Barabasi abre su empresa: Redes de proteínas

Cómo un emprendimiento intenta comprender la red de relaciones de enfermedades
por el Dr. Bertalan Mesko - Science Roll


En la oficina del sótano de Jeff Hammerbacher de la Escuela de Medicina Icahn de Mount Sinai, una supercomputadora llamada Minerva, nombre de la diosa romana de la sabiduría y la medicina, se instaló en 2013. En pocos meses Minerva generó 300 millones de nuevos cálculos para apoyar las decisiones de atención médica. El Dr. Joel Dudley, director de informática biomédica en la Escuela de Medicina Icahn, dijo que lo que están tratando de construir un aprendizaje del sistema de salud.

"Primero tenemos que recoger los datos en una gran población de personas y conectarse que con los resultados. Vamos a tirar de todo lo que pensamos que sabemos sobre la biología y vamos a mirar las mediciones primarias de cómo estas cosas se están moviendo dentro de una población grande. Finalmente, los datos nos dirán cómo la biología está cableada".
De La Guía para el Futuro de la Medicina

Cuando se reunieron y analizaron los datos de salud de 30.000 pacientes que se ofrecieron a compartir su información, resultó que podría haber nuevos grupos o subtipos de diabetes. Mediante el análisis de grandes cantidades de datos que podría ser posible identificar los genes que son únicos a los pacientes con diabetes en estos diferentes grupos, proporcionando potencialmente nuevas maneras de entender cómo nuestro fondo genómico y el medio ambiente están relacionados con la enfermedad, sus síntomas y tratamientos.

Analizando los datos de grande es clave para el futuro de la asistencia sanitaria. Pero no es sólo el poder computacional, sino un nuevo paradigma sobre cómo nos fijamos en las redes de enfermedades. Me encantó el libro, Burst, de Albert-László Barabási, el experto conocido en el mundo de medicina de red. Demostró que hay patrones ocultos detrás de todo, desde mensajes de correo electrónico a la ciencia.



Tuve la oportunidad de conocerlo en persona hace unas semanas y charlamos acerca de sus teorías de la medicina de la red durante una hora. Él piensa relaciones enfermedad de la enfermedad se pueden predecir y descubrieron a través de la red de proteínas, llamada interactoma que es incompleta en este momento. Él y su equipo piensan que hay huellas dactilares moleculares detrás de las enfermedades y las estructuras ocultas que sólo pueden ser descubiertos con algoritmos inteligentes y métodos bioinformáticos.


Mapa de las interacciones proteína-proteína en el asma. El color de un nodo significa el efecto fenotípico de la eliminación de la proteína correspondiente (rojo, letal; verde, no letal, de color anaranjado, crecimiento lento; amarillo, desconocido).

El sistema que han estado desarrollando es el objetivo de la interpretación de las expresiones de genes y datos del estudio de asociación amplia del genoma para la identificación de objetivos de drogas y re-propositivo. El nombre de la emocionante puesta en marcha de Barabási es DZZOM, derivada de su mapa llamado "Diseasome". Su enfoque y las herramientas son sin duda ofreciendo nuevas oportunidades para reclasificar la relación de la enfermedad desde una perspectiva de red y las interacciones a nivel molecular. Obviamente, las compañías biofarmacéuticas son los objetivos de cebadores para sus servicios.

Vamos a ver cómo se transforma la manera en compañías farmacéuticas desarrollar nuevos medicamentos y cómo afecta a la medicina todos los días. Hasta entonces, leer el artículo publicado en la revista Science.

ARS 101: Análisis de redes en organizaciones

Teoría y análisis de redes en las organizaciones

cómo las relaciones influyen en el comportamiento

Historia y orientación

La idea de las redes sociales y las nociones de la sociometría y sociogramas apareció hace más de 50 años. Barnes (1954) se le atribuye haber acuñado el concepto de redes sociales, una salida de su estudio de una parroquia isla noruega a principios de 1950.

Supuestos básicos y afirmaciones

Núcleo: El análisis de redes (teoría de redes sociales) es el estudio de cómo la estructura social de las relaciones en torno a una persona, grupo u organización afectan las creencias o comportamientos. Las presiones causales son inherentes a la estructura social. El análisis de redes es un conjunto de métodos para detectar y medir la magnitud de las presiones. El axioma de cada enfoque de red es que la realidad debe ser concebida e investigado desde el punto de vista de las propiedades de las relaciones entre y dentro de las unidades en lugar de las propiedades de estas mismas unidades principalmente. Es un enfoque relacional. En las ciencias sociales y la comunicación de estas unidades son unidades sociales: individuos, grupos / organizaciones y sociedades.
Afirmaciones: Rogers caracteriza a una red de comunicación como un conjunto de "individuos interconectados que están vinculados por flujos de comunicación estampadas" (1986). Una red de comunicaciones estudios de análisis de "los vínculos interpersonales creadas por la esquila de la información en la estructura de la comunicación interpersonal" (1986), es decir, la red.

El análisis de redes dentro de las organizaciones

Alcance:

En general, el análisis de redes se centra en las relaciones entre las personas, en lugar de en las características de las personas. Estas relaciones pueden comprender los sentimientos que la gente tiene uno para el otro, el intercambio de información, o cambios más tangibles como los bienes y el dinero. Mediante la cartografía de estas relaciones, el análisis de redes ayuda a descubrir los patrones de comunicación emergentes e informales presentes en una organización, que puede entonces ser comparada con las estructuras formales de comunicación. Estos patrones emergentes pueden ser utilizados para explicar varios fenómenos organizacionales. Por ejemplo, los empleados tienen lugar en la red de comunicaciones (como se describe por sus relaciones), influye en su exposición y control de la información (Burt, 1992; Haythornthwaite, 1996). Dado que los patrones de relaciones traer empleados en contacto con las actitudes y comportamientos de los otros miembros de la organización, estas relaciones también pueden ayudar a explicar por qué los empleados desarrollan ciertas actitudes hacia los acontecimientos de organización o asuntos relacionados con el trabajo (teorías que se ocupan de estos asuntos se llaman "contagio teorías ", cf. Ibarra y Andrews, 1993; Burkhardt, 1994; Meyer, 1994; Feeley y Barnett, 1996; Pollock, Whitbred y contratista, 2000). Recientemente hay un interés creciente por qué las redes de comunicación surgen y los efectos de las redes de comunicación (Monge y contratista, 2003). Además, hay una cantidad sustancial de la literatura disponible sobre cómo networkdata recogida dentro de las organizaciones, se puede analizar (cf. Rice & Richards, 1985; Freeman, blanco y Romney, 1992; Wasserman y Faust, 1994; Scott, 2000).

