Texto académico

Autores

 

 


Módulo 1. Introducción a la biología de sistemas 

1.1 ¿Qué es la biología de sistemas? 


“A menudo digo que cuando puedes medir de lo que estás hablando, y expresarlo en números, sabes algo al respecto; pero cuando no puedes medirlo, cuando no puedes expresarlo en números, tu conocimiento es de un tipo exiguo e insatisfactorio; puede ser el comienzo del conocimiento, pero apenas en sus pensamientos han avanzado al estado de la ciencia, cualquiera que sea el asunto”. William Thomson (Lord Kelvin) 1883.


Aunque Lord Kelvin no era consciente de los grandes avances que uno puede hacer mirando con los números, su exagerada filosofía cuantitativa centra la atención en los posibles beneficios de las álgebras superior, matricial, binaria, geometría diferencial y la probabilidad bayesiana.  Una de las grandes tradiciones intelectuales centra la atención en los posibles beneficios de los sistemas dinámicos y complejos, involucra, a la química,  y la física para darle valor a los datos. Ya sea pensando en los datos astronómicos que describen las galaxias, agujeros negros, ondas de gravedad o las conductividades térmicas y eléctricas de los materiales, los números en sí mismos son una parte central del telón de fondo fáctico y conceptual de estos campos. De hecho, a menudo el acto de tratar de explicar por qué los números tienen valor en la biología y su biotecnología, termina siendo un motor de descubrimiento. En nuestra opinión, es un buen momento histórico para hacer un esfuerzo similar para formar estudiante con un nuevo perfil científico, en nanobiología y biología de sistemas. Invitamos al lector que nos sigue, a explorar la ciencia de datos aplicada por investigadores experimentados, que simplemente quieren encontrar los mejores valores para los números de interés dentro de la biología moderna. 


El método científico ha estado guiando la investigación biológica durante mucho tiempo. No solo prescribe el orden y los tipos de actividades que dan validez a un estudio científico y un sello de aprobación, sino que también ha moldeado sustancialmente la forma en que pensamos colectivamente sobre el esfuerzo de investigar la naturaleza. El advenimiento de la generación de datos de alto rendimiento, la minería de datos y el modelado computacional avanzado ha puesto en entredicho el estado monolítico, antes indiscutible, del método científico. Por un lado, los nuevos enfoques de una biología mecanicista son claramente exitosos y esperan la misma aceptación que los métodos tradicionales, pero por otro lado, reemplazan gran parte del razonamiento impulsado por hipótesis por la argumentación inductiva[1], que los filósofos de la ciencia consideran problemática. Intrigados por la enorme riqueza de datos y el poder del aprendizaje automático, algunos científicos incluso han argumentado que las correlaciones significativas dentro de los conjuntos de datos podrían hacer que toda la búsqueda de la causalidad sea sólida[2]. Muchos de estos temas se han debatido apasionadamente durante las últimas dos décadas, a menudo con escaso acuerdo. La combinación de métodos dentro de este espacio sin duda dará forma a nuestro pensamiento sobre la naturaleza, con implicaciones para el diseño experimental, la revisión por pares y la financiación, el intercambio de resultados, la educación, los diagnósticos médicos e incluso las cuestiones de litigio.


Los grafos ocupan un lugar destacado en el razonamiento humano, especialmente en la ciencia. La investigación en ciencias cognitivas ha proporcionado importantes conocimientos sobre las inferencias que ofrecen los grafos y ha revelado diferencias en el razonamiento que son posibles gracias a los diagramas instanciados físicamente y los meramente imaginados[3]. En la práctica científica, los grafos ocupan un lugar destacado tanto en la forma en que los científicos razonan sobre los datos como en la forma en que conceptualizan los mecanismos explicativos. Para identificar patrones en los datos, los científicos a menudo los grafican. Si bien algunos formatos de gráficos, como los gráficos de líneas, se usan ampliamente, los científicos a menudo desarrollan formatos especializados diseñados para revelar tipos específicos de patrones y, con frecuencia, emplean múltiples formatos para presentar los mismos datos, una práctica ilustrada con formatos de grafos desarrollados en biología circadiana. Los científicos cognitivos han revelado el razonamiento espacial y los procesos de búsqueda iterativos que los científicos implementan para comprender los grafos. Al desarrollar explicaciones, los científicos suelen diagramar los mecanismos que consideran responsables de un fenómeno, una práctica nuevamente ilustrada con grafos de mecanismos circadianos: por ejemplo la red de TOR. La investigación de la ciencia cognitiva ha revelado cómo  tales diagramas para comprender un mecanismo genera un fenómeno causal[4].


En términos generales, la biología de sistemas tiene como objetivo capturar la complejidad dinámica de los sistemas vivos mediante la combinación de estrategias matemáticas, computacionales y experimentales[5]. Una cuestión de investigación fundamental es cómo la función biológica surge de las interacciones de procesos cuyas dinámicas no son lineales y están limitadas por la organización del sistema en su conjunto. La investigación en biología de sistemas está impulsada por problemas complejos que requieren soluciones interdisciplinarias, pero existen diferentes puntos de vista sobre los métodos, valores y objetivos más importantes de la biología de sistemas. Algunos académicos enfatizan la integración computacional de big data de múltiples fuentes como un rasgo característico de la biología de sistemas[6], mientras que otros enfatizan que la biología de sistemas es una fusión de la teoría de sistemas con la biología[7]. Las diferencias en los puntos de vista teóricos y metodológicos a veces se caracterizan por las diferencias entre la biología de sistemas pragmática y teórica de sistemas: la primera ve la biología de sistemas como una extensión directa de la genómica, la biología molecular y la segunda destaca la necesidad de una teoría de sistemas formal de los sistemas vivos[8]. En ambos casos, sin embargo, los investigadores deben navegar en lo que se llama un espacio de problemas adaptativos donde el conocimiento y los métodos se reconfiguran y combinan continuamente en nuevos métodos, conceptos y modelos híbridos. La combinación de reflexión teórica e innovaciones metodológicas mediadas tecnológicamente hace que la biología de sistemas sea particularmente intrigante desde una perspectiva filosófica y de diseño. Es discutible si la biología de sistemas aporta algo radicalmente nuevo a las ciencias de la vida. La biología de sistemas se ha descrito en términos tan diferentes como un nuevo "paradigma holístico" o "revolución" en biología a ser simplemente una "palabra de moda" utilizada con fines de financiación[9]. Es difícil señalar cambios históricos radicales o "revoluciones", pero la biología de sistemas se desarrolla en un contexto histórico y tecnológico único que ofrece oportunidades nuevas y emocionantes para la producción de datos, el modelado y también para el desarrollo conceptual. La biología de sistemas combina estrategias tradicionales de investigación biológica con marcos metodológicos y teóricos de diversas disciplinas, incluidas la física, la ingeniería, la informática y las matemáticas.  La biología de sistemas tal vez no tenga precedentes en la medida en que se combinan varias disciplinas, y ya es un enfoque diverso y en rápida expansión. Mientras que la etiqueta de biología de sistemas ganó popularidad recientemente, la biología de sistemas tiene muchos precursores importantes y muchos investigadores han estado investigando en biología de sistemas durante varias décadas. Para mencionar algunos ejemplos, Noble desarrolló el primer modelo matemático viable del corazón latiendo a principios de la década de 1960, Davidson y Britten formularon un modelo de red reguladora de genes (GRN) en 1969, y Mesarovi? y Takahara desarrollaron un marco teórico para sistemas jerárquicos multinivel en las décadas de 1960 y 1970. De manera similar, varios académicos han impulsado enfoques de sistemas para el control dinámico de procesos biológicos durante muchos años antes de que se usara el término biología de sistemas en su contexto moderno. El desarrollo de la biología de sistemas es, por tanto, un proceso largo con diferentes raíces teóricas y metodológicas. Mesarovi? acuñó el término biología de sistemas ya en 1968 en el Tercer Simposio Internacional de Sistemas en el Case Institute of Technology, Cleveland, Ohio[10]. La biología de sistemas en este contexto inicial supuso el lanzamiento de un campo de investigación biológica basado en la Teoría Matemática de Sistemas Generales, inspirado en el objetivo de la cibernética de identificar y formular principios matemáticos que sustentan capacidades funcionales como el control de retroalimentación. Aún se está explorando el potencial de este marco para el avance conceptual en biología.


