{"id":21633,"date":"2011-01-07T00:00:00","date_gmt":"2011-01-06T23:00:00","guid":{"rendered":"https:\/\/new.barcelonatribuna.com\/las_tic_como_palanca_de_cambio_de_la_ciencia\/"},"modified":"2011-01-07T00:00:00","modified_gmt":"2011-01-06T23:00:00","slug":"las_tic_como_palanca_de_cambio_de_la_ciencia","status":"publish","type":"post","link":"https:\/\/www.amicsdelpais.com\/es\/las_tic_como_palanca_de_cambio_de_la_ciencia\/","title":{"rendered":"LAS TIC COMO PALANCA DE CAMBIO DE LA CIENCIA"},"content":{"rendered":"
Victor Canivell Cretchley<\/a><\/div>

Las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones se han convertido en una infraestructura fundamental de muchas ramas de la ciencia, permitiendo el an\u00e1lisis de problem\u00e1ticas y sistemas cient\u00edficos de escalas exponencialmente crecientes, as\u00ed como de grados de complejidad cada vez m\u00e1s importantes. <\/p><\/div> 1. Introducci\u00f3n<\/u><\/b> Las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones se han convertido en una infraestructura fundamental de muchas ramas de la ciencia, permitiendo el an\u00e1lisis de problem\u00e1ticas y sistemas cient\u00edficos de escalas exponencialmente crecientes, as\u00ed como de grados de complejidad cada vez m\u00e1s importantes. No s\u00f3lo se trata de pode hacer m\u00e1s c\u00e1lculos en s\u00ed, sino que los avances de la llamada ciencia de la computaci\u00f3n, base de las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones, est\u00e1n influyendo en las nuevas herramientas conceptuales y tecnol\u00f3gicas utilizadas en la ciencia de sistemas complejos en campos como la biolog\u00eda, la medicina, los ecosistemas, las redes sociales, las redes de comunicaciones, la econom\u00eda, etc. A su vez, el avance en el conocimiento de dichos sistemas complejos en biolog\u00eda y qu\u00edmica permite vislumbrar un horizonte de computaci\u00f3n molecular que abra nuevas fronteras en las capacidades de la computaci\u00f3n y las comunicaciones. Se trata de sistemas adaptativos y aut\u00f3nomos que desarrollan respuestas coherentes a cambios en su entorno de gran complejidad, mucho m\u00e1s all\u00e1 de lo que somos capaces de hacer con las tecnolog\u00edas actuales. Por otro lado se vislumbra el horizonte de la computaci\u00f3n cu\u00e1ntica que podr\u00eda dar lugar en pocos lustros a capacidades de c\u00e1lculo ilimitadas respecto a las actuales. Por ello no s\u00f3lo son las TIC una palanca de avance fundamental de la ciencia, sino que, adem\u00e1s, la ciencia es una palanca de avance fundamental de las TIC, en un c\u00edrculo virtuoso acelerado de grandes implicaciones. En ambos casos se trata de avances espectaculares en nuestra comprensi\u00f3n del mundo que nos rodea, de nuestra capacidad de desarrollo tecnol\u00f3gico, y, por ende, de nuestro desarrollo econ\u00f3mico y social. Estamos en el albor de una nueva manera de hacer ciencia. Es por ello crucial que la sociedad conozca las bases y el potencial de estos avances. Catalunya dispone de buenas infraestructuras t\u00e9cnicas TIC para la ciencia. Si aspiramos a convertirnos en una sociedad del conocimiento, con valor a\u00f1adido en la generaci\u00f3n de conocimiento, hemos de seguir invirtiendo en actualizarlas y en dar la formaci\u00f3n a los j\u00f3venes cient\u00edficos para que las puedan aprovechar. Est\u00e1 demostrado que en el medio plazo hay una clara correlaci\u00f3n entre el nivel de desarrollo cient\u00edfico y el de capacidad econ\u00f3mica y bienestar social. 2. Las TIC como palanca de impulso de la Ciencia<\/u><\/b> La f\u00edsica de materiales condujo hace medio siglo al desarrollo de los semiconductores, los transistores y los microprocesadores, los cuales han digitalizado y revolucionado las tecnolog\u00edas de la computaci\u00f3n y las comunicaciones (TIC). El progreso ha sido prodigioso. Es inimaginable hoy un mundo sin tel\u00e9fonos m\u00f3viles, sin internet, sin todos los sistemas electr\u00f3nicos que regulan nuestros aparatos dom\u00e9sticos, autom\u00f3viles, hospitales, industrias y un largo etc\u00e9tera. Y estamos acostumbrados a su constante evoluci\u00f3n siguiendo la llamada Ley de Moore (dos veces m\u00e1s de velocidad de c\u00e1lculo y de capacidad de memoria cada 18 meses al mismo coste, es decir un orden de magnitud cada lustro desde hace cincuenta a\u00f1os). Pero, m\u00e1s all\u00e1 de estos avances, es importante reconocer que en estos momentos son estas mismas tecnolog\u00edas de la informaci\u00f3n y comunicaciones las que est\u00e1n revolucionando el avance de la ciencia. Y esta revoluci\u00f3n tiene m\u00e1s de una dimensi\u00f3n: en primer lugar, la obvia, la de permitir el tratamiento de cada vez mayores cantidades de datos a mayores velocidades. As\u00ed ayudan a los cient\u00edficos a \u201chacer\u201d m\u00e1s ciencia m\u00e1s r\u00e1pidamente. Pero m\u00e1s all\u00e1 de estos avances de escala, las ciencias de la computaci\u00f3n est\u00e1n influyendo en \u201cc\u00f3mo\u201d se hace la ciencia. Los conceptos, teoremas y herramientas desarrollados en el seno de las llamadas ciencias de la computaci\u00f3n se est\u00e1n adaptando como nuevas herramientas en las ciencias dedicadas al estudio de sistemas complejos, especialmente en las ciencias biol\u00f3gicas, as\u00ed como en el estudio del clima, de fuentes energ\u00e9ticas, del cerebro, de los or\u00edgenes del universo, de los or\u00edgenes de la vida, etc. Estamos pues ante una nueva revoluci\u00f3n. Las revoluciones cient\u00edficas no son nada frecuentes, pero suelen ocurrir cuando se inventa una nueva herramienta conceptual (como el c\u00e1lculo) o una nueva herramienta tecnol\u00f3gica (como el telescopio). Veamos algunos ejemplos. Fibonacci en el siglo XIII public\u00f3 el tratado \u201cLiber Aci\u201d en el que estableci\u00f3 una nueva rama de las matem\u00e1ticas, el \u00e1lgebra. El algebra permiti\u00f3 pasar de las matem\u00e1ticas de palabras a la matem\u00e1tica de los s\u00edmbolos. Hasta ese momento en Europa las matem\u00e1ticas se escrib\u00edan como palabras. Fibonacci \u201cdescubri\u00f3\u201d el sistema num\u00e9rico, que de hecho naci\u00f3 en la India hace 3.000 a\u00f1os, y que lleg\u00f3 a la Europa de la \u00e9poca a trav\u00e9s del legado de la cultura \u00e1rabe. El algebra permiti\u00f3 nuevos tipos de c\u00e1lculos que cambiaron la sociedad, a trav\u00e9s del estudio por ejemplo de los planetas, y de su impacto en el comercio y la religi\u00f3n. Unos 400 a\u00f1os m\u00e1s tarde Newton, en sus esfuerzos por entender las leyes de la naturaleza en base a las tasas de cambio del movimiento, us\u00f3 el algebra para el desarrollo de una nueva rama de las matem\u00e1ticas: el c\u00e1lculo (coincidiendo con los trabajos de von Leibniz). Esta nueva herramienta permiti\u00f3 describir muchas nueves leyes de la naturaleza: tasas de cambio o din\u00e1micas del calor, del sonido, de la luz, de los fluidos, de la electricidad, del magnetismo, etc. De manera parecida, el desarrollo de nuevas herramientas tecnol\u00f3gicas, como el telescopio de Galileo y el microscopio, ambos del siglo XVII, los rayos X del siglo XIX, las m\u00e1quinas secuenciadoras de DNA de los a\u00f1os \u201860 tambi\u00e9n han transformado nuestra comprensi\u00f3n del mundo y del universo. El impacto de las TIC en el desarrollo de la ciencia, en el alcance sus resultados y en el impacto de sus herramientas y m\u00e9todos para entornos complejos, tendr\u00e1 una importancia al menos igual de significativa en las pr\u00f3ximas d\u00e9cadas como lo ha sido estos \u00faltimos cincuenta a\u00f1os: impactar\u00e1 nuestra longevidad, nuestra calidad de vida, lo que sabemos de nosotros, de nuestro planeta, de nuestro universo, de c\u00f3mo afrontar las enfermedades, de c\u00f3mo gestionar los recursos de nuestro planeta, etc. Las TIC est\u00e1 cambiando la forma de hacer ciencia, proporcionando avances a trav\u00e9s de nuevos tipos de experimentos. Estos experimentos generan nuevos tipos de datos, de complejidad y vol\u00famenes exponencialmente mayores. Uno de las cuestiones a resolver es c\u00f3mo usar, explotar y compartir esta avalancha de datos. Ejemplos de estas avalanchas de datos se dan por ejemplo en el caso del nuevo laboratorio \u201cLarge Hadron Collider\u201d del CERN en Ginebra. Est\u00e1 previsto que produzca varios PetaBytes (diez elevado a 15 n\u00famero de bytes, o PB) anuales. Para ello se ha implementado una arquitectura de tratamiento de estos datos de tipo \u201cgrid\u201d que engloba una red internacional de centros de computaci\u00f3n con m\u00e1s de 100k CPUs para analizar en cascada las informaciones y patrones m\u00e1s relevantes a las investigaciones en curso. La acumulaci\u00f3n de grandes vol\u00famenes de datos, medidos en PB y en ExaBytes (mil PB), se da con gran frecuencia en la ciencia actual, y no s\u00f3lo en la f\u00edsica de altas energ\u00edas, sino tambi\u00e9n en las t\u00e9cnicas de \u201chigh throuhgput\u201d de gen\u00f3mica, prote\u00f3mica, qu\u00edmica combinatoria, estudios del clima, astronom\u00eda, etc. Pero adem\u00e1s, y m\u00e1s all\u00e1 de estos problemas de escala de volumen de datos, hay otros tipos de problem\u00e1ticas como es la de tratar datos mucho m\u00e1s heterog\u00e9neas y con or\u00edgenes mucho m\u00e1s dispersos, como son los casos de biomedicina, astronom\u00eda y otros. Se trata de conceptualizar la amplitud y la profundidad de las relaciones y posibles relaciones en el seno de los datos correspondientes. Ello requiere herramientas cada vez m\u00e1s potentes para acceder, manipular, visualizar e interpretar estos datos de una manera eficaz, superando las barreras actuales de heterogeneidad de datos, plataformas y aplicaciones. Las t\u00e9cnicas que se est\u00e1n desarrollando incorporan conceptos de hardware como redes de equipos b\u00e1sicos tipo PC, y redes de agrupaciones de estos equipos para hacer c\u00e1lculos hasta la fecha \u00fanicamente realizables en equipos de supercomputaci\u00f3n. Como la cantidad de datos generados en este tipo de entornos excede la velocidad y capacidad de almacenamiento y las velocidades de las redes, se impone complementar las grandes bases de datos centrales con jerarqu\u00edas federadas de bases de datos especializadas y m\u00e1s peque\u00f1as. Por otro lado las nuevas herramientas de software incluyen conceptos como la sem\u00e1ntica, o metadatos, es decir datos que describen los datos, su calidad, d\u00f3nde y cu\u00e1ndo se han creado, su propiedad intelectual, etc. Y no es s\u00f3lo para consumo humano, sino que de hecho lo utilizan fundamentalmente los \u201cweb services\u201d entre aplicaciones para integrar, transformar y\/o hacer c\u00e1lculos con los datos subyacentes. La gesti\u00f3n de los datos cient\u00edficos requiere pues avances en los sistemas de gesti\u00f3n de bases de datos que incluyan esta informaci\u00f3n sem\u00e1ntica. Los principios que subyacen el desarrollo de las TIC se conocen como \u201cciencia de la computaci\u00f3n\u201d (\u201ccomputer science\u201d). Esta ciencia de la computaci\u00f3n est\u00e1 contribuyendo en gran manera al avance de la ciencia, de las ciencias naturales. Pero va m\u00e1s all\u00e1 que esto, est\u00e1 en gran medida reformulando las ciencias naturales. Las ciencias naturales se definen en relaci\u00f3n al mundo en el que vivimos y que intentamos describir y predecir en base a estudios emp\u00edricos y postulados de teor\u00edas y leyes. La ciencia de la computaci\u00f3n es m\u00e1s dif\u00edcil de describir, no tiene las bases emp\u00edricas de las ciencias naturales, no se trata s\u00f3lo razonamientos simb\u00f3licos (matem\u00e1ticas) y no es s\u00f3lo un compendio de principios de ingenier\u00eda y tecnolog\u00eda. Se puede decir que la mejor caracterizaci\u00f3n de la ciencia de la computaci\u00f3n es la manera en que sus practicantes resuelven problemas, dise\u00f1an sistemas e interpretan el comportamiento humano en el contexto de dichos sistemas. Por ello se habla del \u201ccomputational thinking\u201d. Se trata de plantearse cuestiones como, \u201ccu\u00e1n dif\u00edcil ser\u00e1 de resolver\u201d, \u201ccu\u00e1l es la mejor mana de resolverlo\u201d, como reformular un problema complejo en otro que sabemos c\u00f3mo resolver, quiz\u00e1 por reducci\u00f3n, transformaci\u00f3n o simulaci\u00f3n. Se trata de encontrar la representaci\u00f3n m\u00e1s adecuada para un problema, en encontrar la modelizaci\u00f3n que lo hace tratable. Se trata de usar la abstracci\u00f3n y descomposici\u00f3n al analizar una tarea compleja o dise\u00f1ar un sistema complejo. Se trata de tener la confianza de poder usar, modificar e influenciar un sistema complejo sin comprender todos sus detalles. Se trata de modularizar algo en anticipaci\u00f3n a m\u00faltiples usuarios y\/o de \u201cpre-fetching\u201d y \u201ccaching\u201d futuros. Se trata de juzgar el dise\u00f1o de un sistema en base a su simplicidad y elegancia. Se trat de pensar de manera recurrente. Se trata de pensar en t\u00e9rminos de prevenci\u00f3n, protecci\u00f3n y recuperaci\u00f3n ante los peores escenarios (violaci\u00f3n de condiciones de contorno, entornos impredecibles) a trav\u00e9s de redundancia, contenci\u00f3n de da\u00f1os y correcci\u00f3n de errores. En resumen, se trata de resolver problemas y dise\u00f1ar sistemas usando los principios b\u00e1sicos de la ciencia de la computaci\u00f3n. Hemos hecho \u00e9nfasis en que las nuevas fronteras que las TIC ayudan a desarrollar en el mundo de la ciencia est\u00e1n relacionadas con la complejidad. Muchos de los aspectos m\u00e1s importantes de nuestro mundo se representan como sistemas complejos: biolog\u00eda, medicina (como redes intercelulares, sistemas de \u00f3rganos, epidemiolog\u00eda), en entorno (ecosistemas, etc.), sistemas sociales (como transportes, ciudades, redes sociales), redes de comunicaciones, sistemas econ\u00f3micos, etc. Pero a pesar de que en general se entiende la complejidad como el resultado del comportamiento complejo de muchos elementos simples, de hecho en muchos casos se trata de lo contrario: sistemas altamente complejos que producen comportamientos coherentes. Probablemente una de las fronteras cient\u00edficas m\u00e1s apasionantes a resolver es la de entender y predecir c\u00f3mo dichos sistemas complejos producen comportamientos coherentes. Para ello una de las \u00e1reas m\u00e1s importantes trata de la codificaci\u00f3n del conocimiento cient\u00edfico. Por ello se entiende la traducci\u00f3n del conocimiento en una representaci\u00f3n codificada, en t\u00e9rminos de datos y programas, susceptible de ser manipulada y analizable mec\u00e1nicamente. Este proceso ya se ha llevado a cabo en muchas \u00e1reas de la ciencia, pero est\u00e1 llegando en otras. La biolog\u00eda es uno de los campos en que este tipo de codificaci\u00f3n se ve como fundamental. En su estadio m\u00e1s b\u00e1sico tenemos la codificaci\u00f3n del genoma: las estructuras del DNA de diferentes organismos se representan como largas cadenas con un alfabeto de cuatro letras. De esta manera se puede almacenar, buscar, comparar y analizar usando una gran variedad de herramientas computacionales. Ya en el a\u00f1o 2000 a trav\u00e9s del proyecto del Genoma Humano se secuenciaron los tres mil millones de parejas de letras de DNA correspondientes. Se tard\u00f3 trece a\u00f1os y cost\u00f3 tres mil millones de d\u00f3lares. Debido a los avances en el coste de la secuenciaci\u00f3n de DNA, hoy en d\u00eda se vislumbran costes de s\u00f3lo mil d\u00f3lares en plazos de una hora. Este avance en la velocidad y la disminuci\u00f3n de los costes de secuenciaci\u00f3n de DNA es el equivalente a la ley de Moore para la computaci\u00f3n. Y la combinaci\u00f3n de ambos avances es lo que permite dar pasos de gigante en la biolog\u00eda de este siglo XXI. El siguiente nivel es el de la prote\u00f3mica. En este caso las estructuras de datos son m\u00e1s complejas: se trata de cadenas con alfabetos de veinte letras (de amino\u00e1cidos) m\u00e1s informaci\u00f3n posicional tridimensional y m\u00e1s algunas anotaciones complementarias. Esta representaci\u00f3n ahora est\u00e1 suficientemente estandarizada, y por ello ya se puede tratar con nuevas herramientas. M\u00e1s all\u00e1 hay que codificar las v\u00edas metab\u00f3licas y de se\u00f1alizaci\u00f3n. En este caso lo que hay que almacenar, buscar, comparar, analizar e interpretar son las redes interacciones bioqu\u00edmicas. C\u00f3mo hacerlo es un tema de actualidad. El problema general m\u00e1s complicado ser\u00e1 c\u00f3mo almacenar, buscar, comparar, analizar etc. los procesos biol\u00f3gicos. Se trata de interacciones din\u00e1micas entre m\u00faltiplos componentes discretos, como la divisi\u00f3n de las c\u00e9lulas. Todo ello nos lleva a reflexionar acerca de la manera de hacer avanzar la ciencia, a partir de primeros principios y\/o a partir de inferencias estad\u00edsticas. Se trata de v\u00edas complementarias y\/o alternativas seg\u00fan los casos. Nos recuerda la dicotom\u00eda entre los procesos autom\u00e1ticos de traducci\u00f3n, los cl\u00e1sicos basados en el diccionario y los de tipo Google que se basan en el an\u00e1lisis de cantidades ingentes de traducciones de textos previos. En este caso, en el fondo se trata del mismo proceso, pero el segundo es mucho m\u00e1s \u00e1gil. Hasta cierto punto es un s\u00edmil del mundo cient\u00edfico. El valor de las teor\u00edas cient\u00edficas se determina generalmente por su habilidad en realizar predicciones. Pero muchas de las teor\u00edas tratan fen\u00f3menos tan alejados de nuestra experiencia e intuici\u00f3n diarias, que se hace dif\u00edcil sino imposible su comprensi\u00f3n \u201cl\u00f3gica\u201d. Las ecuaciones, los c\u00e1lculos y las predicciones funcionan de manera pasmosa, pero no somos capaces de \u201centenderlo\u201d m\u00e1s all\u00e1 de dichas ecuaciones matem\u00e1ticas. Pi\u00e9nsese sino en las grandes teor\u00edas de la f\u00edsica del siglo XX, como la relatividad y la mec\u00e1nica cu\u00e1ntica. La certeza de sus predicciones es impresionante, pero no es posible entenderlas de manera intuitiva. Explican fen\u00f3menos alejados de nuestras escalas y experiencias. Y en las circunstancias m\u00e1s pr\u00f3xima a nuestra experiencia se transforman en las llamadas leyes de la mec\u00e1nica cl\u00e1sica, que s\u00ed consideramos intuitivas en la actualidad. Pero incluso \u00e9stas no eran intuitivas en las \u00e9pocas que fueron formuladas. Nadie en su sano juicio dir\u00eda a priori que la manzana de Newton y la Tierra se atraen mutuamente y que ambos se mueven en una elipse alrededor de su centro de gravedad, lo que en la pr\u00e1ctica quiere decir que la manzana cae verticalmente. S\u00f3lo se puede llegar a aceptar estudiando las trayectorias de los astros, y para ello hay que saber c\u00f3mo se pueden medir. As\u00ed que en los dominios de la ciencia en que se conocen bien las ecuaciones, para realizar predicciones se requiere simplemente utilizar las t\u00e9cnicas num\u00e9ricas m\u00e1s adecuadas. Sin embargo incluso en estos casos se pueden plantear muchas cuestiones debido a la eficiencia, exactitud num\u00e9rica y validaci\u00f3n del modelo matem\u00e1tico y del modelo de c\u00e1lculo inform\u00e1tico utilizado. Hay que reconocer de todas maneras que en la mayor parte de los campos de la ciencia no es posible llevar a cabo una simulaci\u00f3n a partir de primeros principios con los recursos actuales de las TIC; ello es debido a la complejidad del tema o a la ausencia de modelos suficientemente precisos para el problema en cuesti\u00f3n. En estos casos se utilizan m\u00e9todos estad\u00edsticos, incluidos los llamados \u201cmachine learning\u201d. Mientras que la estad\u00edstica cl\u00e1sica se centra en el an\u00e1lisis de los datos para probar las hip\u00f3tesis planteadas, el objetivo de las t\u00e9cnicas de \u201cmachine learning\u201d es la de utilizar m\u00e9todos estad\u00edsticos para hacer predicciones. Esto se ha utilizado con \u00e9xito en casos como el de la modelizaci\u00f3n molecular, para descubrir los principios estructurales de las familias de plegamientos de prote\u00ednas, o en el de las predicciones de la toxicidad de peque\u00f1as mol\u00e9culas. Una de las l\u00edneas de desarrollo de los nuevos lenguajes de programaci\u00f3n ser\u00e1 sin duda el de la inferencia probabil\u00edstica, en el que se incluyen conceptos tales como la incertidumbre en su base; con ello se acelerar\u00e1 la utilizaci\u00f3n de los principios del \u201cmachine learning\u201d. La investigaci\u00f3n de algoritmos y los principios del \u201cmachine learning\u201d pueden contribuir a la investigaci\u00f3n e uno de las \u00e1reas m\u00e1s importantes de la investigaci\u00f3n cient\u00edfica, la de la comprensi\u00f3n de c\u00f3mo se procesa la informaci\u00f3n en los sistemas biol\u00f3gicos, y en particular en el cerebro. Las dos maneras de realizar predicciones, las basadas en primeros principios, y las basadas en modelos estad\u00edsticos de los datos observados, no tienen por qu\u00e9 ser excluyentes, y de hecho hay mucho a ganar en usarlas de manera complementaria para el estudio de sistemas complejos. Por ejemplo en casos como la biolog\u00eda de poblaciones, un estudio completo probablemente requiere una combinaci\u00f3n de elementos que provienen de la din\u00e1mica no lineal, de la ciencia de la complejidad, de la teor\u00eda de redes, de la teor\u00eda de procesos estoc\u00e1sticos y del \u201cmachine learning\u201d. Este tipo de avances permite plantearse la realizaci\u00f3n de experimentos aut\u00f3nomos, que son de especial importancia en situaciones en que ser\u00eda imposible llevarlos a cabo, sea por el volumen de informaci\u00f3n a analizar, sea por la incapacidad de la instrumentaci\u00f3n cient\u00edfica en comunicar todos sus datos con los centros de decisi\u00f3n debido a limitaciones de ancho de banda, como por ejemplo en sondas espaciales o robots utilizados en entornos remotos u hostiles. Dichas t\u00e9cnicas computacionales permiten decidir de manera aut\u00f3noma a partir de las observaciones previas qu\u00e9 pruebas realizar a continuaci\u00f3n, cu\u00e1ndo realizarlas y cu\u00e1ndo suspenderlas. La mayor\u00eda de las sondas y robots enviados a entornos remotos s\u00f3lo dispone de un ancho de banda limitado, lo que no le permite enviar todos los datos recogidos. As\u00ed dicho robot puede decidir localmente qu\u00e9 curso de pruebas realizar de manera aut\u00f3noma. En la misma l\u00ednea se est\u00e1 llevando a cabo grandes avances en redes inal\u00e1mbricas y tecnolog\u00edas de sensores en los chips, de manera a poder realizar grandes proyectos de monitorizaci\u00f3n del entorno ambiental. La distinci\u00f3n entre lo natural y lo artificial se est\u00e1 difuminando cada vez m\u00e1s debido a los avances en la intersecci\u00f3n entre las TIC, la biolog\u00eda, la qu\u00edmica y la ingenier\u00eda. Estos avances tienen el potencial de revolucionar no solo nuestra capacidad de modelizar, entender y reparar sistemas vivientes complejos, pero tambi\u00e9n de construir nuevas piezas biol\u00f3gicas que lleguen a ser la base de organismos completamente nuevos. Los temas tratados hasta aqu\u00ed reflejan el rol de las TIC en transformar e incluso revolucionar la ciencia, es decir su rol de palanca de impulso de la ciencia. Los componentes de esta revoluci\u00f3n son conceptos, herramientas y teoremas de la ciencia de la computaci\u00f3n que se est\u00e1n transformando en nuevas herramientas conceptuales y tecnol\u00f3gicas de gran aplicabilidad en la ciencia, especialmente las ciencias que investigan sistemas complejos, y muy en particular en las ciencias biol\u00f3gicas. Hay quien defiende que estamos en el albor de una nueva manera de hacer ciencia. 