Aplicaciones:

Técnicas de análisis de redes se centran en la estructura de comunicación de una organización, que puede ser operacionalizado en varios aspectos. Características estructurales que se pueden distinguir y analizados mediante el uso de técnicas de análisis de redes son, por ejemplo, los patrones de comunicación (formales e informales) en una organización o la identificación de los grupos dentro de una organización (camarillas o grupos funcionales). También funciones relacionadas con la comunicación de los empleados se pueden determinar (por ejemplo, estrellas, porteros, y los aislados). Especial atención se puede dar a los aspectos específicos de los patrones de comunicación: los canales de comunicación y medios de comunicación utilizados por los empleados, la relación entre los tipos de información y las redes de comunicación resultantes, y la cantidad y las posibilidades de comunicación de abajo hacia arriba. Características adicionales que podrían, en principio, ser investigados utilizando técnicas de análisis de redes son la carga de comunicación según la percepción de los empleados, los estilos de comunicación utilizados, y la eficacia de los flujos de información.

Modelo Conceptual (de una sociedad red)

Redes de conexión individuos, grupos, organizaciones y sociedades.
Fuente: Van Dijk 2001/2003

Métodos favoritos

Entrevistas, encuestas.

Alcance y aplicación

Pensar en términos de redes y el método de análisis de redes han ganado terreno en muchas disciplinas, incluyendo la psicología social, la antropología, la ciencia política, y las matemáticas, así como las comunicaciones. El análisis de redes genera información sobre los siguientes tipos de funciones de red: el papel de miembros, el papel de enlace, el papel de la estrella, el papel aislante, el papel-frontera que abarca, el papel de puente, y el papel no participante. El análisis de redes se hace en las organizaciones, la sociedad, los grupos, etc. El modelo de red anima a los planificadores de comunicación e investigadores para utilizar las nuevas variables de causa / efecto en su análisis. Por ejemplo, las propiedades de la red de comunicaciones muy, tales como la conectividad, la integración, la diversidad y la apertura (Rogers y Kincaid, 1981).

Ejemplo

Rogers y Kincaid estudian en Corea cómo las mujeres en un pequeño pueblo se organizaron para mejorar las condiciones generales de vida para ellos y sus familias.

Referencias

Publicaciones clave en análisis de red 

• Mouge, P. & Contractor, N. (2003). Theories of Communication Networks. Cambridge: Oxford University Press.
• Berkowitz, S.D. (1988). Afterword: Toward a formal structural sociology. In: Wellman, B. & Berkowitz, S.D. (Eds.). Social Structures, A network approach (477-497). London: Jai Press.
• Knoke, D. & Kublinski, J.H. (1982). Network Analysis. Beverley Hills: Sage Publications
• Dijk, J.A.G.M. van (2001). Netwerken als Zenuwstelsel van onze Maatschappij. Oratie 1-11-2001. Enschede: Universiteit Twente.
• Dijk, J.A.G.M. van (2001). Netwerken als Zenuwstelsel van onze Maatschappij. Tijdschrift voor Communicatiewetenschap, 30), 37-54.
• Dijk, J.A.G.M.. van (2003). Outline of a Multilevel Theory of the Network Society, In press.
• Rogers, E.M. & Kincaid, D.L. (1981). Communication Networks: Toward a New Paradigm for Research. New York: Free Press.
• Barnes, J. (1954). Class and Committees in a Norwegian Island Parish. Human Relations, 7, 39-58.
• Rogers, E. M. (1986). Communication Technology: The New Media in Society. New York: Free Press.

Publicaciones clave en análisis de redes dentro de las organizaciones

• Burt, R.S. (1992). Structural holes: the social structure of competition. Cambridge, MA: Harvard University Press.
• Haythornthwaite, C. (1996). Social network analysis: An approach and technique for the study of information exchange. Library and Infor­mation Science Research, 18, 323-342.
• Ibarra, H., & Andrews, S. B. (1993). Power, social influence, and sense making: Effects of network centrality and proximity on employee perceptions. Administrative Science Quarterly, 38, 277-303.
• Burkhardt, M.E. (1994). Social interaction effects following a technological change: a longitudinal investigation. Academy of Management Journal, 37, 869-898.
• Meyer, G.W. (1994). Social information processing and social networks: A test of social influence mechanisms. Human Relations, 47, 1013-1048.
• Feeley, T.H., & Barnett, G.A. (1996). Predicting employee turnover from communication networks. Human Communication Research, 23, 370-387.
• Pollock, T.G., Whitbred, R.C., & Contractor, N. (2000). Social information processing and job characteristics: A simultaneous test of two theories with implications for job satisfaction. Human Communication Research, 26, 292-330.
• Monge, P.R., & Contractor, N.S. (2003). Theories of communication networks. New York: Oxford University Press.
• Rice, R.E., & Richards, W.D. (1985). An overview of network analysis methods and programs. In: B. Dervin & M.J. Voight (Eds.), Progress in communication sciences (pp. 105-165). Norwood, NJ: Ablex Publishing Co.
• Freeman, L.C., White, D.R., & Romney, A.K. (1992). Research methods in social network analysis. New Brunswick, NJ.: Transaction Publishers.
• Wasserman, S., & Faust, K. (1994). Social network analysis. Cambridge: Cambridge University Press.
• Scott, J. (2000). Social Network Analysis: A handbook. Second edition. London: Sage.

Universidad de Twente

Las redes de hongos conectan a todas las plantas

Las plantas hablan entre sí a través de una Internet de hongos
Oculto bajo sus pies hay una autopista de información que permite a las plantas comunicarse y ayudarse unos a otros. Está hecha de hongos

Nic Fleming - BBC Earth



Es una autopista de la información que acelera las interacciones entre una población grande y diversa de individuos. Permite que las personas puedan estar ampliamente separadas para comunicarse y ayudarse unos a otros. Pero también les permite cometer nuevas formas de delincuencia.
No, no estamos hablando acerca de la Internet, estamos hablando de los hongos. Mientras que las setas pueden ser la parte más familiar de un hongo, la mayor parte de sus cuerpos se componen de una masa de hilos delgados, conocidos como micelio. Ahora sabemos que estos hilos actúan como una especie de internet subterráneo, que une las raíces de diferentes plantas. Ese árbol en su jardín está probablemente conectado a un arbusto de varios metros de distancia, gracias a micelios.
Cuanto más aprendemos acerca de estas redes subterráneas, más nuestras ideas acerca de las plantas tienen que cambiar. No sólo están allí sentados en silencio cada vez mayor. Al vincular a la red de hongos que pueden ayudar a sus vecinos mediante el intercambio de nutrientes y la información - o sabotear plantas no deseadas mediante la difusión de los productos químicos tóxicos a través de la red. Este "Wide Web de los bosques", resulta que, incluso tiene su propia versión de la ciberdelincuencia.


El micelio de un hongo difusión a través del suelo (Crédito: Nigel Cattlin / Alamy)

Alrededor del 90% de las plantas de la tierra están en relaciones mutuamente beneficiosas con los hongos. El biólogo alemán del siglo 19 Albert Bernard Frank acuñó la palabra "micorrizas" para describir estas asociaciones, en el que el hongo coloniza las raíces de la planta.