Weiss y Bertalanffy son otros precursores cuyo trabajo es de continua relevancia para el desarrollo de teorías en la biología de sistemas contemporánea[11]. De manera similar, destaca cómo muchos aspectos de la biología teórica de Waddinton, anticipan las ideas modernas de la biología de sistemas, incluido el énfasis en las propiedades epigenéticas globales y dinámicas como un requisito previo para comprender el desarrollo y la herencia[12]. Otras ramas de la biología de sistemas se inspiran principalmente en el desarrollo del análisis de control metabólico, la teoría de los sistemas bioquímicos o el marco teórico para los sistemas de reparación metabólica[13]. Noble rastrea la historia de la biología de sistemas incluso más atrás hasta Claude Bernard, quien introdujo el principio de homeostasis en 1865. Además, Noble destaca cómo, ya dos siglos antes (en 1665), el filósofo Benedict de Spinoza destacó la importancia de las restricciones a nivel de sistema en los componentes[14]. Lo que es común a todos ellos es el reconocimiento de la profunda complejidad de los sistemas vivos, que requieren enfoques que puedan comprender la función biológica en el contexto del sistema como un todo. Otro punto de vista compartido es que puede ser necesaria una teoría formal de sistemas complejos para este propósito. La biología de sistemas desafía el punto de vista, encontrado por muchos modeladores, de que la complejidad biológica es incompatible con los objetivos del análisis matemático formal[15]. Como observa Voit, la opinión de que los sistemas biológicos son demasiado complicados para ser susceptibles de análisis matemático se ha invertido ahora; los sistemas biológicos pueden ser demasiado complejos para comprender sin el uso de matemáticas[16]. Es importante destacar que el papel mejorado del modelado matemático y computacional en biología también debe entenderse en términos de un contexto histórico y tecnológico de la biología de sistemas que hace que tales herramientas sean una necesidad. Irónicamente, quizás, la culminación del éxito de las estrategias reduccionistas y centradas en los genes en biología resultó en una comprensión cada vez mayor de las limitaciones de los enfoques que investigan componentes o vías moleculares aisladas[17]. Se debe evitar cualquier contraste demasiado simplificado entre la biología molecular y la biología de sistemas, ya que la relación entre ellas es compleja y está lejos de ser clara[18]. Pero a medida que surgieron nuevos conocimientos sobre la complejidad biológica con mejoras para la producción de datos, quedó claro que las herramientas tradicionales de modelado en biología eran insuficientes tanto para manejar la enorme cantidad de datos como para estudiar la dinámica reguladora de redes complejas[19]. La biología de sistemas, en términos generales, implica un “giro cuantitativo[20]” donde los investigadores complementan los estudios de propiedades cualitativas de moléculas específicas con una búsqueda de patrones dinámicos en grandes redes basadas en datos cuantitativos sobre interacciones biológicas. Sin embargo, es importante señalar que, además de este enfoque “de arriba hacia abajo”, otras estrategias en biología de sistemas se describen mejor como de abajo hacia arriba[21]. Las diferencias no son claras, pero los enfoques de arriba hacia abajo tienen como objetivo "aplicar ingeniería inversa" a los patrones regulatorios en grandes conjuntos de datos de tecnologías de alto rendimiento, mientras que los enfoques de abajo hacia arriba o intermedios se basan en datos más detallados (pero a menudo menos completos) de fuentes de biología molecular[22].


Kitano comenzó a usar el término “biología de sistemas” en este contexto moderno a fines de la década de 1990[23]. Este fue el período que condujo a la finalización del Proyecto Genoma Humano y los primeros proyectos de modelado de big data. Esta noción moderna de biología de sistemas ganó rápidamente vigencia con los desarrollos institucionales desde 2000 en adelante, incluido el surgimiento de conferencias internacionales sobre biología de sistemas (la primera en Tokio en 2000), departamentos de biología de sistemas y revistas dedicadas al trabajo en biología de sistemas. El rápido desarrollo de la biología de sistemas en el siglo XXI muestra que la tecnología no es solo una herramienta en la ciencia, sino que también puede dar lugar a nuevos campos a través de la generación de resultados inesperados y la exploración de un nuevo conjunto de preguntas de investigación[24]. 


Además, la biología de sistemas ofrece nuevas oportunidades para estrategias de investigación biomédica intensivas en datos, como modelos y simulaciones de múltiples escalas[25] con profundas implicaciones epistémicas, sociales y éticas[26]. Las discusiones metodológicas y teóricas en y sobre la biología de sistemas aportan nueva luz sobre muchos temas filosóficos clásicos. Algunos ejemplos son el reduccionismo, la explicación científica, el modelado, la relación entre teoría y experimento, la colaboración interdisciplinaria y el papel de las matemáticas, la ingeniería y la física en la biología. También tienen implicaciones para debates ontológicos más fundamentales sobre qué es la vida y cómo describir los sistemas vivos. Además, surgen nuevas preguntas como las implicaciones del modelado de redes y las simulaciones a gran escala comenzó a usar el término “biología de sistemas” en este contexto moderno a fines de la década de 1990.


1.2 Temas de filosofía de la Biología de Sistemas 

1.2.1 Reduccionismo y lo emergente 


Como se mencionó anteriormente, la biología de sistemas a menudo se define en oposición a las metodologías reduccionistas. El dicho de que el todo es más que la suma de las partes resalta el interés filosófico y científico en las llamadas propiedades emergentes, es decir, propiedades del sistema que no pueden explicarse o deducirse de las partes solamente[27]. El cliché moderno tiene raíces muy antiguas en la filosofía que se remonta a Aristóteles, pero la biología de sistemas aporta nueva luz a la cuestión de cómo debe entenderse "más" en este contexto. Una pregunta importante desde el principio ha sido qué tipo de sistemas emergentes apoya la biología[28]. Estas discusiones consideran ontologías sobre la naturaleza de los sistemas vivos, pero también temas epistémicos sobre la metodología apropiada para investigarlos. Numerosos personajes abordan la cuestión de hasta qué punto la biología de sistemas rompe con el reduccionismo y qué significa decir que emergen las propiedades de los sistemas[29]. El enfoque en redes reguladoras de genes, en lugar de secuencias de ADN estáticas como "códigos", es un paso crucial hacia una visión más matizada de las complejidades de las relaciones entre genotipos y fenotipos[30]. La biología de sistemas en este sentido conlleva una epistemología y ontología diferente centrada en la regulación dinámica de los sistemas biológicos[31]. Específicamente, se aboga por una ontología de procesos que también requiere nuevos enfoques metodológicos para alcanzar su potencial. Igualmente importante es si el estudio de los procesos a nivel molecular es suficiente para comprender las propiedades de macroescala, o si se necesita un análisis multinivel[32]. Las contribuciones brindan diferentes puntos de vista sobre la cuestión de si se puede decir que un nivel o escala específicos tienen prioridad causal. Por ejemplo,  la investigación sobre la regulación de los procesos de desarrollo debe comenzar con información reguladora genómica en la que las funciones biológicas están "codificadas de forma determinativa", mientras que otros expresan escepticismo sobre la prioridad causal de las redes reguladoras de genes[33]. Los ejemplos de modelos de múltiples escalas en el contexto de la investigación sobre simulaciones cardíacas, biología del desarrollo e investigación del cáncer son particularmente esclarecedores para abordar esta cuestión. Es importante ver que algunos investigadores destacan cómo una postura no reductiva también implica una comprensión de cómo los sistemas vivos de alguna manera son menores que la suma de las partes, porque debemos tener en cuenta cómo las restricciones a nivel de sistema influyen en el comportamiento de las partes[34]. Hofmeyr aclara cómo las actividades de las enzimas están limitadas por el entorno químico y el contexto celular, mientras que Noble destaca la importancia de las limitaciones de escala celular y tisular para las oscilaciones generadoras de pulso responsables de los ritmos cardíacos. Tales ejemplos pueden iluminar discusiones filosóficas sobre los difíciles conceptos de causalidad descendente y control jerárquico. La discusión también tiene implicaciones prácticas. Los debates teóricos sobre si el cáncer es una enfermedad genética causada por mutaciones o refleja un problema de organización de los tejidos también se refieren a cuestiones sobre la metodología más relevante, por ejemplo, si el camino a seguir en la investigación del cáncer es invertir más en la genómica del cáncer o estudiar tejidos in vitro e in sílico[35]. Por lo tanto, razonar sobre los sistemas biológicos de cierta manera puede tener importantes implicaciones prácticas y sociales, y esto es una de las razones por las que la reflexión sobre los supuestos subyacentes de la práctica científica es relevante tanto para los filósofos como para los científicos.


