An abstract model of nonrandom, non-Lamarckian mutation in evolution using a multivariate estimation-of-distribution algorithm

Dit paper presenteert een abstract model op basis van een multivariate schattingsverdelingsalgoritme dat de interactie-based evolutie-theorie ondersteunt door te tonen dat mutaties niet-random en niet-Lamarckiaans zijn, maar worden beïnvloed door interne informatie-integratie in het genoom over generaties heen.

De kern

Stel je voor dat je een enorme, ingewikkelde puzzel moet oplossen. Je hebt duizenden stukjes, maar je weet niet hoe ze passen. Hoe kom je erachter?

Dit wetenschappelijk artikel stelt een nieuw idee voor over hoe de evolutie werkt, en het breekt met twee oude, bekende ideeën. Om het simpel te maken, gebruiken we een paar analogieën.

De twee oude ideeën (die niet helemaal kloppen)

1. Het "Gokken" (Random Mutation):
   De klassieke theorie zegt dat evolutie werkt door puur geluk. Het is alsof je blindelings een willekeurige puzzelstukje pakt en probeert het ergens te plakken. Als het toevallig past, blijf je het houden. Als het niet past, gooi je het weg.

   • Het probleem: Dit is extreem inefficiënt. De kans dat je door blindelings te gooien een compleet, functioneel organisme creëert, is zo klein dat het onmogelijk lijkt in de tijd die we hebben.

2. Het "Lamarckisme" (De slimme aanpassing):
   Het andere oude idee is dat een dier bewust kan voelen wat het nodig heeft en dat direct in zijn DNA kan veranderen. Denk aan een giraf die zijn nek uitrekt en dan denkt: "Ik moet mijn kinderen langere nekken geven," en dat gebeurt dan direct.

   • Het probleem: Dit is biologisch onmogelijk. Een dier kan niet zomaar zijn genen herschrijven op basis van wat het voelt.

Het nieuwe idee: "De Slimme Gids" (Interaction-based Evolution)

De auteurs van dit artikel, Liudmyla Vasylenko en Adi Livnat, stellen een derde optie voor: Mutaties zijn niet willekeurig, maar ook niet bewust. Ze zijn "geleid door ervaring".

Stel je voor dat je een groep mensen hebt die puzzels oplossen.

• In het oude model (gokken) gooien ze willekeurige stukjes op de tafel.
• In dit nieuwe model kijken ze naar de puzzels die al werken.

De Analogie van de "Gezamenlijke Geheugenbank"
Stel je voor dat de overlevenden van een generatie (degenen met de beste puzzels) niet gewoon kinderen krijgen die een beetje anders zijn. In plaats daarvan gaan ze naar een "slimme computer" (in het artikel een Restricted Boltzmann Machine genoemd).

1. Het Leren: De computer kijkt naar alle goede puzzels die de vorige generatie heeft gemaakt. Het ziet patronen: "Oh, als stukje A hier zit, dan moet stukje B daar zitten om het werkend te houden."
2. Het Creëren: De computer gebruikt deze patronen om nieuwe puzzelstukjes te maken. Het gooit niet willekeurig; het bouwt op wat al werkt.
3. Het Resultaat: De nieuwe generatie is niet zomaar een beetje anders; ze zijn slimmer gebouwd omdat ze gebaseerd zijn op de "collectieve wijsheid" van de vorige generaties.

Waarom is dit belangrijk?

Het artikel gebruikt een computer-simulatie om te bewijzen dat dit werkt. Hier zijn de belangrijkste lessen, vertaald naar alledaags taal:

1. Samenwerking is sleutel (Net als in een team)
In de oude theorie werken genen los van elkaar. In dit nieuwe idee werken genen samen. Als twee genen vaak samen "werken" (zoals twee mensen die vaak samenwerken in een project), worden ze in de toekomst makkelijker aan elkaar gekoppeld.

• Analogie: Stel je voor dat twee mensen die vaak samenwerken, in de toekomst makkelijker in hetzelfde kantoor worden gezet. Ze hoeven niet per se bewust te beslissen om samen te werken; hun succesvolle samenwerking zorgt er automatisch voor dat ze vaker samen worden geplaatst.

2. Vereenvoudiging leidt tot complexiteit
Het klinkt tegenstrijdig, maar het artikel zegt dat evolutie werkt door dingen simpeler te maken, wat uiteindelijk leidt tot complexiteit.

• Analogie: Denk aan het leren autorijden. Eerst moet je conscious nadenken over koppeling, gas en remmen (complex). Na verloop van tijd wordt dit een "automatische routine" (simpel). Door deze routine te automatiseren, heb je je brein vrij om te leren hoe je in een file rijdt of een parkeergarage inrijdt (complexer). Evolutie "automatiseert" succesvolle patronen, zodat er ruimte komt voor nog complexere dingen.