Los hongos se han llamado la "internet natural de la Tierra'

En las asociaciones de micorrizas, hongos con plantas proporcionan alimentos en forma de hidratos de carbono. A cambio, los hongos ayudan a las plantas absorben el agua y proporcionan nutrientes como el fósforo y el nitrógeno, a través de sus micelios. Desde la década de 1960, ha quedado claro que las plantas micorrizas ayuda individuales crezcan.
Redes hongos también impulsar el sistema inmunológico sus plantas hospederas. Eso es porque, cuando un hongo coloniza las raíces de una planta, se dispara la producción de productos químicos relacionados con la defensa. Esto hace que las respuestas del sistema inmune después más rápido y eficaz, un fenómeno llamado "cebado". Simplemente conectando a las redes de micelio hace que las plantas más resistentes a las enfermedades.
Pero eso no es todo. Ahora sabemos que las micorrizas también conectar las plantas que pueden estar muy separados. Experto Hongo Paul Stamets los llamó "internet natural de la Tierra" en una charla TED 2008. El primero tenía la idea en la década de 1970 cuando estaba estudiando hongos usando un microscopio electrónico. Stamets notó similitudes entre micelios y ARPANET, el Departamento de versión temprana de Defensa de internet de Estados Unidos.
Los aficionados al cine pueden ser recordados de 2009 taquillera Avatar de James Cameron. En la luna boscosa donde la película tiene lugar, todos los organismos están conectados. Se pueden comunicar y gestionar colectivamente los recursos, gracias a "algún tipo de comunicación electroquímica entre las raíces de los árboles". De vuelta en el mundo real, parece que hay algo de verdad en esto.


Avatar: sorprendentemente precisa cuando se trata de árboles (de crédito: Fotos 12 / Alamy)

Ha tomado décadas para reconstruir lo que Internet puede hacer por hongos. Ya en 1997, Suzanne Simard, de la Universidad de British Columbia en Vancouver encontró una de las primeras piezas de evidencia. Ella demostró que Douglas árboles de abeto y papel de abedul pueden transferir carbono entre ellos a través de los micelios. Otros han demostrado ya que las plantas pueden intercambiar nitrógeno y fósforo, así, por la misma ruta.

Estas plantas no son realmente personas

Simard ahora cree grandes árboles ayudan pequeños, más jóvenes el uso de Internet por hongos. Sin esta ayuda, ella piensa que muchas plántulas no sobrevivirían. En el estudio de 1997, las plantas de semillero a la sombra - que son propensos a ser corto de los alimentos - consiguieron más carbono de los árboles de los donantes.
"Estas plantas no son realmente las personas en el sentido de que Darwin pensaba que eran individuos que compiten por la supervivencia del más apto", dice Simard en el 2011 el documental se comunican los árboles? "De hecho están interactuando entre sí, tratando de ayudarse unos a otros a sobrevivir."
Sin embargo, es controvertida la utilidad de estas transferencias de nutrientes son en realidad. "Desde luego, sabemos que sucede, pero lo que está menos claro es el grado en que sucede", dice Lynne Boddy, de la Universidad de Cardiff en el Reino Unido.


Las plantas de tomate pueden recibir señales de sus vecinos (Crédito: Tracy Gunn / Alamy)

Mientras que el argumento continúa, otros investigadores han encontrado pruebas de que las plantas pueden dar un paso más, y comunicarse a través de los micelios. En 2010, Ren Sen Zeng, de la Universidad del Sur de China Agrícola en Guangzhou encontró que cuando las plantas están unidas por los hongos dañinos, liberan señales químicas en los micelios que advierten a sus vecinos.
Las plantas de tomate pueden 'espiar' en las respuestas de defensa
El equipo de Zeng creció pares de plantas de tomate en macetas. Algunas de las plantas se les permitió formar micorrizas.
Una vez que las redes hongos habían formado, las hojas de una planta de cada par fueron rociados con Alternaria solani, un hongo que causa la enfermedad del tizón temprano. Bolsas de plástico herméticas fueron utilizados para prevenir cualquier señalización química sobre el suelo entre las plantas.
Después de 65 horas, Zeng trató de infectar a la segunda planta en cada par. Él encontró que eran mucho menos propensos a tizón, y tenían niveles significativamente más bajos de daño cuando lo hicieron, si tenían micelios.
"Sugerimos que las plantas de tomate pueden 'espiar' en las respuestas de defensa y aumentar su resistencia a las enfermedades contra potencial patógeno", Zeng y sus colegas escribieron. Así que no sólo haga lo micorrizas permiten plantas para compartir alimentos, ayudan a defenderse.


Pulgones se alimentan de plantas de guisante haba (crédito: Bildagentur-línea / McPhoto-Weber / Alamy)

No se trata sólo de tomates que hacen esto. En 2013, David Johnson, de la Universidad de Aberdeen y sus colegas demostraron que las habas también utilizan redes para recoger hongos en las amenazas inminentes - en este caso, pulgones hambrientos.
Johnson encontró que grandes plantas de frijol que no eran ellos mismos bajo el ataque de pulgones, pero estaban conectados a los que fueron a través de micelios de hongos, activaron sus defensas químicas contra el pulgón. Los que no tienen micelios no.
"Algún tipo de señalización que estaba pasando entre estas plantas sobre la herbivoría por áfidos, y esas señales estaban siendo transportados a través de las redes de micelio micorrizas", dice Johnson.


El Internet es también un paraíso para los criminales y piratas (Crédito: shotstock / Alamy)

Pero al igual que el humano internet, internet hongos tiene un lado oscuro. Nuestro Internet socava la privacidad y facilita delito grave - y con frecuencia, permite virus informáticos para difundir. De la misma manera, las conexiones por hongos plantas 'quiere decir que nunca son verdaderamente solo, y que los vecinos malévolos pueden hacerles daño.
Por un lado, algunas plantas se roban entre sí el uso de Internet. Hay plantas que no tienen clorofila, por lo que a diferencia de la mayoría de las plantas no pueden producir su propia energía a través de la fotosíntesis. Algunas de estas plantas, como la orquídea fantasma, obtener el carbono que necesitan de los árboles cercanos, a través de los micelios de hongos que ambos están conectados a.
Otros orquídeas solamente roban cuando les conviene. Estos "mixotrophs" pueden llevar a cabo la fotosíntesis, pero también "robar" de carbono de otras plantas que utilizan la red de hongos que los une.
Eso puede no sonar tan mal. Sin embargo, el delito cibernético planta puede ser mucho más siniestro que un poco de pequeños robos.


Una orquídea fantasma (Cephalanthera austiniae) (Crédito: Tom Hilton, CC por 2,0)

Las plantas tienen que competir con sus vecinos por recursos como el agua y la luz. Como parte de esa batalla, algunos productos químicos de liberación que dañar a sus rivales.
Este "alelopatía" es bastante común en los árboles, entre ellos acacias, sugarberries, sicomoros estadounidenses y varias especies de Eucalyptus. Ellos liberan sustancias que, o bien reducir las posibilidades de otras plantas están estableciendo, o reducir la propagación de microbios alrededor de sus raíces.
Científicos escépticos dudan de que la alelopatía ayuda a estas plantas hostiles tanto. Seguramente, dicen, los productos químicos nocivos serían absorbidos por el suelo, o descompuestos por microbios, antes de que pudieran viajar lejos.
Pero tal vez las plantas pueden solucionar este problema, mediante el aprovechamiento de las redes de hongos subterráneos que cubren grandes distancias. En 2011, el ecologista química Kathryn Morris y sus colegas se propusieron probar esta teoría.