1.2.2 Modelado matemático y computacional en biología de sistemas 


Los modelos matemáticos y computacionales se consideran cada vez más indispensables para comprender la complejidad biológica y para integrar e interpretar la gran cantidad de datos de tecnologías de alto rendimiento. En lugar de analizar los detalles de una vía molecular específica, gran parte de la investigación en biología de sistemas se ocupa de la detección de patrones en las arquitecturas de redes que representan interacciones reguladoras interconectadas. Comprender las implicaciones del uso de herramientas teóricas de grafos para el análisis de la organización biológica se ha convertido en un tema importante en la filosofía de la biología de sistemas. El análisis teórico de grafos abarca históricamente desde el análisis de redes aleatorias y retículas regulares hasta el descubrimiento reciente de que muchas redes comparten una estructura de mundo pequeño y libre de escala con importantes implicaciones para sus funciones[36]. La importancia del análisis de redes globales para la investigación biológica es un tema controvertido, y una cuestión importante es si la biología de sistemas puede salvar la brecha entre los enfoques local y global[37]. Se destaca un candidato para un camino intermedio, a saber, la búsqueda de patrones de conexiones que ocurren con frecuencia[38]. Un ejemplo que ya ha recibido mucha atención de los filósofos de la biología es el trabajo pionero de Alon en el análisis de motivos, es decir, subcircuitos sobreabundantes como los bucles de alimentación[39]. La búsqueda de patrones generalizables de circuitos de red también se exhibe en la investigación sobre procesos de desarrollo, sobre redes de reacción bioquímica[40], y sobre la robustez en varios sistemas biológicos[41]. Aunque la búsqueda para identificar principios de diseño realizados en circuitos biológicos se remonta a los enfoques teóricos de sistemas mencionados anteriormente, la detección de motivos en redes reguladoras recibió especial atención porque se basó en datos de alto rendimiento y porque las predicciones matemáticas se combinaron con investigaciones experimentales. El resurgimiento del interés por el diseño general o los principios organizativos también ha dado lugar a discusiones sobre la medida en que los sistemas vivos, a pesar de la complejidad de los procesos entrelazados, están constituidos por unidades funcionales individuales que exhiben modularidad[42]. Además, el renovado interés en el análisis matemático de las características organizativas ha llevado a discusiones sobre las implicaciones de la abstracción de los detalles moleculares con el fin de identificar características organizativas generalizables[43]. 


Otro aspecto importante del modelado matemático y computacional en biología de sistemas se refiere a la integración e interpretación de datos en simulaciones a gran escala. Los modelos y simulaciones a gran escala tienen un potencial interesante para las aplicaciones médicas[44], pero también plantean importantes cuestiones epistémicas sobre (i) la medida en que la complejidad biológica se puede capturar de manera significativa in sílico; (ii) cómo se combinan los modelos de ingeniería, física y matemáticas, y (iii) el potencial y la necesidad de desarrollar un nuevo marco matemático o lenguaje artificial específicamente adecuado para lidiar con la complejidad biológica. Para hablar de "modelado de células completas" y qué niveles de rendimiento de la predicción del modelo es realista alcanzar. Estas son preguntas abiertas importantes para la investigación actual y futura. 


Actualmente estamos siendo testigos de ambiciosos esfuerzos para desarrollar modelos de "pacientes digitales" de órganos completos o completos que abarquen la complejidad biológica de una manera sin precedentes[45]. Pero es una pregunta abierta hasta qué punto estos desarrollos llevarán la investigación biomédica a destacar cómo los desafíos para simular procesos complejos en meteorología y otras ciencias computacionales son cada vez más relevantes a medida que la biología comienza a desarrollar modelos computacionales complejos. En comparación con los campos computacionales establecidos, se describe la situación actual en biología como el "salvaje oeste" debido a la variedad de enfoques diferentes, lo que hace que muchos modelos sean difíciles de entender y reutilizar[46]. Para comprender los resultados de los modelos construidos algorítmicamente, tanto los filósofos como los biólogos deben esforzarse cada vez más por comprender las técnicas matemáticas involucradas. Los debates se refieren no solo a qué modelos son los más apropiados para fines específicos y cómo deben combinarse, sino también a si necesitamos un lenguaje digital novedoso para razonar sobre las funciones biológicas. Kitano sostiene que nuestro lenguaje natural es a menudo un obstáculo para la investigación biológica porque es metafórico y sensible al contexto y, por lo tanto, impreciso. En su opinión, la mejor manera de superar el problema es desarrollar enfoques computacionales y un lenguaje artificial exacto y sistemático. Una de esas iniciativas es el lenguaje de marcado de biología de sistemas[47] (SBML), cuyo propósito es servir como una lengua franca legible por máquina que permite la comunicación y traducción entre programas de software. Sin embargo, queda por ver si iniciativas como la SBML conducirán a avances importantes o si ahogarán el progreso y la libertad académica. El modelado a gran escala también plantea el problema de la relación entre el tamaño de los conjuntos de datos y el poder predictivo de los modelos. Algunos colaboradores son optimistas de que conjuntos de datos más completos y potentes simulaciones computacionales pueden superar muchas limitaciones de los modelos actuales e incluso abordar el problema del "cisne negro" de Popper. El "cisne negro" en este contexto es un hallazgo inesperado en la investigación científica, utilizado por Popper (1959) para ilustrar la asimetría lógica entre la verificación y la falsedad de hipótesis científicas. 


Independientemente de cuántas observaciones parecieran apoyar la idea sostenida por los europeos hasta el siglo XVII de que todos los cisnes son blancos, solo se necesitó una sola observación de un cisne negro para falsearla. Mientras que la teoría de Popper buscaba fortalecer la metodología científica contra el problema de la inducción, la consecuencia del carácter incompleto de las observaciones empíricas es, en su opinión, que las ideas científicas nunca pueden probarse como verdaderas. Una pregunta intrigante es si la suposición de incompletitud puede cambiar con la biología de sistemas, porque el análisis de todo el genoma "ofrece una respuesta impermeable a la preocupación de que es extremadamente difícil o imposible saber si los cisnes negros, es decir, mecanismos cualitativamente diferentes, están al acecho en otros lugares que en las islas de fenómenos elegidos hasta ahora para el análisis causal. Una cuestión relacionada es si los métodos de biología de sistemas rompen con el principio de la navaja de Occam, que establece que se debe preferir la más simple de dos explicaciones. Mientras que Kolodkin y Westerhoff han argumentado que la navaja de Occam no es adecuada para la investigación en biología de sistemas[48], sostiene que todas las prácticas de investigación, incluida la práctica de investigación real en biología de sistemas: se basan en una variedad de suposiciones e idealizaciones simplificadoras. Además, otros colaboradores destacan cómo demasiados detalles pueden dificultar la comprensión en la investigación biológica y que parametrizar y validar modelos ricos en datos es un desafío difícil[49]. Por lo tanto, se debate hasta qué punto los modelos y simulaciones complejos y con gran cantidad de datos nos liberarán de los problemas actuales que surgen de la necesidad de simplificar los espacios de problemas para hacer que el análisis sea manejable. Mientras que algunos intentos de mejorar los modelos pueden conducir simplemente a una reproducción de la complejidad biológica en modelos poco comprensivos, algunos modelos útiles de múltiples niveles ya han resultado de la investigación biológica de sistemas. Algunos ejemplos son los modelos del corazón virtual que combinan la geometría de los tejidos, la fisiología celular, la expresión génica y el transporte de iones. Estos modelos proporcionan excelentes estudios de caso para el análisis filosófico de los desafíos de la validación de modelos en la práctica[50]. 


La biología de sistemas proporciona así nuevas fuentes para el análisis filosófico de las estrategias de representación para organizar y analizar la información biológica. Mientras que la filosofía de la ciencia se ha centrado tradicionalmente en los textos científicos, las posibilidades y limitaciones de las diferentes formas de representación se están convirtiendo ahora en fuentes ricas para el análisis filosófico del papel cognitivo de las visualizaciones en la biología de sistemas[51]. Las estrategias de representación en biología de sistemas van más allá de los diagramas de caja y flechas secuenciales e incluyen modelos de redes y diagramas de espacio de fase muy complejos. El uso y el énfasis en estrategias de representación específicas también plantea desafíos para la colaboración interdisciplinaria, ya que los científicos con diferente formación a menudo tienen diferentes puntos de vista sobre lo que es un buen modelo para un propósito específico. Similar, las preferencias por estrategias de representación específicas pueden reflejar diferentes objetivos explicativos en la práctica científica.