3. Verandering creëert meer variatie
Charles Darwin merkte op dat als de omstandigheden veranderen, er ineens meer variatie ontstaat. Dit nieuwe model legt uit waarom: als de wereld verandert, moet het "slimme systeem" (de computer) opnieuw leren. Het gaat dan weer zoeken naar nieuwe patronen, wat tijdelijk voor meer variatie zorgt. Zodra het nieuwe patroon gevonden is, wordt het weer stabiel.

4. De Bell-kromme (De normale verdeling)
Waarom zijn mensen niet allemaal even lang, maar is er een mooie "bel" van lengtes? Oude theorieën zeiden: "Dat komt omdat veel genen simpelweg bij elkaar worden opgeteld."
Dit artikel zegt: "Nee, dat komt omdat de genen met elkaar interageren." Zelfs als genen ingewikkeld met elkaar spelen, ontstaat er vanzelf die mooie, normale verdeling.

Conclusie

Dit artikel is geen bewijs dat dieren bewust hun DNA veranderen. Het is een bewijs dat evolutie niet hoeft te gokken.

Het stelt voor dat de natuur een soort "lerend systeem" is. De natuur onthoudt wat werkt, combineert die succesvolle onderdelen op slimme manieren, en bouwt daarop verder. Het is alsof de evolutie niet blindelings door een donkere kamer loopt en tegen muren aanloopt, maar een kaart tekent van waar de muren zijn, zodat de volgende stap altijd een beetje slimmer is dan de vorige.

Dit verandert hoe we naar leven kijken: het is niet een reeks van toevallige ongelukken, maar een proces van geleidelijk leren en integreren van informatie over generaties heen.

Technische samenvatting

Probleemstelling

De traditionele evolutionaire theorie baseert zich fundamenteel op een dichotomie: mutaties zijn óf willekeurig (niet deterministisch en ongeassocieerd met hun biologische consequenties, zoals in het Neo-Darwinisme) óf Lamarckiaans (gericht op de directe omgeving en het bewustzijn van het organisme).

• Het probleem met het "willekeurige mutatie"-model is dat het moeilijk verklaart hoe complexe adaptaties kunnen ontstaan binnen de beschikbare tijd, en het negeert recente empirische bevindingen (zoals bij de HbS-mutatie voor malaria-resistentie) die suggereren dat mutaties vaker optreden waar ze nodig zijn, gebaseerd op in het genoom opgebouwde informatie.
• Het Lamarckiaanse model wordt verworpen omdat het "reverse engineering" vereist van een onintuïtieve aard.
• De auteurs introduceren hier Interaction-based Evolution (IBE), een theorie die stelt dat mutaties noch willekeurig noch Lamarckiaans zijn. In plaats daarvan worden ze beïnvloed door complexe informatie die intern in het genoom over generaties accumuleert. De vraag is of dit concept wiskundig coherent en functioneel is zonder de noodzaak van directe omgevingswaarneming door het organisme.

Methodologie

De auteurs ontwikkelen een abstract simulatiemodel om IBE te testen, gebruikmakend van een Multivariate Estimation-of-Distribution Algorithm (EDA) met een Restricted Boltzmann Machine (RBM) als kerncomponent.

1. Het Simulatiekader:

   • Het model lost een MAX-SAT-probleem op (het maximaliseren van het aantal vervulde clausules in een Booleaanse formule), wat dient als een complex adaptatief landschap.
   • Er wordt een populatie van $N$ genooms (binair vectoren) geïnitieerd.
   • Selectie: Een percentage van de best presterende individuen (top-performers) overleeft elke generatie.
   • Reproductie en Mutatie (De Kern):
     • Controlemodel (RM): Overlevende individuen worden gekopieerd en ondergaan willekeurige bit-flips (traditionele willekeurige mutatie).
     • IBE-model (RBM): De overlevende genooms worden gebruikt om een RBM te trainen. De RBM leert de onderliggende kansverdeling en de interacties tussen de variabelen (genen) van de succesvolle individuen. Vervolgens genereert de RBM de volgende generatie van $N$ individuen door uit deze geleerde verdeling te bemonsteren.

2. Rol van de RBM:

   • De RBM fungeert als een abstracte representatie van Hebbian learning ("neurons that fire together wire together").
   • In biologische termen vertegenwoordigt dit het idee dat genen die samen worden gebruikt, een hogere kans hebben om via mutatiemechanismen (zoals genfusie) met elkaar te interageren of te fuseren.
   • De RBM voert een interne "fan-in" van informatie uit: informatie uit verschillende loci en verschillende individuen wordt geïntegreerd om de volgende generatie te genereren, zonder dat de RBM de externe omgeving "voelt".

