociadas a todos los procesos posibles es siempre 1). Por

ltimo, la funcin de aptitud que determina si un organismo evoluciona 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 informacin gentica se almacena en estados cunticos entrelazados, surgen 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 correlaciones cunticas inducida por un entorno macroscpico), que hasta
ahora ha sido ignorado.
La teora cuntica de la informacin puede ayudar a descubrir 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.

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 investigacin como metabiologa. Los primeros pasos se antojan esperanzadores, pero an

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 llevarse a trmino, habremos demostrado que,
tal y como argumenta Venter, el ADN es
el programa informtico de la vida.

PARA SABER MS

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.