1.2.3 Explicaciones y principios de diseño


En lugar de apelar a las leyes, los filósofos de la biología han argumentado que la biología funcional proporciona explicaciones mecanicistas citando cómo las funciones biológicas surgen de la interacción y organización de las partes componentes[52]. Actualmente existe un animado debate filosófico sobre si las explicaciones de la biología de sistemas son mecanicistas o no. Mientras que gran parte de la investigación en biología de sistemas apoya y produce directamente explicaciones mecanicistas[53], otros esfuerzos de investigación parecen más difíciles de conciliar con el enfoque mecanicista en partes y operaciones descomponibles y localizables. Por lo tanto, algunos han argumentado que la integración de aspectos de la teoría de sistemas, la ingeniería y la física en las explicaciones de la biología de sistemas revela la necesidad de explicaciones filosóficas novedosas[54]. El análisis matemático de redes ofrece una extensión poderosa de la heurística mecanicista de descomposición funcional y estructural al ofrecer información sobre las características generalizables de cómo se organizan los mecanismos[55]. Un ejemplo destacado es la investigación sobre motivos de red que informa directamente el análisis experimental de circuitos reguladores concretos[56]. En este contexto, el enfoque intensificado en las características organizacionales generalizables y el modelado dinámico cuantitativo da como resultado actualizaciones y mejoras de las cuentas mecanicistas, pero no una desviación de estas. En respuesta a los desarrollos en biología de sistemas y otros campos de investigación matemáticamente intensivos, algunos filósofos han pedido una explicación mecanicista dinámica actualizada y ampliada[57]. Si bien, la biología de sistemas parece ofrecer nuevas formas de proporcionar explicaciones mecanicistas, otros aspectos de la biología de sistemas pueden describirse mejor como enfoques no mecanicistas[58]. Por ejemplo, algunos académicos han argumentado que algunas prácticas de modelado y explicación se describen mejor apelando a ideales explicativos similares a la ley[59], explicaciones topológicas[60], o explicaciones de diseño[61]. La diversidad de ideales explicativos en la biología de sistemas crea nuevos espacios para el análisis científico y filosófico, pero también plantea desafíos para la colaboración interdisciplinaria. Hoy se enfatiza la importancia y las implicaciones de la creciente dependencia de metodologías y marcos teóricos de la física y la ingeniería[62]. Muchos investigadores en biología de sistemas tienen experiencia en ingeniería, y el lenguaje funcional basado en analogías de circuitos y conceptos como ruido, control, amplificadores, filtros, robustez, etc. es cada vez más prominente. 


Mientras que este lenguaje es compatible con el lenguaje funcional en biología en general, esta “forma de pensar” en biología de sistemas suele ir acompañada de un creciente interés en identificar características organizativas bastante abstractas que, en general, hacen que un sistema funcional pueda exhibir capacidades específicas. La influencia del control y la teoría de sistemas en el razonamiento en biología de sistemas sugiere que puede ser posible alcanzar una comprensión abstracta a nivel de sistema de los esquemas funcionales básicos sin una comprensión detallada de los mecanismos específicos. La biología de sistemas ha generado un nuevo tema de investigación filosófica, a saber, las implicaciones de los principios de diseño y los principios organizativos y su importancia para la comprensión biológica. Entre las cuestiones relevantes se encuentran no solo si son compatibles con explicaciones mecanicistas o explicativas por derecho propio, sino también si los filósofos de la biología deberían prestar más atención a otros objetivos científicos que a la explicación. Los candidatos alternativos incluyen predicción, control y diseño[63]. Otra cuestión importante es hasta dónde podemos llegar con una perspectiva de ingeniería en biología. Aunque los principios de diseño y los principios de organización a menudo se usan indistintamente, las preferencias por uno de estos términos también reflejan una preocupación por las posibles limitaciones de un enfoque de ingeniería para los sistemas biológicos. Esta pregunta ha recuperado su relevancia en las discusiones contemporáneas sobre metodologías de investigación en biología de sistemas y sobre la cuestión fundamental de ¿qué es la vida[64]? ¿Hay algo fundamental y distinto en los sistemas vivos? Si es así, ¿se puede capturar en un marco teórico formal? ¿Hasta dónde podemos llegar con los enfoques de ingeniería en biología? ¿Y qué roles juegan las características funcionales y evolutivas en una visión sistémica del organismo de este tipo?


1.2.4 Biología de sistemas funcional y evolutiva 


La filosofía de la biología de sistemas enfatizó la relativa autonomía de la biología funcional de la biología evolutiva. Excepto por el interés reciente en el modelado, el análisis experimental y especialmente las explicaciones mecanicistas, gran parte de la filosofía de la biología estuvo hasta hace poco dominada por la biología evolutiva. Nada en biología tiene sentido excepto a la luz de la evolución en el contexto de la biología de sistemas. Ir un paso más allá al sugerir que muchas áreas de la biología de sistemas no tienen sentido sin la luz de la evolución. La resistencia a una interpretación evolutiva que lo abarque todo se debe en parte al escepticismo sobre la teoría etiológica de las funciones (es decir, la función como efectos seleccionados). Las explicaciones sobre si se seleccionó un rasgo y cómo a menudo parecen innecesarias para el análisis funcional. Por lo tanto, la biología de sistemas abre la posibilidad de que el pensamiento de diseño y la explicación del diseño puedan disociarse de los supuestos evolutivos al menos en algunos contextos[65]. En los últimos años, ha surgido la nueva rama de la biología de sistemas evolutivos, un objetivo importante de la biología de sistemas evolutivos es complementar los estudios evolutivos con un análisis cuantitativo que también mira hacia el futuro al centrarse en cómo la estructura reguladora de las redes biológicas influye en el potencial de cambio evolutivo[66]. La biología de sistemas evolutivos ha proporcionado otra reformulación más de la máxima de Dobzhansky, a saber, que nada en biología tiene sentido excepto cuando se cuantifica adecuadamente a la luz de la evolución[67]. La evolución microbiana experimental y las simulaciones evolutivas in sílico ofrecen nuevas posibilidades para comprender los detalles de cómo han evolucionado determinados procesos regulatorios. La biología de sistemas también puede ayudar a comprender el potencial dinámico de cambio a través de una combinación de datos experimentales y análisis matemático basados ??en la teoría de sistemas dinámicos[68]. El tiempo mostrará si la biología de sistemas facilitará una "síntesis moderna" nueva o ampliada de la biología evolutiva. Además de la síntesis del marco teórico de la evolución por selección natural y la genética Mendeliana a principios del siglo XX, muchos estudiosos han argumentado que una teoría moderna de la evolución también debería ser capaz de explicar el desarrollo y la evolución de la forma biológica[69]. Las nociones importantes en una síntesis tan extendida son la capacidad de evolución, la robustez, los paisajes adaptativos y epigenéticos y la plasticidad fenotípica[70]. Las herramientas de modelado y simulación de la biología de sistemas parecen particularmente adecuadas para este propósito. Una pregunta relacionada es si la filosofía de la biología de sistemas se involucrará con algunas de las nuevas preguntas planteadas en el contexto de la microbiología. La biología de sistemas también puede reunir campos de investigación que anteriormente estaban divorciados debido a diferencias en los estándares epistémicos. Además de intentar tender un puente entre las ideas de la teoría general de sistemas y los enfoques experimentales, las teorías estructuralistas de la formación de patrones pueden recuperar su relevancia en la biología de sistemas. Según los estructuralistas, muchos patrones observados en la naturaleza no son solo productos de la variación genética aleatoria y la selección natural, sino que son el resultado de restricciones más generales impuestas por la complejidad[71]. Los estructuralistas han enfatizado la necesidad de explicar no solo cómo la selección natural conduce a la preservación y adaptación de las estructuras biológicas, sino también cómo los patrones de la variación, como la orientación espacial y los patrones morfológicos en las plantas, surgen en primer lugar. 


Muchos biólogos experimentales han considerado el estructuralismo como un enfoque bastante especulativo del desarrollo y la evolución. Pero dado que ahora es posible realizar ingeniería inversa matemática de la estructura dinámica de algunas redes reguladoras de genes a partir de datos experimentales, la biología de sistemas puede proporcionar nuevos conocimientos sobre cómo la forma y la función se relacionan con estructuras reguladoras específicas e investigar las transiciones evolutivas in sílico. Una interesante pregunta abierta para el futuro de la biología de sistemas evolutivos es también si los nuevos enfoques experimentales y computacionales convertirán la biología de sistemas evolutivos en un campo de investigación más predictivo[72], o si conducirán al descubrimiento de nuevos desafíos de complejidad biológica.