3. Vergelijking:

   • Het model wordt vergeleken met een standaard Evolutionair Algoritme (willekeurige mutatie) en een "Best Random Guess" (puur gokken).
   • Er worden tests uitgevoerd op uniform willekeurige 3-SAT instanties en even-parity Booleaanse functies om te kijken of het model interacties tussen genen kan detecteren.

Belangrijkste Bijdragen

1. Conceptueel Bewijs van IBE: Het paper toont aan dat het concept van "niet-willekeurige, niet-Lamarckiaanse mutatie" logisch coherent is en functioneel werkt in een computationeel model. Het weerlegt de noodzaak van de strikte dichotomie tussen willekeur en Lamarckisme.
2. Integratie van Evolutie en Cognitie: De auteurs trekken een parallel tussen de RBM (een machine learning algoritme) en biologische mutatiemechanismen. Net zoals Hebbian learning in het brein patronen vereenvoudigt en "chunking" toepast, vereenvoudigt de RBM complexe genetische correlaties tot lokale connecties. Dit suggereert dat evolutie en leren (cognitie) dichter bij elkaar liggen dan eerder gedacht.
3. Nieuw perspectief op Variatie en Uniformiteit: Het model laat zien dat verbetering (fit) gepaard kan gaan met toenemende uniformiteit in de populatie, en dat veranderingen in selectiedruk direct leiden tot veranderingen in de hoeveelheid gegenereerde genetische variatie, zonder dat individuen stress hoeven te "voelen".
4. Bell-vormige Distributies zonder Additiviteit: Het paper toont aan dat bell-vormige verdelingen van eigenschappen kunnen ontstaan uit complexe, niet-additieve interacties tussen genen, in plaats van alleen door de som van onafhankelijke effecten (zoals in het Central Limit Theorem).

Resultaten

• Superieure Prestatie: Het RBM-gebaseerde model (IBE) presteert significant beter dan het model met willekeurige mutatie (RM), vooral bij grotere probleemgroottes en populatiegroottes. Het RBM-model toont een snelle overgang ("transient") naar hoge fitheid, terwijl het RM-model trager converteert.
• Interactie tussen Genen: In tests met even-parity functies (waarbij de waarde van het laatste bit volledig afhankelijk is van de vorige bits) slaagde de RBM erin om de ontbrekende bits correct af te leiden op basis van de overige genen. Dit bewijst dat het model de interacties tussen loci leert en gebruikt, in tegenstelling tot willekeurige mutatie.
• Gewogen vs. Bias-only: Experimenten waarbij alleen de gewichten (interacties) of alleen de biases (individuele effecten) van de RBM werden gebruikt, toonden aan dat de interacties tussen genen (de gewichten) cruciaal zijn voor het bereiken van hoge fitheid.
• Variatie onder Selectie: Wanneer de selectiedruk veranderde, nam de gegenereerde variatie tijdelijk toe en nam vervolgens weer af naarmate de populatie zich aanpaste. Dit bevestigt de IBE-hypothese dat variatie wordt gegenereerd op basis van de interne staat van het genoom en de selectie, niet als een reactie op stress door het individu.
• Distributie: De fitheidswaarden in de populatie vormden een bell-vormige verdeling die over generaties verschuift, zelfs zonder dat de mutaties willekeurig of additief waren.

Betekenis en Conclusie

Dit onderzoek biedt een fundamenteel nieuw perspectief op hoe evolutie werkt:

• Voor de Evolutietheorie: Het biedt een wiskundig onderbouwd alternatief voor het "willekeurige mutatie"-dogma. Het suggereert dat mutaties mechanismen zijn die informatie uit het genoom integreren en vereenvoudigen (parsimony), waardoor complexe adaptaties efficiënter kunnen ontstaan. Het lost het probleem op van hoe seksuele recombinatie (die combinaties breekt) toch kan leiden tot complexe aanpassingen: door de informatie van gebroken combinaties te integreren in nieuwe, niet-willekeurige mutaties.
• Voor Evolutionaire Computatie: Het toont aan dat multivariate EDAs, die vaak als abstracte optimalisatietechnieken worden gezien, eigenlijk een natuurlijke vorm van niet-willekeurige mutatie implementeren. Dit opent nieuwe wegen voor het ontwerpen van algoritmen die beter inspelen op complexe, interactieve problemen.
• Voor de Biologie: Het model suggereert dat de oorsprong van mutaties (zoals genfusie) niet toevallig is, maar een gevolg is van de "gebruikte-samen-gesmeerde" (used-together-fused-together) dynamiek die door selectie is gevormd.

Kortom, het paper demonstreert dat evolutie kan worden gezien als een leerproces op populatieniveau, waarbij mutaties geen toevallige fouten zijn, maar gerichte (hoewel niet Lamarckiaanse) mechanismen die interne informatie integreren om complexiteit te creëren.