3. La ciencia como palanca de las TIC<\/u><\/b> Pero no \u00fanicamente las TIC revolucionan la ciencia. Existe la posibilidad de que pueda ocurrir, en base a dichos avances, justamente lo inverso: que dichos avances de la ciencia, especialmente en biolog\u00eda y qu\u00edmica, pueden crear las bases de una revoluci\u00f3n fundamental en el \u00e1rea de la computaci\u00f3n y las TIC. Es decir, la ciencia puede convertirse en un futuro pr\u00f3ximo en una palanca de impulso de las TIC, revolucionando sus bases. 3.1. El potencial de la computaci\u00f3n cu\u00e1ntica<\/u> La ley de Moore ha permitido pasar, de trabajar a escala de una micra, a trabajar a escalas de un nan\u00f3metro. Pero al seguir miniaturizando, y de mantenerse dicho ritmo de mejoras, hacia 2030 entraremos en los dominios de la f\u00edsica cu\u00e1ntica. Con ello lo que ganaremos ya no ser\u00e1 m\u00e1s velocidad al procesar la informaci\u00f3n, ya no ser\u00e1 una mejora cuantitativa como la que hemos tenido en las \u00faltimas d\u00e9cadas, sino que se producir\u00e1 un cambio cualitativo, una manera totalmente nueva de procesar la informaci\u00f3n. En estos entornos se reemplazan los d\u00edgitos habituales, los 0s y los 1s, por los llamados bits cu\u00e1nticos o \u201cqubits\u201d. Estos elementos, que pueden ser electrones, fotones, \u00e1tomos o mol\u00e9culas se rigen por la f\u00edsica cu\u00e1ntica, y como tales tienen la propiedad de existir a la vez como 0 y como 1 en el fen\u00f3meno llamado de la superposici\u00f3n. Ello permite a la computaci\u00f3n cu\u00e1ntica procesar muchos c\u00e1lculos a la vez. Se trata de de que un ordenador cu\u00e1ntico podr\u00eda ejecutar en un solo paso la misma operaci\u00f3n sobre N veces 2 n\u00fameros distintos codificados en forma de superposici\u00f3n de esos N bits: esto es lo que se conoce como paralelismo cu\u00e1ntico. En los ordenadores actuales los problemas se resuelven secuencialmente, mientras que en uno cu\u00e1ntico los problemas pueden combinarse e introducirse en el ordenador simult\u00e1neamente, ejecut\u00e1ndose al mismo tiempo. Por ello se llega a hablar de un horizonte de capacidades de c\u00e1lculo ilimitadas en comparaci\u00f3n con las actuales. El principio b\u00e1sico detr\u00e1s de la computaci\u00f3n cu\u00e1ntica es el entrelazamiento (\u201centanglement\u201d), que permite establecer correlaciones a distancia, y que permite la superposici\u00f3n de dos sistemas y que permite a\u00f1adir qubits al proceso. El entrelazamiento es el elemento clave detr\u00e1s de los algoritmos cu\u00e1nticos y de la criptograf\u00eda cu\u00e1ntica. Hoy ya disponemos de soluciones comerciales basadas en criptograf\u00eda cu\u00e1ntica. A\u00fan tardaremos algunas d\u00e9cadas en poder disponer de ordenadores cu\u00e1nticos con capacidades equivalentes a los actuales, para lo que se estima que hay que llegar a ordenadores que gestionen 100.000 qubits \u2013 hoy estamos en las decenas. La dificultad principal a resolver es la del aislamiento total de los qubits del mundo exterior. Pero se trata de un terreno fascinante de investigaci\u00f3n cient\u00edfica y tecnol\u00f3gica por su impacto en las TIC. Es de destacar que la revista Science elija, como avance cient\u00edfico m\u00e1s destacado de 2010, el desarrollo de la primera \u201cm\u00e1quina cu\u00e1ntica\u201d. Una m\u00e1quina no es un ordenador, ni mucho menos, pero los avances son continuos y las oportunidades incre\u00edbles. 3.2. El potencial de la computaci\u00f3n molecular<\/u> Los ordenadores tal como los conocemos hoy responden muy bien a las tareas para los que fueron concebidos. Pero cada vez m\u00e1s podemos imaginar aplicaciones de las TIC para la que no se adapta bien la tecnolog\u00eda actual. Un caso ser\u00edan dispositivos de c\u00e1lculo que operasen dentro de organismos vivos, o incluso dentro de una c\u00e9lula. Su dise\u00f1o requiere una arquitectura completa de computaci\u00f3n menor que la de un transistor. Y no existe ninguna limitaci\u00f3n fundamental para esta tecnolog\u00eda, como se demuestra con el procesamiento sofisticado de informaci\u00f3n que ocurre en los organismos vivos. De manera similar, en el \u00e1rea de rob\u00f3tica, el procesamiento en tiempo real de datos complejos en una unidad peque\u00f1a, con bajo consumo energ\u00e9tico y de poco peso de momento no es viable \u2013 pero las comunidades de insectos sociales, como las hormigas, nos demuestran lo que ser\u00eda posible con dichos tipos de robots dada la tecnolog\u00eda adecuada. El procesamiento de informaci\u00f3n es esencial para los sistemas biol\u00f3gicos,, tanto para mantener sus organizaciones intrincadas como para poder competir con formas de vida rivales. Por ello hasta los m\u00e1s simples organismos han desarrollado capacidades avanzadas de computaci\u00f3n para abordar tareas complejas. A\u00fan hemos de comprender adecuadamente los principios de estos sistemas naturales de computaci\u00f3n inform\u00e1tica, aunque el continuo avance de las ciencias biol\u00f3gicas nos muestra cada vez m\u00e1s detalles. Ello contribuye al desarrollo de los conceptos de la llamada computaci\u00f3n molecular. Los ordenadores actuales se han dise\u00f1ado siguiendo un formalismo estricto independiente de su implementaci\u00f3n f\u00edsica. Las caracter\u00edsticas f\u00edsicas de los componentes f\u00edsicos est\u00e1n camufladas gracias a una ingenier\u00eda muy completa, lo cual es muy \u00fatil para la programaci\u00f3n. Pero ello se traduce en un uso ineficiente de los substratos, lo que resulta en equipos relativamente voluminosos que se basan en grandes redes

1. Introducci\u00f3n<\/u><\/b> Las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones se han convertido en una infraestructura fundamental de muchas ramas de la ciencia, permitiendo el an\u00e1lisis de problem\u00e1ticas y sistemas cient\u00edficos de escalas exponencialmente crecientes, as\u00ed como de grados de complejidad cada vez m\u00e1s importantes. No s\u00f3lo se trata de pode hacer m\u00e1s c\u00e1lculos en s\u00ed, sino que los avances de la llamada ciencia de la computaci\u00f3n, base de las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones, est\u00e1n influyendo en las nuevas herramientas conceptuales y tecnol\u00f3gicas utilizadas en la ciencia de sistemas complejos en campos como la biolog\u00eda, la medicina, los ecosistemas, las redes sociales, las redes de comunicaciones, la econom\u00eda, etc. A su vez, el avance en el conocimiento de dichos sistemas complejos en biolog\u00eda y qu\u00edmica permite vislumbrar un horizonte de computaci\u00f3n molecular que abra nuevas fronteras en las capacidades de la computaci\u00f3n y las comunicaciones. Se trata de sistemas adaptativos y aut\u00f3nomos que desarrollan respuestas coherentes a cambios en su entorno de gran complejidad, mucho m\u00e1s all\u00e1 de lo que somos capaces de hacer con las tecnolog\u00edas actuales. Por otro lado se vislumbra el horizonte de la computaci\u00f3n cu\u00e1ntica que podr\u00eda dar lugar en pocos lustros a capacidades de c\u00e1lculo ilimitadas respecto a las actuales. Por ello no s\u00f3lo son las TIC una palanca de avance fundamental de la ciencia, sino que, adem\u00e1s, la ciencia es una palanca de avance fundamental de las TIC, en un c\u00edrculo virtuoso acelerado de grandes implicaciones. En ambos casos se trata de avances espectaculares en nuestra comprensi\u00f3n del mundo que nos rodea, de nuestra capacidad de desarrollo tecnol\u00f3gico, y, por ende, de nuestro desarrollo econ\u00f3mico y social. Estamos en el albor de una nueva manera de hacer ciencia. Es por ello crucial que la sociedad conozca las bases y el potencial de estos avances. Catalunya dispone de buenas infraestructuras t\u00e9cnicas TIC para la ciencia. Si aspiramos a convertirnos en una sociedad del conocimiento, con valor a\u00f1adido en la generaci\u00f3n de conocimiento, hemos de seguir invirtiendo en actualizarlas y en dar la formaci\u00f3n a los j\u00f3venes cient\u00edficos para que las puedan aprovechar. Est\u00e1 demostrado que en el medio plazo hay una clara correlaci\u00f3n entre el nivel de desarrollo cient\u00edfico y el de capacidad econ\u00f3mica y bienestar social. 2. Las TIC como palanca de impulso de la Ciencia<\/u><\/b> La f\u00edsica de materiales condujo hace medio siglo al desarrollo de los semiconductores, los transistores y los microprocesadores, los cuales han digitalizado y revolucionado las tecnolog\u00edas de la computaci\u00f3n y las comunicaciones (TIC). El progreso ha sido prodigioso. Es inimaginable hoy un mundo sin tel\u00e9fonos m\u00f3viles, sin internet, sin todos los sistemas electr\u00f3nicos que regulan nuestros aparatos dom\u00e9sticos, autom\u00f3viles, hospitales, industrias y un largo etc\u00e9tera. Y estamos acostumbrados a su constante evoluci\u00f3n siguiendo la llamada Ley de Moore (dos veces m\u00e1s de velocidad de c\u00e1lculo y de capacidad de memoria cada 18 meses al mismo coste, es decir un orden de magnitud cada lustro desde hace cincuenta a\u00f1os). Pero, m\u00e1s all\u00e1 de estos avances, es importante reconocer que en estos momentos son estas mismas tecnolog\u00edas de la informaci\u00f3n y comunicaciones las que est\u00e1n revolucionando el avance de la ciencia. Y esta revoluci\u00f3n tiene m\u00e1s de una dimensi\u00f3n: en primer lugar, la obvia, la de permitir el tratamiento de cada vez mayores cantidades de datos a mayores velocidades. As\u00ed ayudan a los cient\u00edficos a \u201chacer\u201d m\u00e1s ciencia m\u00e1s r\u00e1pidamente. Pero m\u00e1s all\u00e1 de estos avances de escala, las ciencias de la computaci\u00f3n est\u00e1n influyendo en \u201cc\u00f3mo\u201d se hace la ciencia. Los conceptos, teoremas y herramientas desarrollados en el seno de las llamadas ciencias de la computaci\u00f3n se est\u00e1n adaptando como nuevas herramientas en las ciencias dedicadas al estudio de sistemas complejos, especialmente en las ciencias biol\u00f3gicas, as\u00ed como en el estudio del clima, de fuentes energ\u00e9ticas, del cerebro, de los or\u00edgenes del universo, de los or\u00edgenes de la vida, etc. Estamos pues ante una nueva revoluci\u00f3n. Las revoluciones cient\u00edficas no son nada frecuentes, pero suelen ocurrir cuando se inventa una nueva herramienta conceptual (como el c\u00e1lculo) o una nueva herramienta tecnol\u00f3gica (como el telescopio). Veamos algunos