Alostasis: otro modelo para pensar las enfermedades prevalentes

La predicción requiere que cada sensor adapte su sensibilidad al rango de entradas esperado.

La predicción debe basarse en sensores que sean precisos y rápidos con respecto a los procesos que ayudan a regular. La forma en que los sensores mantienen su precisión y velocidad en un amplio rango dinámico ahora se comprende bien para varios sistemas neuronales, especialmente para la visión. Los principios básicos parecen ser generalizables para todos los sensores.

De hecho, las conclusiones del análisis de la visión en la mosca y en las retinas de los vertebrados son similares a las alcanzadas al analizar la quimiotaxis en las bacterias (cf Laughlin, 1994 y Rieke et al., 1999 frente a Koshland y cols., 1982; Koshland, 1987). Por lo tanto, esta sección resume la comprensión actual de cómo y por qué los sensores se adaptan a sus entradas.

La tasa de adaptación coincide con la tasa de entrada cambiante.

Las estadísticas de entrada pueden fluctuar muy rápidamente, por ejemplo, la intensidad de la luz en el ojo de un insecto volador varía en milisegundos. Para que una neurona visual coincida con sus respuestas a dichos cambios, debe adaptarse en milisegundos; de lo contrario, siempre estará optimizado para una condición pasada y nunca para la entrada que probablemente encuentre más adelante. Dicha neurona mide la entrada muy brevemente, durante el tiempo suficiente como para proporcionar estadísticas confiables, y luego cambia la sensibilidad en consecuencia.

Como los fotones llegan estocásticamente, su ruido intrínseco se establece por la raíz cuadrada del número contado; por lo que una neurona de mosca que se adapta durante 10 milisegundos puede detectar un cambio de 100 fotones capturados durante cinco milisegundos y luego predecir la intensidad más probable del próximo instante dentro del 10%, dejando cinco milisegundos para cambiar la curva de respuesta (Fairhall et al. 2001).

En resumen, la selección natural asegura la predicción hasta el límite establecido por las leyes físicas (Rieke et al., 1999, Laughlin, 1994, Sterling, 2003).

El curso temporal de la adaptación predictiva difiere para cada sistema y depende en parte de la duración del tiempo expuesto a una carga en particular. Por ejemplo, después de llevar las compras de su automóvil a la cocina, su sentido del esfuerzo se reduce brevemente: una taza de café se siente "más liviana" de lo normal. Pero después de usar botas de esquí o una mochila durante horas, la sensación de ingravidez dura más tiempo. Durante más de una hora, los mecanorreceptores en los músculos, tendones y ligamentos han reducido su sensibilidad para igualar la carga persistentemente incrementada. Pero luego, durante decenas de minutos, lamentablemente, recuperamos nuestro sentido común del esfuerzo a medida que estos mecanismos se readaptan para predecir la próxima ronda de cargas más probables.

Incluso los astronautas, inicialmente entusiasmados por la gravedad cero, gradualmente dejan de notar su ingravidez o incluso su orientación inusual dentro de la cabina (para nosotros, "al revés"), porque todos sus mecanismos sensoriales se reajustan para predecir las condiciones más probables.

Muchos predictores reducen los costos anticipando los cambios regulares en la demanda

Hay dos niveles de predicción:

Este segundo factor, la persistencia, mejora la eficiencia porque cada cambio requiere una respuesta, y cada respuesta tiene un costo. Muchos predictores reducen los costos anticipando los cambios regulares en la demanda.

Por ejemplo, la predicción circadiana resulta tan ventajosa que cada célula del cuerpo la usa para regular la expresión de un gran número de genes diferentes según la demanda prevista (Roenneberg y Merrow, 2003). En una escala de tiempo más larga, la variación estacional en la duración del día predice la temperatura ambiental promedio y la disponibilidad de alimentos, con un rendimiento mucho más confiable que la temperatura local.