1.2.5 Colaboración interdisciplinaria y educación científica 


La integración interdisciplinaria es el nombre del juego en biología de sistemas, pero tender un puente entre las diferencias disciplinarias no es una tarea fácil. Varios colaboradores destacan los difíciles desafíos para la colaboración entre investigadores con diferentes antecedentes educativos. Desde una perspectiva filosófica, tales desafíos pueden ser fuentes importantes de comprensión de los diferentes ideales epistémicos que operan en la ciencia. Las brechas disciplinarias también brindan una oportunidad única para que la filosofía contribuya positivamente a la ciencia y la educación científica. Diagnosticar las fallas y los problemas en las interacciones entre científicos puede ayudar a facilitar la colaboración científica porque las diferencias se pueden aclarar y discutir. 


Un problema común al que se enfrentan las prácticas interdisciplinarias de la biología de sistemas es la brecha entre las tradiciones de los experimentalistas y los modeladores. Los estudios empíricos de Nersessian sobre la colaboración entre modeladores y experimentales en biología de sistemas integradores revelan ideas interesantes sobre cómo los investigadores a menudo tienen puntos ciegos para las necesidades, valores o limitaciones del otro campo[73]. Por ejemplo, los modeladores piden ciertos tipos de datos que los experimentadores no creen que valgan la pena o ni siquiera que sean posibles de producir. A su vez, los experimentadores pueden no comprender las limitaciones y los potenciales del modelado, o pueden ver el resultado de un modelo como una simple reproducción del hallazgo experimental in sílico. Una biología de sistemas de problemas muy similar a la siguiente: 'nada en un organismo tiene sentido excepto a la luz de un contexto funcional'. Boogerd  va un paso más allá al sugerir que "muchas áreas de la biología de sistemas no tienen sentido sin la luz de la evolución". La resistencia a una interpretación evolutiva que lo abarque todo se debe en parte al escepticismo sobre la teoría etiológica de las funciones (es decir, la función como efectos seleccionados). Las explicaciones sobre si se seleccionó un rasgo y cómo a menudo parecen innecesarias para el análisis funcional. Por lo tanto, la biología de sistemas abre la posibilidad de que el pensamiento de diseño y la explicación del diseño puedan disociarse de los supuestos evolutivos al menos en algunos contextos[74].


Otro aspecto del problema es la falta de comprensión con suficiente detalle de los métodos en los que los científicos en particular no están capacitados. Este problema tiene importantes implicaciones para la educación científica en biología de sistemas. Hohmann  sostiene que los estudiantes a menudo están mal preparados para ingresar a un programa de educación superior en biología de sistemas porque la educación previa generalmente está orientada hacia la disciplina, mientras que la biología de sistemas es inherentemente interdisciplinaria y requiere la combinación de diferentes marcos teóricos. Específicamente, la falta de una formación matemática adecuada en los programas educativos para biólogos experimentales dificulta que los estudiantes adopten un enfoque de biología de sistemas. Igualmente importante, modelar sistemas vivos complejos es una tarea desafiante sin entrenamiento experimental o biológico. Los investigadores involucrados en colaboraciones interdisciplinarias necesitan desarrollar experiencia interactiva que permita la comunicación interdisciplinaria y la comprensión conceptual de otras prácticas de investigación[75]. La colaboración interdisciplinaria exitosa, además de la experiencia interactiva, implica lo que ella llama conciencia epistémica de las diferencias en los supuestos y compromisos, a menudo implícitos, sobre lo que constituye una buena investigación. Una forma de abordar el problema es establecer y mejorar las infraestructuras de investigación.  Otra estrategia es hacer que las herramientas de modelado y los tutoriales estén disponibles en línea para que los experimentadores obtengan una mejor comprensión de los procedimientos de modelado. Una iniciativa  es un curso de introducción a la biología de sistemas de resolución de problemas para estudiantes diseñada para estructurar los procesos cognitivos necesarios para investigar un problema específico pero complejo en biomedicina.  Esto les dará una mejor comprensión de las limitaciones prácticas de las prácticas experimentales y de las cuestiones importantes para los experimentadores. De manera similar, como se indicó anteriormente, los experimentadores podrían mejorar su comprensión de las implicaciones y posibilidades de diferentes técnicas de modelado si tomaran un curso básico en modelado matemático y computacional. Es importante destacar que se parece apoyar la idea de que la educación en biología de sistemas debería volverse interdisciplinaria desde el principio. La compensación entre el alcance transdisciplinario y la experiencia especializada es un tema importante de interés tanto para la educación científica como para la filosofía. Abordarlo puede requerir preservar algunos límites disciplinarios a pesar del creciente énfasis en la interdisciplinariedad en la ciencia moderna[76].


1.2.6 Modos de investigación y estructura institucional


La investigación en biología de sistemas requiere nuevas habilidades educativas, pero también conduce a reflexiones sobre los marcos institucionales de la ciencia moderna[77]. Varios investigadores destacan que la integración de la biología de sistemas en los sistemas universitarios mediados tecnológicamente plantea importantes desafíos para la innovación científica. Si bien, los investigadores reconocen cada vez más la profundidad y el alcance de la complejidad biológica, continuamente enfrentan limitaciones en términos de oportunidades de financiamiento, métodos disponibles y plazos permitidos para realizar proyectos de investigación. Las propuestas de subvenciones y los comunicados de prensa dan continuamente la impresión de que las innovaciones tecnológicas finalmente nos han posicionado para lograr avances tan esperados en biología y medicina, a pesar de que las metodologías que se persiguen son muy limitadas y no hacen justicia a la complejidad biológica. Jaeger también expresa su frustración con lo que él ve como una tendencia nociva en la ciencia y la sociedad modernas para enfocarse en beneficios inmediatos y cuantificables. Cuando se opera bajo la presión de obtener resultados inmediatos, los proyectos de investigación pueden apuntar a frutos maduros que no resuelvan los problemas conceptuales o sociales más profundos. Dada la complejidad de los sistemas vivos, ignorar las profundas incertidumbres y dificultades asociadas con las metodologías de investigación puede obstaculizar el progreso en el tratamiento de problemas más fundamentales que requieren tiempo para la contemplación y la creatividad. Aunque puede resultar obvio para la comunidad científica que tales afirmaciones son demasiado optimistas, pueden influir en la forma en que se organiza la investigación científica y se asignan los recursos. Si bien estos temas son temas amplios relacionados con la cultura de la ciencia en general, pueden ser particularmente relevantes en relación con la biología de sistemas, porque hay un desarrollo hacia proyectos de “gran ciencia” que involucran a múltiples instituciones internacionales y organismos de financiamiento que invierten fuertemente en ciencia aplicada.


La biología de sistemas brinda oportunidades únicas para desarrollar metodologías radicalmente diferentes, pero también corre el riesgo de desperdiciar recursos en proyectos que no conducen a ninguna parte. Gross sugiere que los filósofos, como observadores más neutrales, pueden ser capaces de proporcionar una perspectiva útil a "ojo de pájaro" sobre las posibilidades y limitaciones de diferentes enfoques y sobre el desarrollo general del campo[78]. Un tema relacionado es la ramificación de las estrategias de uso intensivo de datos que se ha argumentado para cambiar fundamentalmente la forma en que se hace la ciencia. Por un lado, la producción masiva de datos y el aumento de la potencia computacional generan esperanzas de que modelos y conjuntos de datos más completos puedan excluir mejor explicaciones alternativas para un fenómeno dado. Davidson, Drack y Peter también critican la idea de que "los datos pueden hablar por sí mismos". De manera similar, los filósofos se han opuesto a la idea de que el análisis basado en la correlación debería ser un enfoque de investigación más libre de sesgos (Gross 2015). Esta no es una crítica a la investigación intensiva en datos como tal, sino a una práctica que saca grandes conclusiones de datos de baja calidad y que afirma estar libre de sesgos mientras se basa en suposiciones importantes sobre la descomponibilidad modular de las redes biológicas. Si bien, las estrategias intensivas en datos pueden crear nuevas oportunidades de investigación interesantes, es importante discutir si las nuevas estrategias son más eficientes y hasta qué punto deben integrarse mejor con el análisis experimental. Estos problemas también están relacionados con preguntas sobre cómo se producen, curan y utilizan las fuentes de datos en la práctica[79]. Los procedimientos de estandarización son importantes, pero también lo es la evaluación de qué tipos de datos biológicos son relevantes para abordar cuestiones específicas. Aunque las ciencias de la vida experimentan actualmente lo que se ha descrito metafóricamente como una avalancha de datos o una avalancha de datos, la falta de disponibilidad de datos de curso temporal de alta calidad sigue siendo uno de los factores limitantes para la investigación en biología de sistemas. De manera similar, aunque hoy tenemos modelos de red tremendamente complejos desarrollados a partir de datos de alto rendimiento,  debemos ir más allá de las redes estáticas de "bolas de datos” que no logran captar cómo operan y cambian los procesos biológicos con el tiempo.