ejemplos. Fibonacci en el siglo XIII public\u00f3 el tratado \u201cLiber Aci\u201d en el que estableci\u00f3 una nueva rama de las matem\u00e1ticas, el \u00e1lgebra. El algebra permiti\u00f3 pasar de las matem\u00e1ticas de palabras a la matem\u00e1tica de los s\u00edmbolos. Hasta ese momento en Europa las matem\u00e1ticas se escrib\u00edan como palabras. Fibonacci \u201cdescubri\u00f3\u201d el sistema num\u00e9rico, que de hecho naci\u00f3 en la India hace 3.000 a\u00f1os, y que lleg\u00f3 a la Europa de la \u00e9poca a trav\u00e9s del legado de la cultura \u00e1rabe. El algebra permiti\u00f3 nuevos tipos de c\u00e1lculos que cambiaron la sociedad, a trav\u00e9s del estudio por ejemplo de los planetas, y de su impacto en el comercio y la religi\u00f3n. Unos 400 a\u00f1os m\u00e1s tarde Newton, en sus esfuerzos por entender las leyes de la naturaleza en base a las tasas de cambio del movimiento, us\u00f3 el algebra para el desarrollo de una nueva rama de las matem\u00e1ticas: el c\u00e1lculo (coincidiendo con los trabajos de von Leibniz). Esta nueva herramienta permiti\u00f3 describir muchas nueves leyes de la naturaleza: tasas de cambio o din\u00e1micas del calor, del sonido, de la luz, de los fluidos, de la electricidad, del magnetismo, etc. De manera parecida, el desarrollo de nuevas herramientas tecnol\u00f3gicas, como el telescopio de Galileo y el microscopio, ambos del siglo XVII, los rayos X del siglo XIX, las m\u00e1quinas secuenciadoras de DNA de los a\u00f1os \u201860 tambi\u00e9n han transformado nuestra comprensi\u00f3n del mundo y del universo. El impacto de las TIC en el desarrollo de la ciencia, en el alcance sus resultados y en el impacto de sus herramientas y m\u00e9todos para entornos complejos, tendr\u00e1 una importancia al menos igual de significativa en las pr\u00f3ximas d\u00e9cadas como lo ha sido estos \u00faltimos cincuenta a\u00f1os: impactar\u00e1 nuestra longevidad, nuestra calidad de vida, lo que sabemos de nosotros, de nuestro planeta, de nuestro universo, de c\u00f3mo afrontar las enfermedades, de c\u00f3mo gestionar los recursos de nuestro planeta, etc. Las TIC est\u00e1 cambiando la forma de hacer ciencia, proporcionando avances a trav\u00e9s de nuevos tipos de experimentos. Estos experimentos generan nuevos tipos de datos, de complejidad y vol\u00famenes exponencialmente mayores. Uno de las cuestiones a resolver es c\u00f3mo usar, explotar y compartir esta avalancha de datos. Ejemplos de estas avalanchas de datos se dan por ejemplo en el caso del nuevo laboratorio \u201cLarge Hadron Collider\u201d del CERN en Ginebra. Est\u00e1 previsto que produzca varios PetaBytes (diez elevado a 15 n\u00famero de bytes, o PB) anuales. Para ello se ha implementado una arquitectura de tratamiento de estos datos de tipo \u201cgrid\u201d que engloba una red internacional de centros de computaci\u00f3n con m\u00e1s de 100k CPUs para analizar en cascada las informaciones y patrones m\u00e1s relevantes a las investigaciones en curso. La acumulaci\u00f3n de grandes vol\u00famenes de datos, medidos en PB y en ExaBytes (mil PB), se da con gran frecuencia en la ciencia actual, y no s\u00f3lo en la f\u00edsica de altas energ\u00edas, sino tambi\u00e9n en las t\u00e9cnicas de \u201chigh throuhgput\u201d de gen\u00f3mica, prote\u00f3mica, qu\u00edmica combinatoria, estudios del clima, astronom\u00eda, etc. Pero adem\u00e1s, y m\u00e1s all\u00e1 de estos problemas de escala de volumen de datos, hay otros tipos de problem\u00e1ticas como es la de tratar datos mucho m\u00e1s heterog\u00e9neas y con or\u00edgenes mucho m\u00e1s dispersos, como son los casos de biomedicina, astronom\u00eda y otros. Se trata de conceptualizar la amplitud y la profundidad de las relaciones y posibles relaciones en el seno de los datos correspondientes. Ello requiere herramientas cada vez m\u00e1s potentes para acceder, manipular, visualizar e interpretar estos datos de una manera eficaz, superando las barreras actuales de heterogeneidad de datos, plataformas y aplicaciones. Las t\u00e9cnicas que se est\u00e1n desarrollando incorporan conceptos de hardware como redes de equipos b\u00e1sicos tipo PC, y redes de agrupaciones de estos equipos para hacer c\u00e1lculos hasta la fecha \u00fanicamente realizables en equipos de supercomputaci\u00f3n. Como la cantidad de datos generados en este tipo de entornos excede la velocidad y capacidad de almacenamiento y las velocidades de las redes, se impone complementar las grandes bases de datos centrales con jerarqu\u00edas federadas de bases de datos especializadas y m\u00e1s peque\u00f1as. Por otro lado las nuevas herramientas de software incluyen conceptos como la sem\u00e1ntica, o metadatos, es decir datos que describen los datos, su calidad, d\u00f3nde y cu\u00e1ndo se han creado, su propiedad intelectual, etc. Y no es s\u00f3lo para consumo humano, sino que de hecho lo utilizan fundamentalmente los \u201cweb services\u201d entre aplicaciones para integrar, transformar y\/o hacer c\u00e1lculos con los datos subyacentes. La gesti\u00f3n de los datos cient\u00edficos requiere pues avances en los sistemas de gesti\u00f3n de bases de datos que incluyan esta informaci\u00f3n sem\u00e1ntica. Los principios que subyacen el desarrollo de las TIC se conocen como \u201cciencia de la computaci\u00f3n\u201d (\u201ccomputer science\u201d). Esta ciencia de la computaci\u00f3n est\u00e1 contribuyendo en gran manera al avance de la ciencia, de las ciencias naturales. Pero va m\u00e1s all\u00e1 que esto, est\u00e1 en gran medida reformulando las ciencias naturales. Las ciencias naturales se definen en relaci\u00f3n al mundo en el que vivimos y que intentamos describir y predecir en base a estudios emp\u00edricos y postulados de teor\u00edas y leyes. La ciencia de la computaci\u00f3n es m\u00e1s dif\u00edcil de describir, no tiene las bases emp\u00edricas de las ciencias naturales, no se trata s\u00f3lo razonamientos simb\u00f3licos (matem\u00e1ticas) y no es s\u00f3lo un compendio de principios de ingenier\u00eda y tecnolog\u00eda. Se puede decir que la mejor caracterizaci\u00f3n de la ciencia de la computaci\u00f3n es la manera en que sus practicantes resuelven problemas, dise\u00f1an sistemas e interpretan el comportamiento humano en el contexto de dichos sistemas. Por ello se habla del \u201ccomputational thinking\u201d. Se trata de plantearse cuestiones como, \u201ccu\u00e1n dif\u00edcil ser\u00e1 de resolver\u201d, \u201ccu\u00e1l es la mejor mana de resolverlo\u201d, como reformular un problema complejo en otro que sabemos c\u00f3mo resolver, quiz\u00e1 por reducci\u00f3n, transformaci\u00f3n o simulaci\u00f3n. Se trata de encontrar la representaci\u00f3n m\u00e1s adecuada para un problema, en encontrar la modelizaci\u00f3n que lo hace tratable. Se trata de usar la abstracci\u00f3n y descomposici\u00f3n al analizar una tarea compleja o dise\u00f1ar un sistema complejo. Se trata de tener la confianza de poder usar, modificar e influenciar un sistema complejo sin comprender todos sus detalles. Se trata de modularizar algo en anticipaci\u00f3n a m\u00faltiples usuarios y\/o de \u201cpre-fetching\u201d y \u201ccaching\u201d futuros. Se trata de juzgar el dise\u00f1o de un sistema en base a su simplicidad y elegancia. Se trat de pensar de manera recurrente. Se trata de pensar en t\u00e9rminos de prevenci\u00f3n, protecci\u00f3n y recuperaci\u00f3n ante los peores escenarios (violaci\u00f3n de condiciones de contorno, entornos impredecibles) a trav\u00e9s de redundancia, contenci\u00f3n de da\u00f1os y correcci\u00f3n de errores. En resumen, se trata de resolver problemas y dise\u00f1ar sistemas usando los principios b\u00e1sicos de la ciencia de la computaci\u00f3n. Hemos hecho \u00e9nfasis en que las nuevas fronteras que las TIC ayudan a desarrollar en el mundo de la ciencia est\u00e1n relacionadas con la complejidad. Muchos de los aspectos m\u00e1s importantes de nuestro mundo se representan como sistemas complejos: biolog\u00eda, medicina (como redes intercelulares, sistemas de \u00f3rganos, epidemiolog\u00eda), en entorno (ecosistemas, etc.), sistemas sociales (como transportes, ciudades, redes sociales), redes de comunicaciones, sistemas econ\u00f3micos, etc. Pero a pesar de que en general se entiende la complejidad como el resultado del comportamiento complejo de muchos elementos simples, de hecho en muchos casos se trata de lo contrario: sistemas altamente complejos que producen comportamientos coherentes. Probablemente una de las fronteras cient\u00edficas m\u00e1s apasionantes a resolver es la de entender y predecir c\u00f3mo dichos sistemas complejos producen comportamientos coherentes. Para ello una de las \u00e1reas m\u00e1s importantes trata de la codificaci\u00f3n del conocimiento cient\u00edfico. Por ello se entiende la traducci\u00f3n del conocimiento en una representaci\u00f3n codificada, en t\u00e9rminos de datos y programas, susceptible de ser manipulada y analizable mec\u00e1nicamente. Este proceso ya se ha llevado a cabo en muchas \u00e1reas de la ciencia, pero est\u00e1 llegando en otras. La biolog\u00eda es uno de los campos en que este tipo de codificaci\u00f3n se ve como fundamental. En su estadio m\u00e1s b\u00e1sico tenemos la codificaci\u00f3n del genoma: las estructuras del DNA de diferentes organismos se representan como largas cadenas con un alfabeto de cuatro letras. De esta manera se puede almacenar, buscar, comparar y analizar usando una gran variedad de herramientas computacionales. Ya en el a\u00f1o 2000 a trav\u00e9s del proyecto del Genoma Humano se secuenciaron los tres mil millones de parejas de letras de DNA correspondientes. Se tard\u00f3 trece a\u00f1os y cost\u00f3 tres mil millones de d\u00f3lares. Debido a los avances en el coste de la secuenciaci\u00f3n de DNA, hoy en d\u00eda se vislumbran costes de s\u00f3lo mil d\u00f3lares en plazos de una hora. Este avance en la velocidad y la disminuci\u00f3n de los costes de secuenciaci\u00f3n de DNA es el equivalente a la ley de Moore para la computaci\u00f3n. Y la combinaci\u00f3n de ambos avances es lo que permite dar pasos de gigante en la biolog\u00eda de este siglo XXI. El siguiente nivel es el de la prote\u00f3mica. En este caso las estructuras de datos son m\u00e1s complejas: se trata de cadenas con alfabetos de veinte letras (de amino\u00e1cidos) m\u00e1s informaci\u00f3n posicional tridimensional y m\u00e1s algunas anotaciones complementarias. Esta representaci\u00f3n ahora est\u00e1 suficientemente estandarizada, y por ello ya se puede tratar con nuevas herramientas. M\u00e1s all\u00e1 hay que codificar las v\u00edas metab\u00f3licas y de se\u00f1alizaci\u00f3n. En este caso lo que hay que almacenar, buscar, comparar, analizar e interpretar son las redes interacciones bioqu\u00edmicas. C\u00f3mo hacerlo es un tema de actualidad. El problema general m\u00e1s complicado ser\u00e1 c\u00f3mo almacenar, buscar, comparar, analizar etc. los procesos biol\u00f3gicos. Se trata de interacciones din\u00e1micas entre m\u00faltiplos componentes discretos, como la divisi\u00f3n de las c\u00e9lulas. Todo ello nos lleva a reflexionar acerca de la manera de hacer avanzar la ciencia, a partir de primeros principios y\/o a partir de inferencias estad\u00edsticas. Se trata de v\u00edas complementarias y\/o alternativas seg\u00fan los casos. Nos recuerda la dicotom\u00eda entre los procesos autom\u00e1ticos de traducci\u00f3n, los cl\u00e1sicos basados en el diccionario y los de tipo Google que se basan en el an\u00e1lisis de cantidades ingentes de traducciones de textos previos. En este caso, en el fondo se trata del mismo proceso, pero el segundo es mucho m\u00e1s \u00e1gil. Hasta cierto punto es un s\u00edmil del mundo cient\u00edfico. El valor de las teor\u00edas cient\u00edficas se determina generalmente por su habilidad en realizar predicciones. Pero muchas de las teor\u00edas tratan fen\u00f3menos tan alejados de nuestra experiencia e intuici\u00f3n diarias, que se hace dif\u00edcil sino imposible su comprensi\u00f3n \u201cl\u00f3gica\u201d. Las ecuaciones, los c\u00e1lculos y las predicciones funcionan de manera pasmosa, pero no somos capaces de \u201centenderlo\u201d m\u00e1s all\u00e1 de dichas ecuaciones matem\u00e1ticas. Pi\u00e9nsese sino en las grandes teor\u00edas de la f\u00edsica del siglo XX, como la relatividad y la mec\u00e1nica cu\u00e1ntica. La certeza de sus predicciones es impresionante, pero no es posible entenderlas de manera intuitiva. Explican fen\u00f3menos alejados de nuestras escalas y experiencias. Y en las circunstancias m\u00e1s pr\u00f3xima a nuestra experiencia se transforman en las llamadas leyes de la mec\u00e1nica cl\u00e1sica, que s\u00ed consideramos intuitivas en la actualidad. Pero incluso \u00e9stas no eran intuitivas en las \u00e9pocas que fueron formuladas. Nadie en su sano juicio dir\u00eda a priori que la manzana de Newton y la Tierra se atraen mutuamente y que ambos se mueven en una elipse alrededor de su centro de gravedad, lo que en la pr\u00e1ctica quiere decir que la manzana cae verticalmente. S\u00f3lo se puede llegar a aceptar estudiando las trayectorias de los astros, y para ello hay que saber c\u00f3mo se pueden medir. As\u00ed que en los dominios de la ciencia en que se conocen bien las ecuaciones, para realizar predicciones se requiere simplemente utilizar las t\u00e9cnicas num\u00e9ricas m\u00e1s adecuadas. Sin embargo incluso en estos casos se pueden plantear muchas cuestiones debido a la eficiencia, exactitud num\u00e9rica y validaci\u00f3n del modelo matem\u00e1tico y del modelo de c\u00e1lculo inform\u00e1tico utilizado. Hay que reconocer de todas maneras que en la mayor parte de los campos de la ciencia no es posible llevar a cabo una simulaci\u00f3n a partir de primeros principios con los recursos actuales de las TIC; ello es debido a la complejidad del tema o a la ausencia de modelos suficientemente precisos para el problema en cuesti\u00f3n. En estos casos se utilizan m\u00e9todos estad\u00edsticos, incluidos los llamados \u201cmachine learning\u201d. Mientras que la estad\u00edstica cl\u00e1sica se centra en el an\u00e1lisis de los datos para probar las hip\u00f3tesis planteadas, el objetivo de las t\u00e9cnicas de \u201cmachine learning\u201d es la de utilizar m\u00e9todos estad\u00edsticos para hacer predicciones. Esto se ha utilizado con \u00e9xito en casos como el de la modelizaci\u00f3n molecular, para descubrir los principios estructurales de las familias de plegamientos de prote\u00ednas, o en el de las predicciones de la toxicidad de peque\u00f1as mol\u00e9culas. Una de las l\u00edneas de desarrollo de los nuevos lenguajes de programaci\u00f3n ser\u00e1 sin duda el de la inferencia probabil\u00edstica, en el que se incluyen conceptos tales como la incertidumbre en su base; con ello se acelerar\u00e1 la utilizaci\u00f3n de los principios del \u201cmachine learning\u201d. La investigaci\u00f3n de algoritmos y los principios del \u201cmachine learning\u201d pueden contribuir a la investigaci\u00f3n e uno de las \u00e1reas m\u00e1s importantes de la investigaci\u00f3n cient\u00edfica, la de la comprensi\u00f3n de c\u00f3mo se procesa la informaci\u00f3n en los sistemas biol\u00f3gicos, y en particular en el cerebro. Las dos maneras de realizar predicciones, las basadas en primeros principios, y las basadas en modelos estad\u00edsticos de los datos observados, no tienen por qu\u00e9 ser excluyentes, y de hecho hay mucho a ganar en usarlas de manera complementaria para el estudio de sistemas complejos. Por ejemplo en casos como la biolog\u00eda de poblaciones, un estudio completo probablemente requiere una combinaci\u00f3n de elementos que provienen de la din\u00e1mica no lineal, de la ciencia de la complejidad, de la teor\u00eda de redes, de la teor\u00eda de procesos estoc\u00e1sticos y del \u201cmachine learning\u201d. Este tipo de avances permite plantearse la realizaci\u00f3n de experimentos aut\u00f3nomos, que son de especial importancia en situaciones en que ser\u00eda imposible llevarlos a cabo, sea por el volumen de informaci\u00f3n a analizar, sea por la incapacidad de la instrumentaci\u00f3n cient\u00edfica en comunicar todos sus datos con los centros de decisi\u00f3n debido a limitaciones de ancho de banda, como por ejemplo en sondas espaciales o robots utilizados en entornos remotos u hostiles. Dichas t\u00e9cnicas computacionales permiten decidir de manera aut\u00f3noma a partir de las observaciones previas qu\u00e9 pruebas realizar a continuaci\u00f3n, cu\u00e1ndo realizarlas y cu\u00e1ndo suspenderlas. La mayor\u00eda de las sondas y robots enviados a entornos remotos s\u00f3lo dispone de un ancho de banda limitado, lo que no le permite enviar todos los datos recogidos. As\u00ed dicho robot puede decidir localmente qu\u00e9 curso de pruebas realizar de manera aut\u00f3noma. En la misma l\u00ednea se est\u00e1 llevando a cabo grandes avances en redes inal\u00e1mbricas y tecnolog\u00edas de sensores en los chips, de manera a poder realizar grandes proyectos de monitorizaci\u00f3n del entorno ambiental. La distinci\u00f3n entre lo natural y lo artificial se est\u00e1 difuminando cada vez m\u00e1s debido a los avances en la intersecci\u00f3n entre las TIC, la biolog\u00eda, la qu\u00edmica y la ingenier\u00eda. Estos avances tienen el potencial de revolucionar no solo nuestra capacidad de modelizar, entender y reparar sistemas vivientes complejos, pero tambi\u00e9n de construir nuevas piezas biol\u00f3gicas que lleguen a ser la base de organismos completamente nuevos. Los temas tratados hasta aqu\u00ed reflejan el rol de las TIC en transformar e incluso revolucionar la ciencia, es decir su rol de palanca de impulso de la ciencia. Los componentes de esta revoluci\u00f3n son conceptos, herramientas y teoremas de la ciencia de la computaci\u00f3n que se est\u00e1n transformando en nuevas herramientas conceptuales y tecnol\u00f3gicas de gran aplicabilidad en la ciencia, especialmente las ciencias que investigan sistemas complejos, y muy en particular en las ciencias biol\u00f3gicas. Hay quien defiende que estamos en el albor de una nueva manera de hacer ciencia. 3. La ciencia como palanca de las TIC<\/u><\/b> Pero no \u00fanicamente las TIC revolucionan la ciencia. Existe la posibilidad de que pueda ocurrir, en base a dichos avances, justamente lo inverso: que dichos avances de la ciencia, especialmente en biolog\u00eda y qu\u00edmica, pueden crear las bases de una revoluci\u00f3n fundamental en el \u00e1rea de la computaci\u00f3n y las TIC. Es decir, la ciencia puede convertirse en un futuro pr\u00f3ximo en una palanca de impulso de las TIC, revolucionando sus bases. 3.1. El potencial de la computaci\u00f3n cu\u00e1ntica<\/u> La ley de Moore ha permitido pasar, de trabajar a escala de una micra, a trabajar a escalas de un nan\u00f3metro. Pero al seguir miniaturizando, y de mantenerse dicho ritmo de mejoras, hacia 2030 entraremos en los dominios de la f\u00edsica cu\u00e1ntica. Con ello lo que ganaremos ya no ser\u00e1 m\u00e1s velocidad al procesar la informaci\u00f3n, ya no ser\u00e1 una mejora cuantitativa como la que hemos tenido en las \u00faltimas d\u00e9cadas, sino que se producir\u00e1 un cambio cualitativo, una manera totalmente nueva de procesar la informaci\u00f3n. En estos entornos se reemplazan los d\u00edgitos habituales, los 0s y los 1s, por los llamados bits cu\u00e1nticos o \u201cqubits\u201d. Estos elementos, que pueden ser electrones, fotones, \u00e1tomos o mol\u00e9culas se rigen por la f\u00edsica cu\u00e1ntica, y como tales tienen la propiedad de existir a la vez como 0 y como 1 en el fen\u00f3meno llamado de la superposici\u00f3n. Ello permite a la computaci\u00f3n cu\u00e1ntica procesar muchos c\u00e1lculos a la vez. Se trata de de que un ordenador cu\u00e1ntico podr\u00eda ejecutar en un solo paso la misma operaci\u00f3n sobre N veces 2 n\u00fameros distintos codificados en forma de superposici\u00f3n de esos N bits: esto es lo que se conoce como paralelismo cu\u00e1ntico. En los ordenadores actuales los problemas se resuelven secuencialmente, mientras que en uno cu\u00e1ntico los problemas pueden combinarse e introducirse en el ordenador simult\u00e1neamente, ejecut\u00e1ndose al mismo tiempo. Por ello se llega a hablar de un horizonte de capacidades de c\u00e1lculo ilimitadas en comparaci\u00f3n con las actuales. El principio b\u00e1sico detr\u00e1s de la computaci\u00f3n cu\u00e1ntica es el entrelazamiento (\u201centanglement\u201d), que permite establecer correlaciones a distancia, y que permite la superposici\u00f3n de dos sistemas y que permite a\u00f1adir qubits al proceso. El entrelazamiento es el elemento clave detr\u00e1s de los algoritmos cu\u00e1nticos y de la criptograf\u00eda cu\u00e1ntica. Hoy ya disponemos de soluciones comerciales basadas en criptograf\u00eda cu\u00e1ntica. A\u00fan tardaremos algunas d\u00e9cadas en poder disponer de ordenadores cu\u00e1nticos con capacidades equivalentes a los actuales, para lo que se estima que hay que llegar a ordenadores que gestionen 100.000 qubits \u2013 hoy estamos en las decenas. La dificultad principal a resolver es la del aislamiento total de los qubits del mundo exterior. Pero se trata de un terreno fascinante de investigaci\u00f3n cient\u00edfica y tecnol\u00f3gica por su impacto en las TIC. Es de destacar que la revista Science elija, como avance cient\u00edfico m\u00e1s destacado de 2010, el desarrollo de la primera \u201cm\u00e1quina cu\u00e1ntica\u201d. Una m\u00e1quina no es un ordenador, ni mucho menos, pero los avances son continuos y las oportunidades incre\u00edbles. 3.2. El potencial de la computaci\u00f3n molecular<\/u> Los ordenadores tal como los conocemos hoy responden muy bien a las tareas para los que fueron concebidos. Pero cada vez m\u00e1s podemos imaginar aplicaciones de las TIC para la que no se adapta bien la tecnolog\u00eda actual. Un caso ser\u00edan dispositivos de c\u00e1lculo que operasen dentro de organismos vivos, o incluso dentro de una c\u00e9lula. Su dise\u00f1o requiere una arquitectura completa de computaci\u00f3n menor que la de un transistor. Y no existe ninguna limitaci\u00f3n fundamental para esta tecnolog\u00eda, como se demuestra con el procesamiento sofisticado de informaci\u00f3n que ocurre en los organismos vivos. De manera similar, en el \u00e1rea de rob\u00f3tica, el procesamiento en tiempo real de datos complejos en una unidad peque\u00f1a, con bajo consumo energ\u00e9tico y de poco peso de momento no es viable \u2013 pero las comunidades de insectos sociales, como las hormigas, nos demuestran lo que ser\u00eda posible con dichos tipos de robots dada la tecnolog\u00eda adecuada. El procesamiento de informaci\u00f3n es esencial para los sistemas biol\u00f3gicos,, tanto para mantener sus organizaciones intrincadas como para poder competir con formas de vida rivales. Por ello hasta los m\u00e1s simples organismos han desarrollado capacidades avanzadas de computaci\u00f3n para abordar tareas complejas. A\u00fan hemos de comprender adecuadamente los principios de estos sistemas naturales de computaci\u00f3n inform\u00e1tica, aunque el continuo avance de las ciencias biol\u00f3gicas nos muestra cada vez m\u00e1s detalles. Ello contribuye al desarrollo de los conceptos de la llamada computaci\u00f3n molecular. Los ordenadores actuales se han dise\u00f1ado siguiendo un formalismo estricto independiente de su implementaci\u00f3n f\u00edsica. Las caracter\u00edsticas f\u00edsicas de los componentes f\u00edsicos est\u00e1n camufladas gracias a una ingenier\u00eda muy completa, lo cual es muy \u00fatil para la programaci\u00f3n. Pero ello se traduce en un uso ineficiente de los substratos, lo que resulta en equipos relativamente voluminosos que se basan en grandes redes