Las caléndulas oro son claramente hostiles a sus vecinos (Crédito: Blickwinkel / Alamy)

Morris, ex Barto, creció caléndulas oro en recipientes con hongos micorrícicos. Las macetas contenían cilindros rodeados por una malla, con agujeros lo suficientemente pequeñas como para mantener las raíces fuera, pero lo suficientemente grandes como para dejar en micelios. La mitad de estos cilindros se volvió con regularidad para dejar de redes de hongos que crecen en ellos.
El equipo probó el suelo en los cilindros de dos compuestos hechos por las caléndulas, que pueden retardar el crecimiento de otras plantas y matar a los gusanos nematodos. En los cilindros donde se permitió a los hongos a crecer, los niveles de los dos compuestos fueron 179% y 278% más alto que en los cilindros sin hongos. Eso sugiere que los micelios realmente hicieron transportar las toxinas.
Posteriormente, el equipo creció plántulas de lechuga en el suelo de ambos conjuntos de contenedores. Después de 25 días, los que crecen en el suelo toxina más rica pesaron 40% menos que aquellos en el suelo aislado a partir de los micelios. "Estos experimentos muestran las redes fúngicas pueden transportar estos productos químicos en concentraciones suficientemente altas como para afectar el crecimiento de la planta", dice Morris, que se basa ahora en la Universidad de Xavier en Cincinnati, Ohio.
En respuesta, algunos han argumentado que los productos químicos pueden no funcionar tan bien fuera del laboratorio. Así Michaela Achatz de la Universidad Libre de Berlín en Alemania y sus colegas buscó un efecto similar en la naturaleza.


Un árbol de nogal negro (Juglans nigra) (Crédito: foto-zona / Alamy)

Uno de los ejemplos mejor estudiados de la alelopatía es el árbol de nogal negro americano. Inhibe el crecimiento de muchas plantas, incluyendo alimentos básicos como las papas y pepinos, por la liberación de una sustancia química llamada jugalone de sus hojas y raíces.
Achatz y su equipo colocaron macetas alrededor de los árboles de nogal, algunas de las cuales las redes hongos podían penetrar. Esas vasijas contenían casi cuatro veces más que las ollas jugalone que fueron rotados para mantener fuera a las conexiones por hongos. Las raíces de las plántulas de tomate plantadas en el suelo jugalone ricos pesaron en promedio 36% menos.
Algunas plantas especialmente astutos incluso podrían alterar la composición de las comunidades fúngicas cercanas. Los estudios han demostrado que knapweed manchado, avena loca esbelta y soft brome se pueden todos cambiar el fúngica maquillaje de los suelos. Según Morris, esto podría permitirles orientar mejor las especies rivales con productos químicos tóxicos, favoreciendo el crecimiento de los hongos a los que se pueden conectar tanto.
Los animales también pueden aprovechar la internet por hongos. Algunas plantas producen compuestos de atraer bacterias y hongos a sus raíces, pero estas señales pueden ser recogidos por los insectos y gusanos en busca de raíces sabrosas para comer. En 2012, Morris sugirió que el movimiento de estos productos químicos de señalización a través de micelios de hongos puede anunciar de forma inadvertida la presencia plantas para estos animales. Sin embargo, ella dice que esto no se ha demostrado en un experimento.


Los árboles y otras plantas están vinculados subterráneo (de crédito: Todas las fotos / Alamy)

Como resultado de este creciente cuerpo de evidencia, muchos biólogos han comenzado a usar el término "Wide Web de los bosques" para describir los servicios de comunicaciones que los hongos proporcionan a las plantas y otros organismos.
"Estas redes hongos hacen que la comunicación entre las plantas, incluidas las de las diferentes especies, más rápido y más eficaz", dice Morris. "Nosotros no pensamos en ello porque por lo general sólo podemos ver lo que está por encima del suelo. Pero la mayoría de las plantas se pueden ver están conectados bajo tierra, no directamente a través de sus raíces, sino a través de sus conexiones de micelio."
El Internet hongos ejemplifica una de las grandes lecciones de ecología: aparentemente organismos independientes a menudo se conectan, y puede depender el uno del otro. "Los ecologistas han sabido desde hace tiempo que los organismos son más interconectado e interdependiente", dice Boddy. El wide web de los bosques parece ser una parte crucial de cómo se forman estas conexiones.

Añadiendo la estructura de red a la difusión de información

Presentación de Pound: Proceso para Optimización y Comprensión de Difusión de Red
Viendo el bosque desde los árboles.

Dao Nguyen y Andrew & Adam Kelleher

Los análisis web tradicionales proporcionan una visión limitada sobre la web social. Pueden "empaquetar" a los espectadores de una historia de acuerdo a desde donde se hace clic, y nos dicen cuántos hay en cada paquete. Esa información es valiosa y está especialmente adaptada a un mundo de "pre-compartir". Pero los análisis web tradicionales son fundamentalmente incapaces de captar lo que realmente sucede en la red social en la actualidad; borran su estructura de árbol inherente.



Como una de las principales organizaciones de noticias sociales y de entretenimiento, BuzzFeed tiene su contenido compartido por decenas de millones de personas cada mes. Más del 75% de nuestros 200M de usuarios mensuales provienen de fuentes sociales sociales u oscuros. Esta escala proporciona una oportunidad única para aprender acerca de la estructura de árbol de la difusión de la red de contenido social. ¿Qué sucede cuando usted pia algo y un seguidor lo recoge y lo comparte en Facebook, y luego uno de sus amigos lo publica en un blog, y luego un lector de correos electrónicos de TI a sus amigos? ¿Qué podemos aprender de cómo el contenido realmente mueve a través de la web social?

¿Qué es Pound?

Pound es una nueva tecnología, patentada que capta cómo las historias BuzzFeed propagan en la web social. De ello se desprende propagaciones de un partícipe a otro, a través de todas las visitas posteriores, incluso a través de redes sociales y plataformas de uno-a-uno de intercambio como Gchat y correo electrónico.
Pound es el Process for Optimizing and Understanding Network Diffusion [Proceso de Optimización y Comprensión de la Red de Difusión].
Pound  no almacena los nombres de usuario o cualquier información de identificación personal (PII) con los acontecimientos de las acciones. Cada nodo en el gráfico compartir es anónimo. No somos capaces de averiguar que un usuario está mirando a los datos del gráfico. Los datos de Pound se recogen sobre la base de un hash oscilante, anónimo en la URL del partícipe como un código UTM.
La recopilación y almacenamiento de este tipo de datos de difusión de la red era un desafío de ingeniería fuerte. Pound, bajo una carga típica, es capaz de manejar más de 10.000 peticiones web por segundo antes de escalar. Como resultado, ahora almacenar más datos en Pound en un solo mes que todos los otros datos que hemos recopilado previamente para la optimización del contenido desde el inicio de BuzzFeed.
El conocimiento que tuvo lugar en este conjunto de datos sin precedentes podría ayudarnos a entender nuestro contenido mejor, comprender mejor a nuestros lectores, y entender la web social mejor. Armado con esa comprensión, podemos tener mayor alcance y mayor impacto para nuestros lectores y en el mundo.

