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

Este artigo apresenta um modelo de simulação baseado em algoritmos de estimativa de distribuição que demonstra como a evolução pode ser impulsionada por mutações não aleatórias e não lamarckianas, influenciadas pela integração interna de informações no genoma, alinhando-se à teoria da Evolução Baseada em Interação e conectando conceitos biológicos fundamentais à teoria computacional de aprendizado.

O essencial

Imagine que a evolução é como um grupo de pessoas tentando resolver um quebra-cabeça gigante, onde cada peça é um gene.

Por mais de um século, os cientistas acreditavam que existiam apenas duas formas de esse grupo encontrar a solução:

1. O "Acidente Cego" (Mutação Aleatória): Alguém chuta uma peça no lugar totalmente por sorte. Se a peça encaixar bem, ela fica. Se não, é jogada fora. A ideia era que a natureza não "planeja" nada; é tudo sorte e tentativa e erro.
2. O "Lamarckismo" (A Intuição Direta): O organismo sente que precisa de algo (como um pescoço mais longo para alcançar folhas) e muda seus genes diretamente para conseguir isso. