Aplicaciones de la teoría evolutiva

(Ciencias de Joseleg) (Biología) (Teoría de la Biología) (Teorías de la evolución) (Introducción)  (Generalidades)  (desde Grecia al Islam)  (Naturalistas y escala natural)  (Lamarckismo)  (Darwin y Wallace)  (El origen del darwinismo)  (La selección natural)  (Neodarwinismo)  (Teoría sintética de la evolución)  (Selección sexual)  (Carrera armamentista)  (Extinciones y radiaciones)  (Grandes saltos)  (Deriva genética)  (Aplicaciones)  (Debates sociales)  (Una nueva síntesis)  (Referencias bibliográficas)

 La biología evolutiva, en particular la comprensión de cómo los organismos evolucionan a través de la selección natural, es un área de la ciencia con muchas aplicaciones prácticas (Bull & Wichman, 2001; Lindberg, 2007), las cuales podemos dividir en tres categorías, selección artificial e ingeniería genética, medicina y biología computacional.

Selección artificial

La cría selectiva (también llamada selección artificial) es el proceso mediante el cual los seres humanos utilizan la cría de animales y la cría de plantas para desarrollar selectivamente rasgos (características) fenotípicos particulares al elegir qué machos y hembras típicamente animales o vegetales se reproducirán sexualmente y tendrán descendencia juntos. Los animales domesticados se conocen como razas, normalmente criados por un criador profesional, mientras que las plantas domesticadas se conocen como variedades, cultígenos, cultivares o razas. Dos animales de raza pura de diferentes razas producen un cruce, y las plantas cruzadas se denominan híbridos. Las flores, hortalizas y árboles frutales pueden ser cultivados por aficionados y profesionales comerciales o no comerciales: los cultivos principales suelen ser de procedencia de los profesionales.

En la cría de animales, se utilizan técnicas como la consanguinidad, la cría en línea y el cruzamiento. En el fitomejoramiento se utilizan métodos similares. Charles Darwin discutió cómo la cría selectiva había tenido éxito en producir cambios a lo largo del tiempo en su libro de 1859, Sobre el origen de las especies. Su primer capítulo analiza la cría selectiva y la domesticación de animales como palomas, gatos, ganado y perros. Darwin usó la selección artificial como trampolín para introducir y apoyar la teoría de la selección natural (Darwin, 1866).

La explotación deliberada de la cría selectiva para producir los resultados deseados se ha vuelto muy común en la agricultura y la biología experimental.

La cría selectiva puede ser involuntaria, por ejemplo, como resultado del proceso de cultivo humano; y también puede producir resultados no deseados, deseables o indeseables. Por ejemplo, en algunos granos, un aumento en el tamaño de la semilla puede deberse a ciertas prácticas de arado más que a la selección intencional de semillas más grandes. Lo más probable es que haya habido una interdependencia entre factores naturales y artificiales que han dado lugar a la domesticación de las plantas (Purugganan & Fuller, 2009).

Más recientemente, dicha selección se ha convertido en una parte vital de la ingeniería genética, con marcadores seleccionables como genes de resistencia a antibióticos que se utilizan para manipular el ADN en biología molecular. También es posible utilizar rondas repetidas de mutación y selección para desarrollar proteínas con propiedades particulares, como enzimas modificadas o nuevos anticuerpos, en un proceso llamado evolución dirigida (Bunzel, Anderson, & Mulholland, 2021; Jäckel, Kast, & Hilvert, 2008; Zeymer & Hilvert, 2018).

Medicina

La resistencia a los antibióticos puede ser el resultado de mutaciones puntuales en el genoma del patógeno a una tasa de aproximadamente 1 en 10⁸ por replicación cromosómica. La acción antibiótica contra el patógeno puede verse como una presión ambiental; las bacterias que tienen una mutación que les permite sobrevivir vivirán para reproducirse. Luego pasarán este rasgo a su descendencia, lo que dará como resultado una colonia completamente resistente.

La comprensión de los cambios que han ocurrido durante la evolución del organismo puede revelar los genes necesarios para construir partes del cuerpo, genes que pueden estar involucrados en los trastornos genéticos humanos (Maher, 2009).

Figura 76. Astyanax mexicanus es una especie de peces de la familia Characidae en el orden de los Characiformes, que han perdido sus ojos durante el curso de su historia evolutiva.

Por ejemplo, el tetra mexicano “Astyanax mexicanus” es un pez de las cavernas albino que perdió la vista durante la evolución. La cría de diferentes poblaciones de este pez ciego produjo algunas crías con ojos funcionales, ya que se habían producido diferentes mutaciones en las poblaciones aisladas que habían evolucionado en diferentes cuevas (Borowsky, 2008).  Esto ayudó a identificar los genes necesarios para la visión y la pigmentación, como las cristalinas y el receptor de melanocortina 1 (Gross, Borowsky, & Tabin, 2009). De manera similar, al comparar el genoma del draco antártico (Channichthyidae spp), que carece de glóbulos rojos, con parientes cercanos como el cocodrilo antártico (Trematomus bernacchii), se revelaron los genes necesarios para producir estas células sanguíneas (Yergeau, Cornell, Parker, Zhou, & Detrich III, 2005).

Computación evolutiva

En informática, la computación evolutiva es una familia de algoritmos para la optimización global inspirados en la evolución biológica, y el subcampo de la inteligencia artificial y la computación blanda que estudian estos algoritmos. En términos técnicos, son una familia de solucionadores de problemas de prueba y error basados ​​en la población con un carácter de optimización metaheurística o estocástica.

En la computación evolutiva, se genera y actualiza iterativamente un conjunto inicial de soluciones candidatas. Cada nueva generación se produce eliminando estocásticamente las soluciones menos deseadas e introduciendo pequeños cambios aleatorios. En terminología biológica, una población de soluciones está sujeta a selección natural (o selección artificial) y mutación aleatoria. Como resultado, la población evolucionará gradualmente para aumentar su aptitud, en este caso la función de aptitud elegida del algoritmo, sin que el ingeniero deba preocuparse por diseñar variantes manualmente.

Las técnicas de computación evolutiva pueden producir soluciones altamente optimizadas en una amplia gama de entornos de problemas, lo que las hace populares en la informática. Existen muchas variantes y extensiones, adecuadas para familias más específicas de problemas y estructuras de datos. La computación evolutiva también se usa a veces en biología evolutiva como un procedimiento experimental in silico para estudiar aspectos comunes de los procesos evolutivos generales.

Historia

El uso de principios evolutivos para la resolución automatizada de problemas se originó en la década de 1950. No fue hasta la década de 1960 que se empezaron a desarrollar tres interpretaciones distintas de esta idea en tres lugares diferentes.

La programación evolutiva fue introducida por Lawrence J. Fogel en los Estados Unidos, mientras que John Henry Holland llamó a su método un algoritmo genético. En Alemania, Ingo Rechenberg y Hans-Paul Schwefel introdujeron estrategias de evolución. Estas áreas se desarrollaron por separado durante unos 15 años. Desde principios de los noventa en adelante se unifican como diferentes representantes ("dialectos") de una tecnología, denominada computación evolutiva. También a principios de los noventa, había surgido una cuarta corriente que seguía las ideas generales: la programación genética. Desde la década de 1990, los algoritmos inspirados en la naturaleza se están convirtiendo en una parte cada vez más importante de la computación evolutiva.

Estas terminologías denotan el campo de la computación evolutiva y consideran la programación evolutiva, las estrategias de evolución, los algoritmos y la programación genéticos como subáreas.