Tres cosas que hemos aprendido a partir de datos de Pound hasta ahora

1. Se trata de los bosques, no los árboles.

Al principio pensamos que los datos podrían ser representados en un solo diagrama de "árbol" como la de arriba. Pero rápidamente nos dimos cuenta de que todos los envíos que tiene cientos o miles de partícipes iniciales, cada uno la raíz de su propio árbol. El gráfico de Pound para cada historia por lo tanto se parece más a un bosque de un árbol. Y en este bosque, los árboles pueden parecer radicalmente diferente. Algunos son de grasa (un montón de nodos intermedios), algunos son finas; algunos son profundos (un montón de intercambio de cascadas), algunas de ellas poco profunda; algunos tienen propagaciones entre redes, otros no. La estructura del bosque y sus árboles nos dice con gran detalle sobre cómo se propaga cada puesto.

2. Las redes sociales y las promociones deben ser valorados por el conjunto de su cascada de aguas abajo.

En febrero de este año, BuzzFeed publicó un post sobre un vestido. Ha sido visto más de 38 millones de veces.
Los datos mostraron Pound, posiblemente por primera vez en la historia, cómo un post viral se extendió a través de millones de partícipes a través de redes sociales, sistemas de mensajería, sitios de noticias y blogs.


Análisis y visualización de Adam Kelleher

La imagen de arriba es el gráfico de difusión de la red que tiene sus raíces en la página principal de Facebook BuzzFeed. Eso significa que muestra todos los espectadores aguas abajo de las promociones del puesto "vestido" en esa página. La mayoría de los nodos son de color azul oscuro, lo que significa que hace clic de Facebook. Los nodos blancos son los espectadores hacen clic de una fuente no social, como un blog o un sitio de noticias. También hay algunos pequeños nodos de luz azul en la esquina inferior izquierda que representan los espectadores de Twitter. Este grupo es principalmente Facebook (azul oscuro), lo cual tiene sentido porque el "partícipe inicial" era un mensaje de Facebook.


Análisis y visualización de Adam Kelleher

La visualización de arriba es el gráfico de difusión de la red con raíz en la cuenta de Twitter principal BuzzFeed, lo que significa que muestra todo el tráfico de aguas abajo de los seis tweets publicados por la cuenta de la vinculación a la historia "vestido". Hay unos cuantos racimos de luz azules dominadas por Twitter, pero muchos más azul oscuro Facebook dominadas queridos. También hay grupos blancos de tamaño considerable que representan las personas que recogen la historia y que enlazan con él desde un sitio web como un blog o publicación. De hecho, los clics de Twitter representan sólo una cuarta parte del total de las visitas posteriores arraigadas en la cuenta BuzzFeed Twitter!
Presentación de Pound: Proceso para Optimización y Comprensión de Difusión Red



Análisis y visualización de Adam Kelleher

El GIF anterior zoom para ver grupos sucesivos de redes de intercambio dentro de ese grupo principal de Twitter. Compartiendo saltos de Twitter a una publicación, de vuelta a Twitter, en una publicación diferente, y así sucesivamente.

3. Contenido patrocinado se comparte y se re-compartida al igual que el contenido editorial.

Hemos sabido durante mucho tiempo, pero los datos de Pound lo demuestra. He aquí un ejemplo. Equipo de Servicios Creativos de BuzzFeed asoció con Target para escribir “I Tried The Fanny Basket And It Saved My Life” justo antes del Día de los Inocentes. La entrada se ha publicado bastante éxito con más de 400.000 visitas. Echemos un vistazo a algunos de sus visualizaciones Pound.



La visualización de arriba muestra una profundidad impresionante de intercambio social: la cuota inicial llevado a siete niveles adicionales de propagación, para una profundidad máxima de ocho. (En comparación, que Twitter clúster del puesto "vestido" tuvo una profundidad máxima de 11.) Cada círculo de nodos representa una red de intercambio orgánico, o un grupo de personas que vieron el cargo como resultado de una participación orgánica. Al igual que con el post "Dress", un grupo blanco en el centro representa una publicación descubrir la historia y la vinculación a ella en su sitio.


Visualización por Adam Kelleher

Uso del zoom en este grupo capta capas y capas de grupos en red compartiendo orgánicamente este post patrocinado. Es el equivalente social del marketing boca-a-boca. Pound hace medible boca-a-boca. (Y una vez que es medible, podría ser optimizable!)

¿Qué sigue para la Pound?

Estamos muy entusiasmados con las posibilidades de utilización de Pound! Éstas son sólo algunas ideas que hemos discutido.

• ¿Podemos proponer historias que no apelar sólo a usted, sino también a sus amigos y seguidores?
• ¿Podemos utilizar los datos de Pound a las fuentes de pruebas A / B? ¿Podemos hacer que el sitio y las aplicaciones mejor no sólo para los lectores, sino también para sus amigos - y por lo tanto aumentar el impacto de nuestro sitio?
• ¿Qué tan efectivas son las promociones específicas, no sólo en función del tráfico de primer orden, pero sobre todo el intercambio de aguas abajo y el tráfico que resulta?
• ¿Podemos predecir el alcance potencial de una historia basada en su contenido u otras características al respecto?
• ¿Podemos filtrar el efecto de grandes sitios o celebridades promover nuestro contenido, aprenden lo que la gente común como realidad, y producen más del contenido adecuado para todos?

Por último, vamos a hacer todo lo anterior para contenido patrocinado? De hecho, actualmente estamos buscando socios beta que nos ayuden a pensar sobre cómo los datos de Pound se pueden beneficiar los anunciantes y sus audiencias. ACTUALIZACIÓN 28/04: Estamos buscando específicamente para socios beta entre nuestros anunciantes que trabajan con nosotros en una alianza iterativo para crear continuamente contenido y aprender de los resultados de datos.
Estaremos compartiendo más durante 2015 en todo, desde los desafíos de ingeniería y arquitectura de datos de cómo vamos a utilizar para hacer Pound BuzzFeed mejor para nuestros lectores. No tenemos todas las respuestas a estas fascinantes preguntas todavía, pero estamos trabajando duro en ellos!

Relaciones entre los miembros del G-20

El descubrimiento de la relación de los miembros del G-20 el uso de minería de datos
Publicado por Leandro Guerra - Data Science Central


Se necesita sólo una pequeña charla conmigo para saber que soy un fan de los mercados financieros y muchos temas relacionados con la economía. Hoy quiero mostrar una aplicación que implica noticias en la web, Python, MongoDB y el Gephi, un software para la visualización y manipulación de las redes sociales.
Nuestro objetivo es verificar que la cantidad de apariciones conjuntas de los países del G-20 (en concreto Brasil) publicados en las noticias relacionadas con el mercado financiero puede reflejar los datos del Ministerio de Fomento, Industria y Comercio Exterior de Brasil. Para aquellos que no están familiarizados con el término, el G-20 (20 principales economías) es un grupo formado por los ministros de economía y presidentes de bancos centrales de 19 economías principales, además de la Unión Europea. El grupo fue establecido en 1999 como consecuencia de distintas crisis económicas de la década de 1990, y es una especie de foro de cooperación y consultas sobre cuestiones financieras internacionales. Los países miembros son (en orden alfabético):
Argentina, Australia, Brasil, Canadá, China, Francia, Alemania, India, Indonesia, Italia, Japón, República de Corea, México, Rusia, Arabia Saudita, Sudáfrica, Turquía, el Reino Unido, los Estados Unidos y la Unión Europea.
En la tabla de abajo tenemos los 30 principales destinos de las exportaciones brasileñas en base a datos del Ministerio de Fomento, Industria y Comercio Exterior de Brasil, refiriéndose a febrero de 2014.



