El impacto de aprender de los antepasados en la tasa de selección natural

Investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio estudiaron el impacto del aprendizaje de los antepasados en la tasa de selección natural y descubrieron que el proceso evolutivo se puede acelerar, lo que puede ayudar en el diseño de futuros algoritmos evolutivos.

Figura 1. Representación esquemática del montaje utilizado para el aprendizaje en los procesos evolutivos. (a) Agentes que pueden replicar y aprender. Los ejemplos incluyen microbios, animales y humanos. (b)–(d) Ilustraciones esquemáticas del modelo. (b) Cambio de tipo π de los agentes. Un agente en el tiempo t−1 primero determina su tipo basado en la estrategia π. Los colores de los agentes distintos del gris representan los tipos expresados. El color del ambiente representa el estado. (c) Replicación de los agentes. Un agente produce ek(x,y(t−1)) hijas, dependiendo del tipo x y del estado ambiental y(t−1). El estado ambiental y(t−1) sigue independientemente a Q(y). (d) Aprendizaje por parte de los agentes. Después de la replicación, las hijas heredan estrategias actualizadas por una determinada regla de aprendizaje L. Crédito: https://journals.aps.org/prresearch/abstract/10.1103/PhysRevResearch.4.013069

La fauna única de las aisladas islas Galápagos ha sido anunciada durante mucho tiempo como prueba viviente de la evolución. Impulsadas por el proceso evolutivo de la selección natural, las especies pueden mejorar su estado físico con el tiempo y adaptarse a entornos cambiantes. Aunque tradicionalmente se cree que los cambios hereditarios en la descendencia ocurren debido a mutaciones genéticas aleatorias, cada vez hay más evidencia de mecanismos que podrían permitir que las experiencias de un individuo se transmitan a la siguiente generación. Un ejemplo especialmente intrigante son las influencias no genéticas, conocidas como modificaciones epigenéticas del material genético. Sin embargo, el efecto de estos cambios hereditarios no aleatorios no se ha explorado adecuadamente.

Ahora, un equipo de investigadores del Instituto de Ciencias Industriales de la Universidad de Tokio ha utilizado un modelo matemático para examinar las implicaciones del aprendizaje intergeneracional. En un estudio publicado recientemente en Physical Review Research, han imaginado poblaciones de agentes que se reproducen asexualmente, y cada agente elige al azar un rasgo que determina el éxito reproductivo. La probabilidad de expresar un cierto rasgo se llama estrategia. En el modelo, el «aprendizaje ancestral» puede ocurrir cuando las estrategias heredadas están influenciadas por información pasada sobre el rasgo de un antepasado. Las instrucciones del aprendizaje ancestral deben ser lo suficientemente simples para ser plausibles dentro de los sistemas biológicos reales. Por ejemplo, podrían estar relacionados con rasgos epigenéticos o la concentración de proteínas o ARNm dentro de una célula cuando se divide. «Los organismos individuales claramente se benefician de poder sentir su entorno actual y elegir comportamientos adaptativos. Consideramos lo que sucedería si los organismos pudieran obtener información pasada de los comportamientos de sus antepasados», explica el primer autor So Nakashima.

A través de la validación numérica y el análisis teórico, el equipo descubrió que el aprendizaje podía acelerar el proceso evolutivo. Esta investigación sirve como marco teórico para definir y evaluar el impacto del aprendizaje en el proceso de evolución.

El trabajo futuro puede centrarse en algoritmos genéticos y evolutivos en informática, que son una clase de herramientas poderosas para optimizar problemas complejos. Estos enfoques simulan la evolución de una población de soluciones candidatas. Las soluciones con mejor rendimiento en cada generación tienen más probabilidades de ser seleccionadas y reproducidas, a veces con mutaciones simuladas. «Nuestro modelo y teoría demostraron que el aprendizaje ancestral podría, de hecho, acelerar el proceso evolutivo», dice el autor principal Tetsuya J. Kobayashi. Al comprender la interacción entre el aprendizaje y la selección natural a partir de cambios aleatorios, esta investigación puede conducir a una mejor comprensión de los roles del aprendizaje en la evolución, así como a algoritmos híbridos más eficientes que combinan el aprendizaje por refuerzo con búsquedas evolutivas.