La eucariogénesis como transición de fase algorítmica

El problema

Las longitudes de genes y de proteínas en todo el árbol de la vida siguen distribuciones lognormales, la firma de un proceso aleatorio multiplicativo. Muro y sus colaboradores llevan esa observación a una conclusión llamativa: la longitud génica ha crecido exponencialmente desde el último ancestro común universal, su varianza sigue una ley de potencias en la media (ley de Taylor), y en torno a una longitud génica media de 1 500 pares de bases la longitud de las proteínas deja de crecer mientras los genes siguen creciendo acumulando secuencia no codificante. Leen ese umbral como una transición de fase de segundo orden, con su pico de fluctuaciones y un patrón “fácil-difícil-fácil” en el coste evolutivo por nucleótido, y lo sitúan hace unos 2 600 millones de años, cuando aparecen los eucariotas. Es física estadística aplicada a un conjunto de datos genómico, y cada paso puede rehacerse con datos públicos.

Artículo base

E. M. Muro, F. J. Ballesteros, B. Luque y J. Bascompte, “The emergence of eukaryotes as an evolutionary algorithmic phase transition”, PNAS 122, e2422968122 (2025), doi:10.1073/pnas.2422968122. Acceso abierto con licencia CC BY, con un documento de información complementaria que detalla los ajustes y las simulaciones.

Los datos son genomas anotados de Ensembl y proteomas de referencia de UniProt, ambos descargables libremente; el artículo analiza decenas de miles, pero las figuras clave ya aparecen con unos pocos cientos de especies bien anotadas.

El camino

1. Estudiar. Procesos multiplicativos estocásticos y por qué producen lognormales (el teorema central del límite en el logaritmo); la ley de Taylor y la invariancia de escala; el lenguaje de las transiciones de fase continuas (parámetro de orden, punto crítico, ralentización crítica, picos de fluctuación); ajuste por máxima verosimilitud y comparación de modelos para distribuciones de cola pesada; la genómica justa para saber qué son un gen, una secuencia codificante y un intrón.

2. Reproducir. Descargar tablas de longitudes de genes y proteínas para un conjunto de especies, ajustar lognormales y comprobar los ajustes, representar la varianza frente a la media de la longitud génica y recuperar el exponente de Taylor, representar la longitud proteica media frente a la génica media y localizar la meseta, calcular la fracción no codificante y compararla con la curva predicha. Después, escribir la simulación de crecimiento multiplicativo descrita en la información complementaria y confirmar que produce las mismas distribuciones. Cada figura del artículo es un punto de control.

3. Encontrar los huecos e ir más allá.

• ¿Cuánto depende la longitud crítica de la calidad de la anotación y de qué especies se incluyen? Remuestrear y ver cuán estable es.
• ¿Es la lognormal realmente la mejor descripción, o una gamma o una cola de ley de potencias funcionan igual de bien? Comparar modelos con rigor.
• ¿Sobrevive el pico de fluctuaciones cerca del umbral cuando el análisis se restringe a un reino, o a genomas de edad parecida?
• Extender la simulación con el cambio codificante/no codificante en el umbral y comprobar si reproduce las distribuciones de longitud de intrones y exones humanos.
• Preguntarse si otras magnitudes a escala de genoma (número de genes, tamaño del genoma, contenido GC) muestran la misma transición.

Qué hace falta

Física estadística y probabilidad del grado; Python con NumPy, SciPy, pandas y Matplotlib; disposición a manejar ficheros de texto grandes de bases de datos biológicas. Sin trabajo de laboratorio húmedo. Adecuado para un estudiante, o para dos si se reparten la simulación y el análisis de datos.