1.2.7 ¿La biología de sistemas como el futuro de la medicina?


Se espera que la biología de sistemas juegue un papel central en la medicina del futuro, y los proyectos bajo las etiquetas de medicina de sistemas, medicina personalizada, medicina P4 y medicina de precisión indican las direcciones que podemos esperar que siga la medicina[80]. Al mismo tiempo, todavía no está claro qué significa personalizar la medicina y si las visiones para el futuro son realistas[81]. Las simulaciones de múltiples escalas probablemente se convertirán en un tema de interés filosófico cada vez mayor debido a sus profundas implicaciones epistémicas y sociales. Ya se están desarrollando modelos cardíacos de múltiples escalas con implicaciones prácticas para el tratamiento y la elección de fármacos, y actualmente se están tomando medidas para desarrollar un Virtual Physiological Human o modelos digitales de pacientes (Noble 2009). Las simulaciones multiescala pueden tener el potencial de reemplazar algunos estudios experimentales in vivo e in vitro con grandes implicaciones para la investigación biomédica, los ensayos clínicos y también el bienestar animal. Además, las simulaciones a gran escala desarrolladas en biología de sistemas aportan nueva luz a las discusiones filosóficas sobre la relación entre experimentos y simulaciones. ¿Cuáles son las diferencias y similitudes entre experimentos y simulaciones? ¿Se puede decir que los experimentos por sí solos proporcionan pruebas novedosas en la investigación biológica, o también modelos computacionales? El análisis filosófico del desarrollo y uso de modelos complejos de múltiples escalas muestra que la relación entre experimentos y simulaciones es mucho más compleja y entrelazada de lo que a menudo se supone. La integración de la biología de sistemas con la investigación biomédica y las prácticas de salud también significa que es probable que la filosofía de la biología de sistemas se preocupe más por las cuestiones sociales y éticas. Los problemas involucrarán no solo los conocidos de seguridad de datos, anonimato, confidencialidad y consentimiento, sino también aquellos sobre el cambiante espíritu y valores de la ciencia, como la idea de la medicina de precisión está incrustada en un espíritu comunitario para producir, compartir y estandarizar datos. La organización a gran escala de los esfuerzos biomédicos plantea cuestiones importantes sobre la propiedad y autoría de los datos (Leonelli 2014), sobre lo que significa ser un científico de la vida en estos contextos, pero también sobre el papel que desempeñarán los ciudadanos en la producción de datos en el país. Algunos defensores de la medicina de sistemas han destacado la necesidad de nuevas constelaciones sociales en las que los pacientes y los ciudadanos tengan un papel más activo en la investigación como proveedores de datos de salud (Kumari 2020). Con conjuntos de datos más amplios (p. Ej., De genómica y autocontrol) y potentes modelos de biología de sistemas, la esperanza es que la medicina del futuro pueda predecir y prevenir una serie de enfermedades que hoy en día requieren tratamientos costosos y, a menudo, ineficaces. El enfoque intensificado en la predicción de enfermedades en la medicina de sistemas plantea interesantes posibilidades para el futuro, pero también preocupaciones sobre la validez clínica y la utilidad de los nuevos modelos, sobre la responsabilidad del paciente y sobre los valores sociales. Las ciencias biológicas juegan un papel crucial en la formación y legitimación de ideologías relativas a los seres humanos, los animales, el medio ambiente y las relaciones entre ellos. Si bien la biología de sistemas puede describirse como emancipadora al alejarse del tipo de reduccionismo perseguido en la biología molecular, el optimismo por la predicción y el control en algunas corrientes de la medicina de sistemas se basa en una imagen simplista de la sociedad humana y ideales deterministas. Si bien un enfoque holístico puede liberar la investigación biomédica de un tipo de reduccionismo (centrado en componentes individuales), el reemplazo puede ser un holismo tecnocientífico que resulte en una creciente medicalización de personas sanas a través de una mayor monitorización de biomarcadores. Por lo tanto, la medicina de sistemas tiene el potencial de cambiar también nuestra visión sobre la salud y la enfermedad, para bien o para mal. Tales cuestiones muestran un terreno fértil para que la filosofía de la biología de sistemas participe más activamente en la configuración de los enfoques en desarrollo de la biología de sistemas y la medicina de sistemas. En última instancia, el desarrollo de la medicina de sistemas brinda una oportunidad única para proyectos de colaboración que involucran a biólogos de sistemas, otros científicos naturales, clínicos, historiadores de la ciencia, científicos sociales y filósofos.


1.3 Perspectivas futuras de la filosofía de la biología de sistemas


La biología de sistemas ha recibido especial atención por parte de los filósofos, porque las cuestiones filosóficas han sido fundamentales para la biología de sistemas desde el principio. Como enfoque inherentemente interdisciplinario, la biología de sistemas reevalúa continuamente los supuestos metodológicos y ontológicos de las ciencias de la vida. A menudo se invita explícitamente a los filósofos a participar en este discurso. En la medida en que la filosofía se ocupa de las reflexiones sobre cómo entendemos el mundo y las implicaciones de suposiciones o visiones del mundo específicas, la conexión entre la filosofía y la ciencia no es sorprendente. Sin embargo, la filosofía de la ciencia estuvo durante muchos años divorciada de la práctica científica y se ocupó principalmente del análisis lógico y conceptual abstracto de las teorías científicas como estructuras de argumentos proposicionales. Como resultado, muchos filósofos genuinamente interesados ??en la práctica científica han experimentado cierta resistencia por parte de los científicos practicantes que cuestionan si el análisis filosófico tiene algo que ofrecer a la ciencia.  El número de publicaciones conjuntas de filósofos y científicos en ejercicio es una indicación positiva del interés mutuo en la filosofía de la biología de sistemas.


Aunque los filósofos y los científicos en ejercicio suelen estar interesados ??en las mismas cuestiones, los filósofos suelen abordarlas desde una mayor distancia. En el espacio entre una perspectiva especializada e inevitablemente interesada de los científicos en ejercicio y la distancia reflexiva de la filosofía, se encuentra un potencial único para la reflexión crítica que se basa en cómo se hace realmente la ciencia. Los filósofos pueden comprender los procedimientos experimentales y matemáticos involucrados en la investigación de biología de sistemas, pero los científicos también pueden beneficiarse de la identificación de supuestos, implicaciones y aspectos cargados de valores de la práctica científica que a menudo solo son visibles desde una mayor distancia. La utilidad de la filosofía como una forma de evitar verse abrumado por los detalles científicos que pueden desviar el enfoque de las cuestiones importantes. Al mismo tiempo, pide una participación más activa de los filósofos en la investigación actual. De manera similar, si bien los filósofos a menudo están al margen de las actividades biológicas de los sistemas, también están equipados para un papel de asesores o asistentes. Sin embargo, como señala Carusi, para desempeñar tal papel, la filosofía académica profesional debe reinventarse y estar más informada y comprometida con la práctica científica. El gran potencial de los métodos empíricos como las entrevistas y los estudios de observaciones para informar el análisis filosófico. La colaboración entre la filosofía y la ciencia requiere la voluntad de dejar de lado preocupaciones y motivaciones puramente filosóficas en aras de estar abierto a lo que es importante para la práctica científica. Una experiencia común para los filósofos es que los términos técnicos pueden usarse de formas diferentes y, a menudo, más indeterminadas en la ciencia en comparación con las discusiones filosóficas. Aunque la filosofía puede ayudar a la ciencia en la clarificación conceptual del significado de términos importantes como modelo, validación, mecanismo, etc. en diferentes campos, no está nada claro que la práctica científica requiera que los términos se fijen en definiciones analíticas. Por lo tanto, las colaboraciones entre ciencia y filosofía también deben navegar en espacios de problemas adaptativos que requieren una conciencia epistémica de los diferentes objetivos, concepciones y métodos en la filosofía y la práctica científica. Recién ahora estamos comenzando a comprender lo que las estrategias de investigación y los marcos teóricos en biología de sistemas implican para nuestras perspectivas de resolver los grandes enigmas que brinda la complejidad biológica. La biología de sistemas generará alimento para el pensamiento filosófico durante muchos años. Además, la expectativa de que la biología de sistemas tendrá un gran impacto en la investigación biomédica hace que este enfoque sea un tema relevante para cualquier persona interesada en comprender las implicaciones de los desarrollos científicos para la ciencia y la sociedad.


Referencias

[1] Eck, Dingmar & Wright, Cory. (2020). Mechanist idealisation in systems biology. Synthese. 1-21. 10.1007/s11229-020-02816-8.

[2] Wright, Cory & Eck, Dingmar. (2018). Ontic Explanation Is either Ontic or Explanatory, but Not Both. 5. 997–1029. 10.3998/ergo.12405314.0005.038.