Publicaciones<\/a><\/p>

<\/div><\/div>
Hora<\/title><\/svg><\/span><\/div> <\/div> <\/div> <\/div>
Tipo de publicaci\u00f3n<\/h6>

Posicionamientos<\/a><\/p> <\/div> <\/span> <\/div>

Hora<\/title><\/svg><\/span><\/div> <\/div> <\/div> <\/div>
Data<\/h6>

07-01-2011<\/p> <\/div> <\/span> <\/div> <\/div> <\/div>

1. Introducci\u00f3n<\/u><\/b> Las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones se han convertido en una infraestructura fundamental de muchas ramas de la ciencia, permitiendo el an\u00e1lisis de problem\u00e1ticas y sistemas cient\u00edficos de escalas exponencialmente crecientes, as\u00ed como de grados de complejidad cada vez m\u00e1s importantes. No s\u00f3lo se trata de pode hacer m\u00e1s c\u00e1lculos en s\u00ed, sino que los avances de la llamada ciencia de la computaci\u00f3n, base de las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones, est\u00e1n influyendo en las nuevas herramientas conceptuales y tecnol\u00f3gicas utilizadas en la ciencia de sistemas complejos en campos como la biolog\u00eda, la medicina, los ecosistemas, las redes sociales, las redes de comunicaciones, la econom\u00eda, etc. A su vez, el avance en el conocimiento de dichos sistemas complejos en biolog\u00eda y qu\u00edmica permite vislumbrar un horizonte de computaci\u00f3n molecular que abra nuevas fronteras en las capacidades de la computaci\u00f3n y las comunicaciones. Se trata de sistemas adaptativos y aut\u00f3nomos que desarrollan respuestas coherentes a cambios en su entorno de gran complejidad, mucho m\u00e1s all\u00e1 de lo que somos capaces de hacer con las tecnolog\u00edas actuales. Por otro lado se vislumbra el horizonte de la computaci\u00f3n cu\u00e1ntica que podr\u00eda dar lugar en pocos lustros a capacidades de c\u00e1lculo ilimitadas respecto a las actuales. Por ello no s\u00f3lo son las TIC una palanca de avance fundamental de la ciencia, sino que, adem\u00e1s, la ciencia es una palanca de avance fundamental de las TIC, en un c\u00edrculo virtuoso acelerado de grandes implicaciones. En ambos casos se trata de avances espectaculares en nuestra comprensi\u00f3n del mundo que nos rodea, de nuestra capacidad de desarrollo tecnol\u00f3gico, y, por ende, de nuestro desarrollo econ\u00f3mico y social. Estamos en el albor de una nueva manera de hacer ciencia. Es por ello crucial que la sociedad conozca las bases y el potencial de estos avances. Catalunya dispone de buenas infraestructuras t\u00e9cnicas TIC para la ciencia. Si aspiramos a convertirnos en una sociedad del conocimiento, con valor a\u00f1adido en la generaci\u00f3n de conocimiento, hemos de seguir invirtiendo en actualizarlas y en dar la formaci\u00f3n a los j\u00f3venes cient\u00edficos para que las puedan aprovechar. Est\u00e1 demostrado que en el medio plazo hay una clara correlaci\u00f3n entre el nivel de desarrollo cient\u00edfico y el de capacidad econ\u00f3mica y bienestar social. 2. Las TIC como palanca de impulso de la Ciencia<\/u><\/b> La f\u00edsica de materiales condujo hace medio siglo al desarrollo de los semiconductores, los transistores y los microprocesadores, los cuales han digitalizado y revolucionado las tecnolog\u00edas de la computaci\u00f3n y las comunicaciones (TIC). El progreso ha sido prodigioso. Es inimaginable hoy un mundo sin tel\u00e9fonos m\u00f3viles, sin internet, sin todos los sistemas electr\u00f3nicos que regulan nuestros aparatos dom\u00e9sticos, autom\u00f3viles, hospitales, industrias y un largo etc\u00e9tera. Y estamos acostumbrados a su constante evoluci\u00f3n siguiendo la llamada Ley de Moore (dos veces m\u00e1s de velocidad de c\u00e1lculo y de capacidad de memoria cada 18 meses al mismo coste, es decir un orden de magnitud cada lustro desde hace cincuenta a\u00f1os). Pero, m\u00e1s all\u00e1 de estos avances, es importante reconocer que en estos momentos son estas mismas tecnolog\u00edas de la informaci\u00f3n y comunicaciones las que est\u00e1n revolucionando el avance de la ciencia. Y esta revoluci\u00f3n tiene m\u00e1s de una dimensi\u00f3n: en primer lugar, la obvia, la de permitir el tratamiento de cada vez mayores cantidades de datos a mayores velocidades. As\u00ed ayudan a los cient\u00edficos a \u201chacer\u201d m\u00e1s ciencia m\u00e1s r\u00e1pidamente. Pero m\u00e1s all\u00e1 de estos avances de escala, las ciencias de la computaci\u00f3n est\u00e1n influyendo en \u201cc\u00f3mo\u201d se hace la ciencia. Los conceptos, teoremas y herramientas desarrollados en el seno de las llamadas ciencias de la computaci\u00f3n se est\u00e1n adaptando como nuevas herramientas en las ciencias dedicadas al estudio de sistemas complejos, especialmente en las ciencias biol\u00f3gicas, as\u00ed como en el estudio del clima, de fuentes energ\u00e9ticas, del cerebro, de los or\u00edgenes del universo, de los or\u00edgenes de la vida, etc. Estamos pues ante una nueva revoluci\u00f3n. Las revoluciones cient\u00edficas no son nada frecuentes, pero suelen ocurrir cuando se inventa una nueva herramienta conceptual (como el c\u00e1lculo) o una nueva herramienta tecnol\u00f3gica (como el telescopio). Veamos algunos ejemplos. Fibonacci en el siglo XIII public\u00f3 el tratado \u201cLiber Aci\u201d en el que estableci\u00f3 una nueva rama de las matem\u00e1ticas, el \u00e1lgebra. El algebra permiti\u00f3 pasar de las matem\u00e1ticas de palabras a la matem\u00e1tica de los s\u00edmbolos. Hasta ese momento en Europa las matem\u00e1ticas se escrib\u00edan como palabras. Fibonacci \u201cdescubri\u00f3\u201d el sistema num\u00e9rico, que de hecho naci\u00f3 en la India hace 3.000 a\u00f1os, y que lleg\u00f3 a la Europa de la \u00e9poca a trav\u00e9s del legado de la cultura \u00e1rabe. El algebra permiti\u00f3 nuevos tipos de c\u00e1lculos que cambiaron la sociedad, a trav\u00e9s del estudio por ejemplo de los planetas, y de su impacto en el comercio y la religi\u00f3n. Unos 400 a\u00f1os m\u00e1s tarde Newton, en sus esfuerzos por entender las leyes de la naturaleza en base a las tasas de cambio del movimiento, us\u00f3 el algebra para el desarrollo de una nueva rama de las matem\u00e1ticas: el c\u00e1lculo (coincidiendo con los trabajos de von Leibniz). Esta nueva herramienta permiti\u00f3 describir muchas nueves leyes de la naturaleza: tasas de cambio o din\u00e1micas del calor, del sonido, de la luz, de los fluidos, de la electricidad, del magnetismo, etc. De manera parecida, el desarrollo de nuevas herramientas tecnol\u00f3gicas, como el telescopio de Galileo y el microscopio, ambos del siglo XVII, los rayos X del siglo XIX, las m\u00e1quinas secuenciadoras de DNA de los a\u00f1os \u201860 tambi\u00e9n han transformado nuestra comprensi\u00f3n del mundo y del universo. El impacto de las TIC en el desarrollo de la ciencia, en el alcance sus resultados y en el impacto de sus herramientas y m\u00e9todos para entornos complejos, tendr\u00e1 una importancia al menos igual de significativa en las pr\u00f3ximas d\u00e9cadas como lo ha sido estos \u00faltimos cincuenta a\u00f1os: impactar\u00e1 nuestra longevidad, nuestra calidad de vida, lo que sabemos de nosotros, de nuestro planeta, de nuestro universo, de c\u00f3mo afrontar las enfermedades, de c\u00f3mo gestionar los recursos de nuestro planeta, etc. Las TIC est\u00e1 cambiando la forma de hacer ciencia, proporcionando avances a trav\u00e9s de nuevos tipos de experimentos. Estos experimentos generan nuevos tipos de datos, de complejidad y vol\u00famenes exponencialmente mayores. Uno de las cuestiones a resolver es c\u00f3mo usar, explotar y compartir esta avalancha de datos. Ejemplos de estas avalanchas de datos se dan por ejemplo en el caso del nuevo laboratorio \u201cLarge Hadron Collider\u201d del CERN en Ginebra. Est\u00e1 previsto que produzca varios PetaBytes (diez elevado a 15 n\u00famero de bytes, o PB) anuales. Para ello se ha implementado una arquitectura de tratamiento de estos datos de tipo \u201cgrid\u201d que engloba una red internacional de centros de computaci\u00f3n con m\u00e1s de 100k CPUs para analizar en cascada las informaciones y patrones m\u00e1s relevantes a las investigaciones en curso. La acumulaci\u00f3n de grandes vol\u00famenes de datos, medidos en PB y en ExaBytes (mil PB), se da con gran frecuencia en la ciencia actual, y no s\u00f3lo en la f\u00edsica de altas energ\u00edas, sino tambi\u00e9n en las t\u00e9cnicas de \u201chigh throuhgput\u201d de gen\u00f3mica, prote\u00f3mica, qu\u00edmica combinatoria, estudios del clima, astronom\u00eda, etc. Pero adem\u00e1s, y m\u00e1s all\u00e1 de estos problemas de escala de volumen de datos, hay otros tipos de problem\u00e1ticas como es la de tratar datos mucho m\u00e1s heterog\u00e9neas y con or\u00edgenes mucho m\u00e1s dispersos, como son los casos de biomedicina, astronom\u00eda y otros. Se trata de conceptualizar la amplitud y la profundidad de las relaciones y posibles relaciones en el seno de los datos correspondientes. Ello requiere herramientas cada vez m\u00e1s potentes para acceder, manipular, visualizar e interpretar estos datos de una manera eficaz, superando las barreras actuales de heterogeneidad de datos, plataformas y aplicaciones. Las t\u00e9cnicas que se est\u00e1n desarrollando incorporan conceptos de hardware como redes de equipos b\u00e1sicos tipo PC, y redes de agrupaciones de estos equipos para hacer c\u00e1lculos hasta la fecha \u00fanicamente realizables en equipos de supercomputaci\u00f3n. Como la cantidad de datos generados en este tipo de entornos excede la velocidad y capacidad de almacenamiento y las velocidades de las redes, se impone complementar las grandes bases de datos centrales con jerarqu\u00edas federadas de bases de datos especializadas y m\u00e1s peque\u00f1as. Por otro lado las nuevas herramientas de software incluyen conceptos como la sem\u00e1ntica, o metadatos, es decir datos que describen los datos, su calidad, d\u00f3nde y cu\u00e1ndo se han creado, su propiedad intelectual, etc. Y no es s\u00f3lo para consumo humano, sino que de hecho lo utilizan fundamentalmente los \u201cweb services\u201d entre aplicaciones para integrar, transformar y\/o hacer c\u00e1lculos con los datos subyacentes. La gesti\u00f3n de los datos cient\u00edficos requiere pues avances en los sistemas de gesti\u00f3n de bases de datos que incluyan esta informaci\u00f3n sem\u00e1ntica. Los principios que subyacen el desarrollo de las TIC se conocen como \u201cciencia de la computaci\u00f3n\u201d (\u201ccomputer science\u201d). Esta ciencia de la computaci\u00f3n est\u00e1 contribuyendo en gran manera al avance de la ciencia, de las ciencias naturales. Pero va m\u00e1s all\u00e1 que esto, est\u00e1 en gran medida reformulando las ciencias naturales. Las ciencias naturales se definen en relaci\u00f3n al mundo en el que vivimos y que intentamos describir y predecir en base a estudios emp\u00edricos y postulados de teor\u00edas y leyes. La ciencia de la computaci\u00f3n es m\u00e1s dif\u00edcil de describir, no tiene las bases emp\u00edricas de las ciencias naturales, no se trata s\u00f3lo razonamientos simb\u00f3licos (matem\u00e1ticas) y no es s\u00f3lo un compendio de principios de ingenier\u00eda y tecnolog\u00eda. Se puede decir que la mejor caracterizaci\u00f3n de la ciencia de la computaci\u00f3n es la manera en que sus practicantes resuelven problemas, dise\u00f1an sistemas e interpretan el comportamiento humano en el contexto de dichos sistemas. Por ello se habla del \u201ccomputational thinking\u201d. Se trata de plantearse cuestiones como, \u201ccu\u00e1n dif\u00edcil ser\u00e1 de resolver\u201d, \u201ccu\u00e1l es la mejor mana de resolverlo\u201d, como reformular un problema complejo en otro que sabemos c\u00f3mo resolver, quiz\u00e1 por reducci\u00f3n, transformaci\u00f3n o simulaci\u00f3n. Se trata de encontrar la representaci\u00f3n m\u00e1s adecuada para un problema, en encontrar la modelizaci\u00f3n que lo hace tratable. Se trata de usar la abstracci\u00f3n y descomposici\u00f3n al analizar una tarea compleja o dise\u00f1ar un sistema complejo. Se trata de tener la confianza de poder usar, modificar e influenciar un sistema complejo sin comprender todos sus detalles. Se trata de modularizar algo en anticipaci\u00f3n a m\u00faltiples usuarios y\/o de \u201cpre-fetching\u201d y \u201ccaching\u201d futuros. Se trata de juzgar el dise\u00f1o de un sistema en base a su simplicidad y elegancia. Se trat de pensar de manera recurrente. Se trata de pensar en t\u00e9rminos de prevenci\u00f3n, protecci\u00f3n y recuperaci\u00f3n ante los peores escenarios (violaci\u00f3n de condiciones de contorno, entornos impredecibles) a trav\u00e9s de redundancia, contenci\u00f3n de da\u00f1os y correcci\u00f3n de errores. En resumen, se trata de resolver problemas y dise\u00f1ar sistemas usando los principios b\u00e1sicos de la ciencia de la computaci\u00f3n. Hemos hecho \u00e9nfasis en que las nuevas fronteras que las TIC ayudan a desarrollar en el mundo de la ciencia est\u00e1n relacionadas con la complejidad. Muchos de los aspectos m\u00e1s importantes de nuestro mundo se representan como sistemas complejos: biolog\u00eda, medicina (como redes intercelulares, sistemas de \u00f3rganos, epidemiolog\u00eda), en entorno (ecosistemas, etc.), sistemas sociales (como transportes, ciudades, redes sociales), redes de comunicaciones, sistemas econ\u00f3micos, etc. Pero a pesar de que en general se entiende la complejidad como el resultado del comportamiento complejo de muchos elementos simples, de hecho en muchos casos se trata de lo contrario: sistemas altamente complejos que producen comportamientos coherentes. Probablemente una de las fronteras cient\u00edficas m\u00e1s apasionantes a resolver es la de entender y predecir c\u00f3mo dichos sistemas complejos producen comportamientos coherentes. Para ello una de las \u00e1reas m\u00e1s importantes trata de la codificaci\u00f3n del conocimiento cient\u00edfico. Por ello se entiende la traducci\u00f3n del conocimiento en una representaci\u00f3n codificada, en t\u00e9rminos de datos y programas, susceptible de ser manipulada y analizable mec\u00e1nicamente. Este proceso ya se ha llevado a cabo en muchas \u00e1reas de la ciencia, pero est\u00e1 llegando en otras. La biolog\u00eda es uno de los campos en que este tipo de codificaci\u00f3n se ve como fundamental. En su estadio m\u00e1s b\u00e1sico tenemos la codificaci\u00f3n del genoma: las estructuras del DNA de diferentes organismos se representan como largas cadenas con un alfabeto de cuatro letras. De esta manera se puede almacenar, buscar, comparar y analizar usando una gran variedad de herramientas computacionales. Ya en el a\u00f1o 2000 a trav\u00e9s del proyecto del Genoma Humano se secuenciaron los tres mil millones de parejas de letras de DNA correspondientes. Se tard\u00f3 trece a\u00f1os y cost\u00f3 tres mil millones de d\u00f3lares. Debido a los avances en el coste de la secuenciaci\u00f3n de DNA, hoy en d\u00eda se vislumbran costes de s\u00f3lo mil d\u00f3lares en plazos de una hora. Este avance en la velocidad y la disminuci\u00f3n de los costes de secuenciaci\u00f3n de DNA es el equivalente a la ley de Moore para la computaci\u00f3n. Y la combinaci\u00f3n de ambos avances es lo que permite dar pasos de gigante en la biolog\u00eda de este siglo XXI. El siguiente nivel es el de la prote\u00f3mica. En este caso las estructuras de datos son m\u00e1s complejas: se trata de cadenas con alfabetos de veinte letras (de amino\u00e1cidos) m\u00e1s informaci\u00f3n posicional tridimensional y m\u00e1s algunas anotaciones complementarias. Esta representaci\u00f3n ahora est\u00e1 suficientemente estandarizada, y por ello ya se puede tratar con nuevas herramientas. M\u00e1s all\u00e1 hay que codificar las v\u00edas metab\u00f3licas y de se\u00f1alizaci\u00f3n. En este caso lo que hay que almacenar, buscar, comparar, analizar e interpretar son las redes interacciones bioqu\u00edmicas. C\u00f3mo hacerlo es un tema de actualidad. El problema general m\u00e1s complicado ser\u00e1 c\u00f3mo almacenar, buscar, comparar, analizar etc. los procesos biol\u00f3gicos. Se trata de interacciones din\u00e1micas entre m\u00faltiplos componentes discretos, como la divisi\u00f3n de las c\u00e9lulas. Todo ello nos lleva a reflexionar acerca de la manera de hacer avanzar la ciencia, a partir de primeros principios y\/o a partir de inferencias estad\u00edsticas. Se trata de v\u00edas complementarias y\/o alternativas seg\u00fan los casos. Nos recuerda la dicotom\u00eda entre los procesos autom\u00e1ticos de traducci\u00f3n, los cl\u00e1sicos basados en el diccionario y los de tipo Google que se basan en el an\u00e1lisis de cantidades ingentes de traducciones de textos previos. En este caso, en el fondo se trata del mismo proceso, pero el segundo es mucho m\u00e1s \u00e1gil. Hasta cierto punto es un s\u00edmil del mundo cient\u00edfico. El valor de las teor\u00edas cient\u00edficas se determina generalmente por su habilidad en realizar predicciones. Pero muchas de las teor\u00edas tratan fen\u00f3menos tan alejados de nuestra experiencia e intuici\u00f3n diarias, que se hace dif\u00edcil sino imposible su comprensi\u00f3n \u201cl\u00f3gica\u201d. Las ecuaciones, los c\u00e1lculos y las predicciones funcionan de manera pasmosa, pero no somos capaces de \u201centenderlo\u201d m\u00e1s all\u00e1 de dichas ecuaciones matem\u00e1ticas. Pi\u00e9nsese sino en las grandes teor\u00edas de la f\u00edsica del siglo XX, como la relatividad y la mec\u00e1nica cu\u00e1ntica. La certeza de sus predicciones es impresionante, pero no es posible entenderlas de manera intuitiva. Explican fen\u00f3menos alejados de nuestras escalas y experiencias. Y en las circunstancias m\u00e1s pr\u00f3xima a nuestra experiencia se transforman en las llamadas leyes de la mec\u00e1nica cl\u00e1sica, que s\u00ed consideramos intuitivas en la actualidad. Pero incluso \u00e9stas no eran intuitivas en las \u00e9pocas que fueron formuladas. Nadie en su sano juicio dir\u00eda a priori que la manzana de Newton y la Tierra se atraen mutuamente y que ambos se mueven en una elipse alrededor de su centro de gravedad, lo que en la pr\u00e1ctica quiere decir que la manzana cae verticalmente. S\u00f3lo se puede llegar a aceptar estudiando las trayectorias de los astros, y para ello hay que saber c\u00f3mo se pueden medir. As\u00ed que en los dominios de la ciencia en que se conocen bien las ecuaciones, para realizar predicciones se requiere simplemente utilizar las t\u00e9cnicas num\u00e9ricas m\u00e1s adecuadas. Sin embargo incluso en estos casos se pueden plantear muchas cuestiones debido a la eficiencia, exactitud num\u00e9rica y validaci\u00f3n del modelo matem\u00e1tico y del modelo de c\u00e1lculo inform\u00e1tico utilizado. Hay que reconocer de todas maneras que en la mayor parte de los campos de la ciencia no es posible llevar a cabo una simulaci\u00f3n a partir de primeros principios con los recursos actuales de las TIC; ello es debido a la complejidad del tema o a la ausencia de modelos suficientemente precisos para el problema en cuesti\u00f3n. En estos casos se utilizan m\u00e9todos estad\u00edsticos, incluidos los llamados \u201cmachine learning\u201d. Mientras que la estad\u00edstica cl\u00e1sica se centra en el an\u00e1lisis de los datos para probar las hip\u00f3tesis planteadas, el objetivo de las t\u00e9cnicas de \u201cmachine learning\u201d es la de utilizar m\u00e9todos estad\u00edsticos para hacer predicciones. Esto se ha utilizado con \u00e9xito en casos como el de la modelizaci\u00f3n molecular, para descubrir los principios estructurales de las familias de plegamientos de prote\u00ednas, o en el de las predicciones de la toxicidad de peque\u00f1as mol\u00e9culas. Una de las l\u00edneas de desarrollo de los nuevos lenguajes de programaci\u00f3n ser\u00e1 sin duda el de la inferencia probabil\u00edstica, en el que se incluyen conceptos tales como la incertidumbre en su base; con ello se acelerar\u00e1 la utilizaci\u00f3n de los principios del \u201cmachine learning\u201d. La investigaci\u00f3n de algoritmos y los principios del \u201cmachine learning\u201d pueden contribuir a la investigaci\u00f3n e uno de las \u00e1reas m\u00e1s importantes de la investigaci\u00f3n cient\u00edfica, la de la comprensi\u00f3n de c\u00f3mo se procesa la informaci\u00f3n en los sistemas biol\u00f3gicos, y en particular en el cerebro. Las dos maneras de realizar predicciones, las basadas en primeros principios, y las basadas en modelos estad\u00edsticos de los datos observados, no tienen por qu\u00e9 ser excluyentes, y de hecho hay mucho a ganar en usarlas de manera complementaria para el estudio de sistemas complejos. Por ejemplo en casos como la biolog\u00eda de poblaciones, un estudio completo probablemente requiere una combinaci\u00f3n de elementos que provienen de la din\u00e1mica no lineal, de la ciencia de la complejidad, de la teor\u00eda de redes, de la teor\u00eda de procesos estoc\u00e1sticos y del \u201cmachine learning\u201d. Este tipo de avances permite plantearse la realizaci\u00f3n de experimentos aut\u00f3nomos, que son de especial importancia en situaciones en que ser\u00eda imposible llevarlos a cabo, sea por el volumen de informaci\u00f3n a analizar, sea por la incapacidad de la instrumentaci\u00f3n cient\u00edfica en comunicar todos sus datos con los centros de decisi\u00f3n debido a limitaciones de ancho de banda, como por ejemplo en sondas espaciales o robots utilizados en entornos remotos u hostiles. Dichas t\u00e9cnicas computacionales permiten decidir de manera aut\u00f3noma a partir de las observaciones previas qu\u00e9 pruebas realizar a continuaci\u00f3n, cu\u00e1ndo realizarlas y cu\u00e1ndo suspenderlas. La mayor\u00eda de las sondas y robots enviados a entornos remotos s\u00f3lo dispone de un ancho de banda limitado, lo que no le permite enviar todos los datos recogidos. As\u00ed dicho robot puede decidir localmente qu\u00e9 curso de pruebas realizar de manera aut\u00f3noma. En la misma l\u00ednea se est\u00e1 llevando a cabo grandes avances en redes inal\u00e1mbricas y tecnolog\u00edas de sensores en los chips, de manera a poder realizar grandes proyectos de monitorizaci\u00f3n del entorno ambiental. La distinci\u00f3n entre lo natural y lo artificial se est\u00e1 difuminando cada vez m\u00e1s debido a los avances en la intersecci\u00f3n entre las TIC, la biolog\u00eda, la qu\u00edmica y la ingenier\u00eda. Estos avances tienen el potencial de revolucionar no solo nuestra capacidad de modelizar, entender y reparar sistemas vivientes complejos, pero tambi\u00e9n de construir nuevas piezas biol\u00f3gicas que lleguen a ser la base de organismos completamente nuevos. Los temas tratados hasta aqu\u00ed reflejan el rol de las TIC en transformar e incluso revolucionar la ciencia, es decir su rol de palanca de impulso de la ciencia. Los componentes de esta revoluci\u00f3n son conceptos, herramientas y teoremas de la ciencia de la computaci\u00f3n que se est\u00e1n transformando en nuevas herramientas conceptuales y tecnol\u00f3gicas de gran aplicabilidad en la ciencia, especialmente las ciencias que investigan sistemas complejos, y muy en particular en las ciencias biol\u00f3gicas. Hay quien defiende que estamos en el albor de una nueva manera de hacer ciencia. 