Vamos a ir a los datos. Con un lector RSS desarrollado en Python y MongoDB, analicé el contenido de 1.000 noticias (número arbitrario) para encontrar si alguno de los países del G-20 tenían sus nombres mencionados juntos en la misma noticia. Hay un excelente vídeo publicado en TED - "¿Quién controla el mundo" - Que muestra en un buen nivel de detalle la definición de lo que es una red compleja. Por lo tanto, insertamos los datos recogidos en Gephi para crear nuestra red de relaciones entre los países. Como resultado, tuvimos la siguiente red asignada que muestra la relación (y su intensidad, según el grosor de los bordes) de los países del G-20 en nuestro contexto.



Los nombres de los países están en portugués porque la noticia era demasiado. Como nuestro objetivo era tener a Brasil en el centro de atención y las fuentes de noticias estaban todos brasileña, tenemos el país como el nodo principal de nuestra red. Podemos comprobar, por el grosor de los bordes, que Brasil está fuertemente relacionado con China, EE.UU., Japón y Alemania. Si nos fijamos en la tabla de destino de exportación más, vemos que estos países son, respectivamente, el primero, segundo, quinto y sexto destinos de nuestras exportaciones.
Un análisis más cuidadoso muestra que Brasil, en las noticias de nuestra base de datos, se relaciona con casi todos los países, a excepción de Arabia Saudita e Inglaterra (pero que de alguna manera tiene una relación representada por el Reino Unido). Es decir, de los 30 mejores destinos de nuestras exportaciones, solamente Arabia Saudita no estaba relacionado. Se demuestra que la conclusión en la siguiente gráfica, destacando las relaciones de Brasil (Inglaterra y Arabia Saudita están más distantes y con un color suavizado).



A pesar de tener las noticias nacionales como fuente primaria de datos, podemos ver la influencia de los Estados Unidos, la economía más grande del mundo, en su relación con los demás países (excepto Arabia Saudita, pero tal vez por la cantidad de nuestros datos).
Teniendo en cuenta todos estos datos, llegamos a la conclusión de que las actuales relaciones en noticias económicas en realidad reflejan los datos de nuestras relaciones comerciales. Tal vez no fue diferente, pero es una manera de mostrar cómo todo está conectado y, de hecho, dado que los mercados son eficientes (hay mucha discusión aquí y tiendo a estar en desacuerdo con la teoría), tenemos que las relaciones comerciales se reflejarán de alguna manera en el comportamiento de los agentes del mercado y, en consecuencia, se verá reflejado en los precios de los activos financieros.

Estructura de difusión de información ideológica por Facebook

La exposición a diversa información en Facebook
por Eytan Bakshy, Solomon Messing, Lada Adamic
Research Facebook




Como la gente cada vez más a las redes sociales para las noticias y la información ciudadana, se han planteado interrogantes acerca de si esta práctica lleva a la creación de las "cámaras de eco", en el que las personas están expuestas únicamente a la información de personas con ideas afines [2]. Otra especulación se ha centrado en si los algoritmos utilizados para clasificar los resultados de búsqueda y mensajes de redes sociales podrían crear "burbujas de filtro", en el que se salió a la superficie sólo el contenido ideológicamente atractivo [3].

La investigación que hemos llevado a cabo hasta la fecha, sin embargo, va en contra de esta imagen. Un trabajo de investigación anterior 2012 llegó a la conclusión de que mucha de la información que estamos expuestos y compartir proviene de lazos débiles: a los amigos con los que interactuamos con menos frecuencia y tienen más probabilidades de ser diferente para nosotros que nuestros amigos cercanos [4]. Otra investigación sugiere que los individuos son más propensos a involucrarse con contenido contrario a sus propios puntos de vista cuando se presenta junto con la información social [5].

Nuestra última investigación, publicada hoy en la revista Science, cuantifica, por primera vez, exactamente la cantidad de personas podrían ser y son expuestos a noticias e información ideológicamente diversa en los medios sociales [1].

Hemos encontrado que las personas tienen amigos que reclaman una ideología política contraria, y que el contenido del News Feed de la gente reflejan puntos de vista diversos. Mientras que las News Feed [Noticias RSS] emerge contenido que está un poco más en consonancia con la ideología propia de una persona (en base a las acciones de esa persona en Facebook), de quiénes es amigo y qué contenido que hagan clic en son más consecuencias que la clasificación de las noticias RSS en términos de la cantidad de contenido diverso que encuentro.

Específicamente, encontramos que entre los que sí informan una afiliación liberal o conservador,

• En promedio, 23 por ciento de los amigos de las personas reclamar una ideología política contraria.
• Por el contenido de las noticias duras que los amigos de las personas comparten, el 29,5 por ciento de los que corta a través de líneas ideológicas.
• Cuando se trata de lo que la gente ve en el News Feed, el 28,5 por ciento de las noticias dura encontró cortes a través de líneas ideológicas, en promedio.
• 24,9 por ciento del contenido de las noticias duras que la gente realmente hace clic en fue transversal.

Compartiendo noticias en Facebook

Durante los seis meses entre julio de 2014 y enero de 2015, más de 7 millones de enlaces web distintos (URL) eran compartidos por la gente en Facebook en Estados Unidos. Estábamos interesados ​​en aprender cómo mucha gente se expusieron a "noticias duras" - historias sobre la política, los asuntos mundiales y la economía, en lugar de "noticias blandas" - historias de entretenimiento, celebridades, y el deporte - y si esta información se alineó principalmente con audiencias liberales o conservadores. Para ello, hemos entrenado una máquina clasificadora de vectores soporte que utiliza las primeras palabras de artículos vinculados para cada URL compartida en Facebook. Esto nos permitió identificar más de 226.000 artículos de noticias duras únicas que habían sido compartidos por lo menos 100 veces.

A continuación, hemos caracterizado el contenido, ya sea conservador o liberal. Nueve por ciento de los usuarios de Facebook en el auto-reporte de su afiliación política de Estados Unidos en sus perfiles. Hemos trazado las afiliaciones más comunes a una escala de cinco puntos que van desde -2 (muy liberal) a 2 (muy conservador). Al promediar las afiliaciones de los que compartieron cada artículo, podríamos medir la "alineación" ideológica de cada historia. Para que quede claro, esta partitura es una medida de la * alineamiento ideológico de la audiencia * * que comparte un artículo *, y no es una medida de sesgo político o inclinación del artículo. Este cálculo se describe en la siguiente ilustración.