[3] Rooij, Iris & Wareham, Todd. (2008). Parameterized Complexity in Cognitive Modeling: Foundations, Applications and Opportunities. Comput. J.. 51. 385-404. 10.1093/comjnl/bxm034.

[4] Uchionkura, Shingo. (2020). Primary and lower secondary students’ perceptions of representational practices in science learning: focus on drawing and writing. International Journal of Science Education. 42. 1-23. 10.1080/09500693.2020.1849854.

[5] Rosenblatt, Marcus. (2021). From steady states to dynamics : methods for mechanistic modeling of biological systems with applications to interferon apha signaling. 


Kitano, H. (Ed.). (2001). Foundations of systems biology. Cambridge, MA: MIT Press.

[6] Röttjers, Lisa & Faust, Karoline. (2018). From hairballs to hypotheses - biological insights from microbial networks. FEMS microbiology reviews. 42. 10.1093/femsre/fuy030.

[7] Gábor, Attila & Banga, Julio. (2015). Robust and efficient parameter estimation in dynamic models of biological systems. BMC Systems Biology. 9. 10.1186/s12918-015-0219-2.

[8] Pradeu, Thomas & Lemoine, Maël & Khelfaoui, Mahdi & Gingras, Yves. (2021). Philosophy in Science: Can philosophers of science permeate through science and produce scientific knowledge?.

[9] Kastenhofer, Karen & Molyneux-Hodgson, Susan. (2021). Making Sense of Community and Identity in Twenty-First Century Technoscience. 10.1007/978-3-030-61728-8_1.

[10] Mesarovi?, M. D. (1968). Systems theory and biology – View of a theoretician. In M. D. Mesarovic

(Ed.), Systems theory and biology. Proceedings of the III systems symposium at case institute

of technology (pp. 59–87). New York: Springer.

[11] Green, Sara & Wolkenhauer, Olaf. (2013). Tracing Organizing Principles: Learning from the History of Systems Biology. History and Philosophy of the Life Sciences. 35. 553-576.

[12] Fava, Andrea & Raychaudhuri, Soumya & Rao, Deepak. (2021). The Power of Systems Biology. Rheumatic Disease Clinics of North America. 10.1016/j.rdc.2021.04.003.

[13] Nayak, Richa & Chakraborty, Rajkumar & Hasija, Yasha. (2021). System biology and synthetic biology. 10.1016/B978-0-12-821972-0.00012-5.

[14] Noble, Denis. (2021). Cellular Darwinism: Regulatory networks, stochasticity, and selection in cancer development. Progress in Biophysics and Molecular Biology. 10.1016/j.pbiomolbio.2021.06.007.

[15] Olivença, Daniel & Voit, Eberhard & Pinto, Francisco. (2020). ENaC regulation by phospholipids and DGK explained through mathematical modeling. Scientific Reports. 10. 10.1038/s41598-020-70630-w.

[16] Voit, Eberhard. (2019). Perspective: Dimensions of the scientific method. PLOS Computational Biology. 15. e1007279. 10.1371/journal.pcbi.1007279.

[17] Ankeny, Rachel & Leonelli, Sabina. (2020). Model Organisms. 10.1017/9781108593014.

[18] Bechtel, William. (2017). Explaining features of fine-grained phenomena using abstract analyses of phenomena and mechanisms: two examples from chronobiology. Synthese. 10.1007/s11229-017-1469-x.

[19] Crombach, Anton & Jaeger, Johannes. (2021). Life’s Attractors Continued: Progress in Understanding Developmental Systems Through Reverse Engineering and In Silico Evolution.

[20] Hooker, Cliff. (2013). On the Import of Constraints in Complex Dynamical Systems. Foundations of Science. 18. 10.1007/s10699-012-9304-9.

[21] Tee, Sim-Hui. (2019). Computational Construction of the Reality: Abstraction and Exploration-Driven Strategies in Constructing Protein–Protein Interfaces. Axiomathes. 29. 10.1007/s10516-018-9391-5.

[22] Raman, Karthik. (2021). An Introduction to Computational Systems Biology: Systems-Level Modelling of Cellular Networks. 10.1201/9780429486951.

[23] Kitano, H. (2002). Computational systems biology. Nature, 420, 206–210.

[24] Cho, Kwang-Hyun & An, Sugyun & Kang, Junsoo. (2021). Systems biology for reverse aging. Aging. 13. 10.18632/aging.203188.

[25] Gross, Fridolin & Green, Sara. (2017). The Sum of the Parts: Large-Scale Modeling in Systems Biology. Philosophy and Theory in Biology. 9. 10.3998/ptb.6959004.0009.010.

[26] Passini, Elisa & Zhou, Xin & Trovato, Cristian & Britton, Oliver & Bueno-Orovio, Alfonso & Rodriguez, Blanca. (2020). The virtual assay software for human in silico drug trials to augment drug cardiac testing. Journal of Computational Science. 52. 101202. 10.1016/j.jocs.2020.101202.

[27] Kolodkin, Alexey. (2017). Systems Biology Through the Concept of Emergence. 10.1007/978-3-319-47000-9_17.

[28] Chaiboonchoe, Amphun & Jurkowski, Wiktor & Pellet, J & Glaab, Enrico & Kolodkin, Alexey & Raussel, Antonio & Le Béchec, Antony & Meyniel-Schicklin, Laurène & Ballereau, Stéphane & Crespo, Isaac. (2013). Network analysis for systems biology. Springer book in Systems Biology, Vol. 1: Systems Biology:, Integrative Biology and Simulation Tools.

[29] Oftedal, Gry. (2014). The role of philosophy of science in Responsible Research and Innovation (RRI): the case of nanomedicine. Life sciences, society and policy. 10. 5. 10.1186/s40504-014-0005-8.

[30] Istrail, Sorin. (2019). Eric Davidson's Regulatory Genome for Computer Science: Causality, Logic, and Proof Principles of the Genomic cis -Regulatory Code. Journal of Computational Biology. 26. 653-684. 10.1089/cmb.2019.0144.

[31] Green, Sara. (2017). Introduction to Philosophy of Systems Biology. 10.1007/978-3-319-47000-9_1.

[32] Rondeau, Elena & Larmonier, Nicolas & Pradeu, Thomas & Bikfalvi, Andreas. (2019). Philosophy of Biology: Characterizing causality in cancer. 8.

[33] Ellis, George. (2020). The Causal Closure of Physics in Real World Contexts. Foundations of Physics. 50. 10.1007/s10701-020-00366-0.

[34] Hofmeyr, Jan-Hendrik. (2021). The biochemical factory that autonomously fabricates itself: A systems-biological view of the living cell.

[35] Pocheville, Arnaud & Montévil, Maël. (2017). The Hitchhiker's Guide to the Cancer Galaxy. How two critics missed their destination. Organisms. Journal of Biological Sciences. 1. 37-48. 10.13133/2532-5876_2.9.

[36] Matthiessen, Dana. (2015). Mechanistic Explanation in Systems Biology: Cellular Networks. The British Journal for the Philosophy of Science. 68. 10.1093/bjps/axv011.

[37] Mendes, Pedro & Caldwell, Jessica & Camacho, Diogo & de la Fuente, Alberto & Hoops, Stefan & Kamal, Aejaaz & Lee, Christine & Li, Xing & Martins, Ana & Mehrotra, Bharat & Sha, Wei & Shibru, Helen. (2021). Developing Strategies for Systems Biology.

[38] Hucka, Michael & Finney, A & Sauro, Herbert & Bolouri, H & Doyle, John & Kitano, Hiroaki & Arkin, Adam & Bornstein, B & Bray, D & Cornish-Bowden, Athel & Cuellar, A & Dronov, S & Gilles, E & Ginkel, M & Gor, V & Goryanin, Igor & Hedley, W & Hodgman, T & Hofmeyr, Jan-Hendrik & Wang, J. (2003). The systems biology markup language (SBML): a medium for representation and exchange of biochemical network models. Bioinformatics. 19. 524-531.

[39] Ali, Md & Parisutham, Vinuselvi & Choubey, Sandeep & Brewster, Robert. (2020). Inherent regulatory asymmetry emanating from network architecture in a prevalent autoregulatory motif. 10.7554/eLife.56517.sa2.

[40] Voit, Eberhard. (2013). Biochemical Systems Theory: A Review. ISRN Biomathematics. 2013. 10.1155/2013/897658.