Las primeras simulaciones computacionales de la evolución utilizando algoritmos evolutivos y técnicas de vida artificial fueron realizadas por Nils Aall Barricelli en 1953 (Dorin & Taylor, 2020), con los primeros resultados publicados en 1954 (Barricelli, 1954). Otro pionero en la década de 1950 fue Alex Fraser, quien publicó una serie de artículos sobre simulación de selección artificial (Fraser, 1958). La evolución artificial se convirtió en un método de optimización ampliamente reconocido como resultado del trabajo de Ingo Rechenberg en la década de 1960 y principios de la de 1970, quien utilizó estrategias de evolución para resolver problemas complejos de ingeniería (unter Rudolph & Schwefel, 1994).  Los algoritmos genéticos en particular se hicieron populares a través de la escritura de John Holland (Holland, 1992). A medida que crecía el interés académico, los aumentos dramáticos en el poder de las computadoras permitieron aplicaciones prácticas, incluida la evolución automática de los programas de computadora (Koza, 1994). Los algoritmos evolutivos se utilizan ahora para resolver problemas multidimensionales de manera más eficiente que el software producido por diseñadores humanos, y también para optimizar el diseño de sistemas (Jamshidi, 2003; Onwubolu & Babu, 2013).

Algoritmos evolutivos

Los algoritmos evolutivos forman un subconjunto de la computación evolutiva en el sentido de que generalmente solo involucran técnicas que implementan mecanismos inspirados en la evolución biológica como la reproducción, mutación, recombinación, selección natural y supervivencia del más apto. Las soluciones candidatas al problema de optimización desempeñan el papel de los individuos en una población, y la función de costes determina el entorno en el que "viven" las soluciones. La evolución de la población tiene lugar luego de la aplicación repetida de los operadores anteriores.

En este proceso, hay dos fuerzas principales que forman la base de los sistemas evolutivos: la mutación de recombinación y el cruce crean la diversidad necesaria y, por lo tanto, facilitan la novedad, mientras que la selección actúa como una fuerza que aumenta la calidad.

Muchos aspectos de este proceso evolutivo son estocásticos. Las piezas de información modificadas debido a la recombinación y la mutación se eligen al azar. Por otro lado, los operadores de selección pueden ser deterministas o estocásticos. En el último caso, los individuos con una mayor aptitud tienen una mayor probabilidad de ser seleccionados que los individuos con una menor aptitud, pero normalmente incluso los individuos débiles tienen la posibilidad de convertirse en padres o de sobrevivir.

Algoritmos evolutivos y biología

Los algoritmos genéticos ofrecen métodos para modelar sistemas biológicos y biología de sistemas que están vinculados a la teoría de sistemas dinámicos, ya que se utilizan para predecir los estados futuros del sistema. Esta es solo una forma vívida (pero quizás engañosa) de llamar la atención sobre el carácter ordenado, bien controlado y altamente estructurado del desarrollo en biología.

Sin embargo, el uso de algoritmos e informática, en particular de la teoría computacional, más allá de la analogía con los sistemas dinámicos, también es relevante para entender la evolución misma.

Esta visión tiene el mérito de reconocer que no existe un control central del desarrollo; los organismos se desarrollan como resultado de interacciones locales dentro y entre las células. Nos parece que las ideas más prometedoras sobre los paralelos de desarrollo de programas son las que apuntan a una analogía aparentemente cercana entre los procesos dentro de las células y el funcionamiento de bajo nivel de las computadoras modernas. Por lo tanto, los sistemas biológicos son como máquinas computacionales que procesan información de entrada para calcular los siguientes estados, de modo que los sistemas biológicos están más cerca de un cálculo que el sistema dinámico clásico (Ochoa, 2018).

Además, siguiendo conceptos de la teoría computacional, los microprocesos en los organismos biológicos son fundamentalmente incompletos e indecidibles (completitud (lógica)), lo que implica que “hay más que una burda metáfora detrás de la analogía entre células y computadoras (Danchin, 2008).

 

La analogía con la computación se extiende también a la relación entre los sistemas de herencia y la estructura biológica, que a menudo se piensa que revela uno de los problemas más urgentes para explicar los orígenes de la vida.

Los autómatas evolutivos (Burgin & Eberbach, 2010, 2012, 2013), una generalización de las máquinas evolutivas de Turing (Eberbach, 2002, 2005), se han introducido con el fin de investigar con mayor precisión las propiedades de la computación biológica y evolutiva. En particular, permiten obtener nuevos resultados sobre la expresividad de la computación evolutiva (Eberbach & Burgin, 2009).