3. La ciencia como palanca de las TIC<\/u><\/b> Pero no \u00fanicamente las TIC revolucionan la ciencia. Existe la posibilidad de que pueda ocurrir, en base a dichos avances, justamente lo inverso: que dichos avances de la ciencia, especialmente en biolog\u00eda y qu\u00edmica, pueden crear las bases de una revoluci\u00f3n fundamental en el \u00e1rea de la computaci\u00f3n y las TIC. Es decir, la ciencia puede convertirse en un futuro pr\u00f3ximo en una palanca de impulso de las TIC, revolucionando sus bases. 3.1. El potencial de la computaci\u00f3n cu\u00e1ntica<\/u> La ley de Moore ha permitido pasar, de trabajar a escala de una micra, a trabajar a escalas de un nan\u00f3metro. Pero al seguir miniaturizando, y de mantenerse dicho ritmo de mejoras, hacia 2030 entraremos en los dominios de la f\u00edsica cu\u00e1ntica. Con ello lo que ganaremos ya no ser\u00e1 m\u00e1s velocidad al procesar la informaci\u00f3n, ya no ser\u00e1 una mejora cuantitativa como la que hemos tenido en las \u00faltimas d\u00e9cadas, sino que se producir\u00e1 un cambio cualitativo, una manera totalmente nueva de procesar la informaci\u00f3n. En estos entornos se reemplazan los d\u00edgitos habituales, los 0s y los 1s, por los llamados bits cu\u00e1nticos o \u201cqubits\u201d. Estos elementos, que pueden ser electrones, fotones, \u00e1tomos o mol\u00e9culas se rigen por la f\u00edsica cu\u00e1ntica, y como tales tienen la propiedad de existir a la vez como 0 y como 1 en el fen\u00f3meno llamado de la superposici\u00f3n. Ello permite a la computaci\u00f3n cu\u00e1ntica procesar muchos c\u00e1lculos a la vez. Se trata de de que un ordenador cu\u00e1ntico podr\u00eda ejecutar en un solo paso la misma operaci\u00f3n sobre N veces 2 n\u00fameros distintos codificados en forma de superposici\u00f3n de esos N bits: esto es lo que se conoce como paralelismo cu\u00e1ntico. En los ordenadores actuales los problemas se resuelven secuencialmente, mientras que en uno cu\u00e1ntico los problemas pueden combinarse e introducirse en el ordenador simult\u00e1neamente, ejecut\u00e1ndose al mismo tiempo. Por ello se llega a hablar de un horizonte de capacidades de c\u00e1lculo ilimitadas en comparaci\u00f3n con las actuales. El principio b\u00e1sico detr\u00e1s de la computaci\u00f3n cu\u00e1ntica es el entrelazamiento (\u201centanglement\u201d), que permite establecer correlaciones a distancia, y que permite la superposici\u00f3n de dos sistemas y que permite a\u00f1adir qubits al proceso. El entrelazamiento es el elemento clave detr\u00e1s de los algoritmos cu\u00e1nticos y de la criptograf\u00eda cu\u00e1ntica. Hoy ya disponemos de soluciones comerciales basadas en criptograf\u00eda cu\u00e1ntica. A\u00fan tardaremos algunas d\u00e9cadas en poder disponer de ordenadores cu\u00e1nticos con capacidades equivalentes a los actuales, para lo que se estima que hay que llegar a ordenadores que gestionen 100.000 qubits \u2013 hoy estamos en las decenas. La dificultad principal a resolver es la del aislamiento total de los qubits del mundo exterior. Pero se trata de un terreno fascinante de investigaci\u00f3n cient\u00edfica y tecnol\u00f3gica por su impacto en las TIC. Es de destacar que la revista Science elija, como avance cient\u00edfico m\u00e1s destacado de 2010, el desarrollo de la primera \u201cm\u00e1quina cu\u00e1ntica\u201d. Una m\u00e1quina no es un ordenador, ni mucho menos, pero los avances son continuos y las oportunidades incre\u00edbles. 3.2. El potencial de la computaci\u00f3n molecular<\/u> Los ordenadores tal como los conocemos hoy responden muy bien a las tareas para los que fueron concebidos. Pero cada vez m\u00e1s podemos imaginar aplicaciones de las TIC para la que no se adapta bien la tecnolog\u00eda actual. Un caso ser\u00edan dispositivos de c\u00e1lculo que operasen dentro de organismos vivos, o incluso dentro de una c\u00e9lula. Su dise\u00f1o requiere una arquitectura completa de computaci\u00f3n menor que la de un transistor. Y no existe ninguna limitaci\u00f3n fundamental para esta tecnolog\u00eda, como se demuestra con el procesamiento sofisticado de informaci\u00f3n que ocurre en los organismos vivos. De manera similar, en el \u00e1rea de rob\u00f3tica, el procesamiento en tiempo real de datos complejos en una unidad peque\u00f1a, con bajo consumo energ\u00e9tico y de poco peso de momento no es viable \u2013 pero las comunidades de insectos sociales, como las hormigas, nos demuestran lo que ser\u00eda posible con dichos tipos de robots dada la tecnolog\u00eda adecuada. El procesamiento de informaci\u00f3n es esencial para los sistemas biol\u00f3gicos,, tanto para mantener sus organizaciones intrincadas como para poder competir con formas de vida rivales. Por ello hasta los m\u00e1s simples organismos han desarrollado capacidades avanzadas de computaci\u00f3n para abordar tareas complejas. A\u00fan hemos de comprender adecuadamente los principios de estos sistemas naturales de computaci\u00f3n inform\u00e1tica, aunque el continuo avance de las ciencias biol\u00f3gicas nos muestra cada vez m\u00e1s detalles. Ello contribuye al desarrollo de los conceptos de la llamada computaci\u00f3n molecular. Los ordenadores actuales se han dise\u00f1ado siguiendo un formalismo estricto independiente de su implementaci\u00f3n f\u00edsica. Las caracter\u00edsticas f\u00edsicas de los componentes f\u00edsicos est\u00e1n camufladas gracias a una ingenier\u00eda muy completa, lo cual es muy \u00fatil para la programaci\u00f3n. Pero ello se traduce en un uso ineficiente de los substratos, lo que resulta en equipos relativamente voluminosos que se basan en grandes redes","protected":false},"excerpt":{"rendered":"

Las tecnolog\u00edas de la informaci\u00f3n y las comunicaciones se han convertido en una infraestructura fundamental de muchas ramas de la ciencia, permitiendo el an\u00e1lisis de problem\u00e1ticas y sistemas cient\u00edficos de escalas exponencialmente crecientes, as\u00ed como de grados de complejidad cada vez m\u00e1s importantes.<\/p>\n","protected":false},"author":24,"featured_media":19934,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","_price":"","_stock":"","_tribe_ticket_header":"","_tribe_default_ticket_provider":"","_tribe_ticket_capacity":"0","_ticket_start_date":"","_ticket_end_date":"","_tribe_ticket_show_description":"","_tribe_ticket_show_not_going":false,"_tribe_ticket_use_global_stock":"","_tribe_ticket_global_stock_level":"","_global_stock_mode":"","_global_stock_cap":"","_tribe_rsvp_for_event":"","_tribe_ticket_going_count":"","_tribe_ticket_not_going_count":"","_tribe_tickets_list":"[]","_tribe_ticket_has_attendee_info_fields":false,"_kad_post_transparent":"","_kad_post_title":"","_kad_post_layout":"","_kad_post_sidebar_id":"","_kad_post_content_style":"","_kad_post_vertical_padding":"","_kad_post_feature":"","_kad_post_feature_position":"","_kad_post_header":false,"_kad_post_footer":false,"_kad_post_classname":"","footnotes":""},"categories":[732,735,196,193],"tags":[],"class_list":["post-21633","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-cercle-per-al-coneixement-publicaciones","category-circulo-para-el-conocimiento-publicaciones","category-posicionamientos","category-publicaciones"],"taxonomy_info":{"category":[{"value":732,"label":"Cercle per al Coneixement Publicaciones"},{"value":735,"label":"C\u00edrculo para el Conocimiento Publicaciones"},{"value":196,"label":"Posicionamientos"},{"value":193,"label":"Publicaciones"}]},"featured_image_src_large":["https:\/\/www.amicsdelpais.com\/wp-content\/uploads\/2025\/07\/default_image_amics_del_pais-2.png",839,559,false],"author_info":{"display_name":"Victor Canivell Cretchley","author_link":"https:\/\/www.amicsdelpais.com\/es\/author\/vcanivell\/"},"comment_info":0,"category_info":[{"term_id":732,"name":"Cercle per al Coneixement Publicaciones","slug":"cercle-per-al-coneixement-publicaciones","term_group":0,"term_taxonomy_id":732,"taxonomy":"category","description":"","parent":193,"count":1138,"filter":"raw","cat_ID":732,"category_count":1138,"category_description":"","cat_name":"Cercle per al Coneixement Publicaciones","category_nicename":"cercle-per-al-coneixement-publicaciones","category_parent":193},{"term_id":735,"name":"C\u00edrculo para el Conocimiento Publicaciones","slug":"circulo-para-el-conocimiento-publicaciones","term_group":0,"term_taxonomy_id":735,"taxonomy":"category","description":"","parent":771,"count":602,"filter":"raw","cat_ID":735,"category_count":602,"category_description":"","cat_name":"C\u00edrculo para el Conocimiento Publicaciones","category_nicename":"circulo-para-el-conocimiento-publicaciones","category_parent":771},{"term_id":196,"name":"Posicionamientos","slug":"posicionamientos","term_group":0,"term_taxonomy_id":196,"taxonomy":"category","description":"","parent":193,"count":91,"filter":"raw","cat_ID":196,"category_count":91,"category_description":"","cat_name":"Posicionamientos","category_nicename":"posicionamientos","category_parent":193},{"term_id":193,"name":"Publicaciones","slug":"publicaciones","term_group":0,"term_taxonomy_id":193,"taxonomy":"category","description":"","parent":0,"count":761,"filter":"raw","cat_ID":193,"category_count":761,"category_description":"","cat_name":"Publicaciones","category_nicename":"publicaciones","category_parent":0}],"tag_info":false,"_links":{"self":[{"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/posts\/21633","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/users\/24"}],"replies":[{"embeddable":true,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/comments?post=21633"}],"version-history":[{"count":0,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/posts\/21633\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/media\/19934"}],"wp:attachment":[{"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/media?parent=21633"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/categories?post=21633"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.amicsdelpais.com\/es\/wp-json\/wp\/v2\/tags?post=21633"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}