Ilustración de la alineación de la forma ideológica de contenido se mide. Para cada elemento compartido, promediamos la afiliación política de los individuos que comparten. Por ejemplo, en el ejemplo más arriba a la izquierda, el artículo fue compartida por cinco personas, tres quienes se identificaron como liberales, uno como un moderado, y uno como conservador, produciendo un promedio de -2/5.
Cuando promediamos esta medida para cada historia de un dominio determinado sitio web, podemos ver diferencias clave en fuentes de medios ideológicamente alineados conocidos: FoxNews.com está alineado con los conservadores (As = +.80), mientras HuffingtonPost.com está alineado con los liberales (As = -.65). Hubo polarización sustancial entre las noticias duras compartido en Facebook, con la relación más frecuentemente compartida claramente alineados con poblaciones mayormente liberales o conservadores, como se muestra a continuación.

Esta figura muestra que la mayoría de los enlaces a determinados artículos "noticias duras" son compartidos ya sea principalmente por los liberales (puntuación de alineamiento cercano a -1) o por los conservadores (alineación de puntuación cerca de 1), pero rara vez por ambos por igual.
El uso de los métodos descritos anteriormente, nos volvimos a medir el grado en que las personas podían ser, y estamos expuestos a la información ideológicamente diversa en Facebook.

Estructura de red e ideología

Homofilia, la tendencia de los individuos similares a que se asocien entre sí ("pájaros del mismo plumaje vuelan juntos") es un fenómeno social robusto. Los amigos son más propensos a ser similares en edad, nivel educativo, ocupación y geografía. No es sorprendente encontrar que el mismo es válido para la afiliación política en Facebook. Podemos ver cómo los liberales y los conservadores tienden a conectar a las personas con afiliaciones políticas similares basadas en la muestra del ego-redes representadas en las visualizaciones de abajo.

Ejemplo de Redes sociales para un liberal, un moderado, y un conservador. Los puntos son amigos de los individuos, y las líneas designan amistades entre ellos.
Sin embargo, entre los que informan su ideología, en promedio, alrededor del 23 por ciento de sus amigos reportan una afiliación en el lado opuesto del espectro ideológico. A partir de la figura de abajo, podemos ver que hay una amplia gama de diversidad de red. La mitad de los usuarios tienen entre entre 9 y 33 por ciento de los amigos de las ideologías opuestas, mientras que el 25 por ciento tiene menos de 9 por ciento y el 25 por ciento restante tienen más de 33 por ciento.

Porcentaje de los amigos de las ideologías entre liberales y conservadores opuestos.

El flujo de información en Facebook

La diversidad de la gente encontrar contenido no sólo depende de quiénes son sus amigos, sino también qué información los amigos compartir y la interacción entre las personas y de noticias de Facebook. Noticias RSS que muestra todo el contenido compartido por sus amigos, pero el contenido más relevante se muestra primero. Exactamente lo historias gente haga clic en depende de la frecuencia con que utilizan Facebook, qué tan bajo que se desplazan en el News Feed, y las decisiones que toman sobre qué leer.


Ilustración de cómo el proceso de exposición consta de tres fases: (1) la noticia de que su cuota de amigos (Potencial de red), (2) Puntuación y el tiempo que las personas toman para desplazarse gobierna lo que ven en sus Noticias Externas (Expuestas), ( 3) accediendo al artículo real (seleccionada).

Cómo la gente mucho contenido transversales encuentran depende de quiénes son sus amigos y qué información comparten esos amigos. Si la gente fuera de adquirir información de otras personas al azar, aproximadamente el 45 por ciento de los liberales contenido estaría expuesto a que sería de corte transversal, en comparación con el 40 por ciento para los conservadores. Por supuesto, las personas no encuentran información al azar en entornos fuera de línea ni en Internet.

¿Qué parte del contenido transversal que comparten tus amigos aparece en el News Feed? Las personas son elegibles para ver todo el contenido compartido por sus amigos en News Feed, pero como la gente no tiene suficiente tiempo en el día para ver todo, que ordenar el contenido a mostrar a la gente lo que es más relevante para ellos. Se encontró que el 23 por ciento de las noticias compartida por amigos liberales es transversal, mientras que lo que se ve en el News Feed es un 22 por ciento. Esto corresponde a una razón de riesgo de un 8 por ciento, lo que significa que la gente era un 8 por ciento menos propensos a ver los artículos compensatorios que han sido compartidos por los amigos, en comparación con la probabilidad de ver artículos ideológicamente consistentes que han sido compartidos por los amigos. Por otra parte, 34 por ciento del contenido compartido por los conservadores es ideológicamente transversal, frente a 33 por ciento en realidad se ve en el News Feed, correspondiente a una relación riesgo de 5 por ciento.

¿Cuánto transversal contenido que aparece en Noticias RSS qué la gente realmente haga clic en? Mientras que el 22 por ciento del contenido visto por los liberales fue transversal, se encontró que 20 por ciento del contenido que realmente hace clic en era transversal (intencionadas son un 6 por ciento menos propensos a hacer clic en los artículos que aparecieron en su News Feed compensatorios, en comparación con la probabilidad de que al hacer clic en los artículos ideológicamente coherentes que aparecieron en su News Feed). Los conservadores vieron 33 por ciento de contenido transversal en News Feed, pero en realidad han hecho clic en un 29 por ciento (correspondiente a una razón de riesgo de 17 por ciento).

La diversidad de contenidos (1) compartida por otros aleatorios (al azar), (2) compartido por amigos (potenciales de la red), (3) en realidad aparece en Noticias Externas de la gente (expuestos), (4) hace clic en (seleccionado).
Cuando miramos a la gente "en el margen" de encontrarse con noticias duras en Facebook, vemos más evidencia del importante papel juega la elección individual. Tome las personas cuyos amigos comparten al menos una constante y una historia transversal --- 99 por ciento de ellos fueron expuestos a por lo menos un artículo ideológicamente alineados, y el 96 por ciento encontrado al menos un elemento ideológicamente transversal en News Feed. Cuando nos fijamos en que se hace clic a través de contenido de noticias duras, se encontró que el 54 por ciento más de la mitad --- --- clic sobre contenido ideológicamente transversal, aunque menos que el 87 por ciento que hace clic en el contenido ideológicamente alineados.

Proporción de personas con al menos una transversal y la historia alineados (1) compartido por amigos (potenciales), (2) en realidad aparece en Noticias Externas de la gente (expuestos) (3) hace clic en (seleccionado). *

Discusión

Al mostrar que las personas están expuestas a una cantidad sustancial de los contenidos de los amigos con los puntos de vista opuestos, nuestros hallazgos contrastan las preocupaciones de que la gente pueda "lista y hablan sólo a la de ideas afines" mientras está en línea [2]. La composición de nuestras redes sociales es el factor más importante que afecta a la mezcla de contenido encontrado en las redes sociales con la elección individual también juega un papel importante. Clasificación News Feed tiene un menor impacto en la diversidad de la información que vemos desde el otro lado.

Creemos que este trabajo es sólo el comienzo de una larga línea de investigación sobre cómo las personas están expuestas a y consumen medios en línea. Para obtener más información, consulte nuestro documento, que está disponible en acceso abierto en ScienceExpress:

Exposure to Ideologically Diverse News and Opinion. E. Bakshy, S. Messing, L. Adamic. Science.

Referencias

[1] Exposure to Ideologically Diverse News and Opinion. E. Bakshy, S. Messing, L. Adamic. Science, 2015.
[2] C. R. Sunstein, Republic.com 2.0 (Princeton University Press, 2007).
[3] E. Pariser, The Filter Bubble: What the Internet Is Hiding from You (Penguin Press, London, 2011).
[4] E. Bakshy, I. Rosenn, C. Marlow, L. Adamic, The Role of Social Networks in Information Diffusion, Proceedings of the 21st international conference on World Wide Web Pages. (2012).
[5] S. Messing, S. J. Westwood, Selective Exposure in the Age of Social Media: Endorsements Trump Partisan Source Affiliation when Selecting News Online, Communication Research (2012).

Un simulación para encontrar una pareja sin ninguna capacidad de sociabilidad

Un simulador de evolución revela el secreto de apareamiento sin habilidades sociales
Sin las habilidades sociales, la única manera de conocer a un compañero es por casualidad completa. ¿Verdad? No, de acuerdo a un nuevo modelo que simula la forma en genes de un individuo pueden interactuar con el medio ambiente.




Encontrar una pareja sexual es un asunto complejo para los seres humanos. En su forma más simple, requiere dos participantes dispuestos a estar presentes en el mismo lugar al mismo tiempo. Y como era de esperar, los humanos han desarrollado sofisticadas habilidades sociales para coordinar sus movimientos para este propósito (como lo han hecho muchos organismos).

Pero ¿y si los participantes no tienen las habilidades sociales y por lo tanto son incapaces de coordinar de esta manera? ¿Cómo participantes que carecen de habilidades sociales se aparean alguna vez? Esa es una pregunta importante, y no sólo para los seres humanos con habilidades sociales pobres. De hecho, muchos organismos simples se reproducen sexualmente, pero no parecen tener las habilidades sociales para coordinar sus movimientos.

Este enigma se llama el problema de la coordinación social y sociólogos han desconcertado de largo sobre cómo las especies socialmente cuestionadas de sobrevivir.

Hoy tenemos una respuesta gracias a la obra de Chris Marriott de la Universidad de Washington en Seattle y Jobran Chebib en la Universidad de Zúrich, en Suiza. Estos chicos han creado un modelo informático que simula la interacción entre los organismos, sus genes y el medio ambiente en el que existen.

Este modelo muestra cómo las personas sin habilidades sociales todavía pueden aparearse con éxito y ofrece una visión única de la forma en habilidades sociales con el tiempo pueden evolucionar en este tipo de poblaciones.

Una parte clave del nuevo modelo es su capacidad para simular la interacción entre la composición genética de una población de individuos y su entorno. Y lo hace de una manera inteligente.

En el nuevo modelo, el "medio ambiente" consiste en una red de nodos conectados al azar. Un individuo puede explorar este mundo al saltar de un nodo a otro utilizando los enlaces entre ellos.

Las personas que aumentan la energía en cada nodo, pero lo utilizan a medida que se mueven. La ganancia o pérdida de energía neta cada día determina si la criatura vive o muere.

Al mismo tiempo, una persona con suficiente energía puede disfrutar de relaciones sexuales con otra criatura que pasa a estar en el mismo lugar, siempre que éste también tenga la energía suficiente. Esto da como resultado el nacimiento de una nueva criatura con características de ambos padres. Las personas que no tienen relaciones sexuales también pueden reproducirse asexualmente.

La forma en que más individuos eligen sus rutas es importante. Cada criatura hace esto usando la información codificada en su "genoma": una larga secuencia de rutas posibles a través del entorno de un lugar a otro.

En una ubicación específica, el individuo busca en su genoma para las rutas asociadas con esa posición. A continuación, elige la ruta que maximice sus futuros recursos, y esto determina dónde se mueve al lado.

Esto tiene consecuencias importantes para una población emergente. Marriott y Chebib empiezan por la liberación de un solo individuo en este entorno. Es obvio que no puede tener relaciones sexuales y así se reproduce asexualmente, produciendo otra persona con el mismo genoma.

Dado que ambos individuos tienen el mismo genoma, se mueven a través del entorno de la misma manera, la producción de otros individuos con el mismo genoma o tener relaciones sexuales para producir individuos con genomas similares.

Después de muchas generaciones, el resultado es un grupo de individuos con genomas similares que se mueven a través del entorno de la misma manera. En otras palabras, una manada.

Esto lleva a un patrón de cría llamado cruzamiento, donde los individuos se aparean con otros similares en lugar de socios aleatorios. Eso es una simple consecuencia de ser parte de una manada con patrones de comportamiento similares.

Las personas también tienden a regresar a sus lugares de nacimiento, ya que esta información se codifica automáticamente en sus genomas. Así es como surge filopatría natal.

Todo esto está en marcado contraste con las poblaciones de individuos con diferentes genomas que se dejan caer en el medio ambiente de forma aleatoria. Estos individuos tienden a morir, ya que sólo se reúnen otros individuos por completo oportunidad. Así que la reproducción sexual es rara.

Y cuando ocurre, tiende a crear individuos con genomas similares que terminan produciendo rebaños y disfrutando de apareamiento selectivo y filopatría natal exactamente de la misma manera que las menos diversas poblaciones.

Lo extraordinario es que todos estos comportamientos emergen de la interacción entre la genética de los individuos y su entorno. No hay habilidades sociales involucrados en absoluto.

"Encontramos tres tipos de organización social que ayuda a resolver este problema social de coordinación (pastoreo, apareamiento selectivo y filopatría natal) emergen en poblaciones de agentes simulados sin mecanismos sociales disponibles para apoyar a estas organizaciones", dicen Marriott y Chebib.

Eso es fascinante trabajo y no sólo porque muestra cómo se puede producir el apareamiento entre individuos sin habilidades sociales. Marriott y Chebib especulan que la aparición de estas conductas de apareamiento proporciona un entorno en el que las habilidades de coordinación social, con el tiempo pueden evolucionar. "Llegamos a la conclusión de que los orígenes no sociales de estas organizaciones sociales en torno a la reproducción sexual pueden proporcionar el medio ambiente para el desarrollo de soluciones sociales a los mismos y diferentes problemas", dicen.

Muchas criaturas aprenden habilidades sociales de otros individuos o están bajo la presión social de un tipo u otro a comportarse de una manera específica. Pero nadie ha sido nunca seguro de cómo han surgido debido a la naturaleza de pollo y el huevo del problema de estas habilidades: no se puede aprender las habilidades sociales a menos que seas parte de un grupo, y no puede ser parte de un grupo a menos que tenga las habilidades sociales.

Marriott y Chebib han encontrado un camino a través de esta paradoja sobre la base de la relación entre los genes y el medio ambiente. ¿El siguiente paso? Ver si las habilidades de coordinación en redes sociales evolucionan en las poblaciones que reproducen. ¡Estaremos observando!

Ref: arxiv.org/abs/1504.06781 : Finding a Mate With No Social Skills

1504 06781v1

Leer más publicaciones en Calaméo