[41] Sforzini, Susanna & Oliveri, Caterina & Barranger, Audrey & Jha, Awadhesh & Banni, Mohamed & Moore, Michael & Viarengo, Aldo. (2019). Effects of fullerene C60 in blue mussels: Role of mTOR in autophagy related cellular/tissue alterations. Chemosphere. 246. 125707. 10.1016/j.chemosphere.2019.125707.

[42] Green, Sara & Batterman, Robert. (2021). Making sense of top-down causation: Universality and functional equivalence in physics and biology.

[43] Auffray, Charles & Noble, Denis & Nottale, Laurent & Turner, Philip. (2020). Progress in integrative systems biology, physiology and medicine: towards a scale-relative biology. The European Physical Journal A. 56. 10.1140/epja/s10050-020-00090-3.

[44] Passini, Elisa & Zhou, Xin & Trovato, Cristian & Britton, Oliver & Bueno-Orovio, Alfonso & Rodriguez, Blanca. (2020). The virtual assay software for human in silico drug trials to augment drug cardiac testing. Journal of Computational Science. 52. 101202. 10.1016/j.jocs.2020.101202.

[45] Musuamba, Flora & Rusten, Ine & Lesage, Raphaëlle & Russo, Giulia & Bursi, Roberta & Emili, Luca & Wangorsch, Gaby & Manolis, Efthymios & Karlsson, Kristin & Kulesza, Alexander & Courcelles, Eulalie & Boissel, Jean-Pierre & Rousseau, Cécile & Voisin, Emmanuelle & Alessandrello, Rossana & Curado, Nuno & Dall’ara, Enrico & Rodriguez, Blanca & Pappalardo, Francesco & Geris, Liesbet. (2021). Scientific and regulatory evaluation of mechanistic in silico drug and disease models in drug development: building model credibility. CPT: Pharmacometrics & Systems Pharmacology. 10.1002/psp4.12669.

[46] Green, Sara & Jones, Nicholaos. (2016). Constraint-Based Reasoning for Search and Explanation: Strategies for Understanding Variation and Patterns in Biology: Constraint-Based Reasoning for Search and Explanation. Dialectica. 70. 343-374. 10.1111/1746-8361.12145.

[47] Vanhoefer, Jakob & Matos, Marta & Pathirana, Dilan & Schälte, Yannik & Hasenauer, Jan. (2021). yaml2sbml: Human-readable and -writable specification of ODE models and their conversion to SBML. Journal of Open Source Software. 6. 3215. 10.21105/joss.03215.

[48] Kolodkin, Alexey & Westerhoff, H.V.. (2011). Parsimony for systems biology: shaving Occam's razor away. Eur. Commun. Math. Theor. Biol.. 14. 149-152.

[49] Hofmeyr, Jan-Hendrik. (2017). Basic Biological Anticipation. 10.1007/978-3-319-31737-3_51-1.

[50] Carusi, Annamaria. (2017). Enactments of Systems Biology. 10.1007/978-3-319-47000-9_5.

[51] Tee, Sim-Hui. (2020). Abstraction as an Autonomous Process in Scientific Modeling. Philosophia. 48. 10.1007/s11406-019-00092-6.

[52] Dammann, Olaf. (2020). Etiological Explanations: Illness Causation Theory. 10.1201/9780429184147.

[53] Boon, Mieke. (2017). An engineering paradigm in the biomedical sciences: Knowledge as epistemic tool. Progress in biophysics and molecular biology. 129. 10.1016/j.pbiomolbio.2017.04.001.

[54] Green, Sara & Batterman, Robert. (2021). Making sense of top-down causation: Universality and functional equivalence in physics and biology.

[55] Love, Bradley. (2021). Levels of biological plausibility. Philosophical Transactions of the Royal Society B: Biological Sciences. 376. 20190632. 10.1098/rstb.2019.0632.

[56] Zednik, Carlos. (2018). Models and Mechanisms in Network Neuroscience. Philosophical Psychology. 32. 10.1080/09515089.2018.1512090.

[57] Watts, Fraser & Reiss, Michael. (2017). Holistic Biology: What It Is And Why It Matters. Zygon(r). 52. 419-441. 10.1111/zygo.12339.

[58] Gebharter, Alexander & Koch, Daniel. (2018). Combining Causal Bayes Nets and Cellular Automata: A Hybrid Modelling Approach to Mechanisms. The British Journal for the Philosophy of Science. forthcoming. 10.1093/bjps/axy049.

[59] Green, Sara. (2015). Can biological complexity be reverse engineered?. Studies in history and philosophy of biological and biomedical sciences. 53. 10.1016/j.shpsc.2015.03.008.

[60] Zhang, Xin. (2021). Are topological explanations really free of mechanisms?. Theory in Biosciences. 140. 10.1007/s12064-020-00336-0.

[61] Griffiths, Paul. (2008). In What Sense Does ‘Nothing Make Sense Except in the Light of Evolution’?. Acta biotheoretica. 57. 11-32. 10.1007/s10441-008-9054-9.

[62] Vaidyanathan, Seetharaman & Harrigan, George & Goodacre, Royston. (2005). Metabolome Analyses: Strategies for Systems Biology. 10.1007/b106967.

[63] Sengupta, Pratim & Dickes, Amanda & Farris, Amy. (2018). Toward a Phenomenology of Computational Thinking in STEM Education. 10.1007/978-3-319-93566-9_4.

[64] Svensson, Erik. (2017). On reciprocal causation in the evolutionary process. 10.1101/122457.

[65] Griffiths, Paul. (2008). In What Sense Does ‘Nothing Make Sense Except in the Light of Evolution’?. Acta biotheoretica. 57. 11-32. 10.1007/s10441-008-9054-9.

[66] Fasan, Rudi & Kan, Jennifer & Zhao, Huimin. (2019). A Continuing Career in Biocatalysis: Frances H. Arnold. ACS Catalysis. 9. 10.1021/acscatal.9b02737.

[67] Nath, Bimalendu B.. (2012). Dobzhansky and evolutionary cytogenetics. Resonance. 5. 61-65. 10.1007/BF02836842.

[68] Jaeger, J., & Monk, N. (2014). Bioattractors: Dynamical systems theory and the evolution of regulatory processes. Journal of Physiology, 592, 2267–2281.

[69] Kurismaa, Andres. (2015). On anticipation as an evolutionary framework: Functional systems perspective. International Journal of General Systems. 44. 10.1080/03081079.2015.1032530.

[70] Pigliucci, Massimo. (2008). Do We need an extended evolutionary synthesis?. Evolution; international journal of organic evolution. 61. 2743-9. 10.1111/j.1558-5646.2007.00246.x.

[71] Goodwin, Brian. (2020). How the Leopard Changed Its Spots: The Evolution of Complexity. 10.2307/j.ctv14163sj.

[72] Boojari, Mohammad. (2020). Investigating the Evolution and Development of Biological Systems from the Perspective of Thermo-Kinetics and Systems Theory. Origins of Life and Evolution of Biospheres. 50. 1-23. 10.1007/s11084-020-09601-0.

[73] Tweney, Ryan. (2011). Nancy J. Nersessian: Creating Scientific Concepts. Science & Education. 21. 591-596. 10.1007/s11191-011-9361-4.

[74] Eck, Dingmar & Mennes, Julie. (2016). Design Explanation and Idealization. Erkenntnis. 81. 10.1007/s10670-015-9782-6.

[75] Collins, H. M., & Evans, R. (2002). The third wave of science studies: Studies of expertise and

experience. Social Studies of Science, 32, 235–296.

[76] Ross, Wendy & Smith, Sam & Vistic, J. (2020). Collaborative Creativity. 10.1007/978-3-319-98390-5_85-1.

[77] Zhang, Xueyan & Wang, Xiaohong & Zhao, Wei. (2020). Social capital and knowledge integration in interdisciplinary research teams: a multilevel analysis. Management Decision. ahead-of-print. 10.1108/MD-12-2019-1684.

[78] Gross, F. (2015). The relevance of irrelevance: Explanation in systems biology. In P.-A. Braillard

& C. Malaterre (Eds.), Explanation in biology. An enquiry into the diversity of explanatory patterns in the life sciences (pp. 175–198). Dordrecht: Springer.

[79] Leonelli, Sabina. (2014). What Difference Does Quantity Make? On the Epistemology of Big Data in Biology. Big data & society. 1. 10.1177/2053951714534395.

[80] Vogt, Henrik & Green, Sara. (2020). Personalised Medicine: Problems of Translation into the Human Domain. 10.1007/978-981-15-7728-4_2.

[81] Kumari, Dr. (2020). P4 Medicine: A Futuristic Approach to Health and Disease. International Journal for Research in Applied Science and Engineering Technology. 8. 679-684. 10.22214/ijraset.2020.31558.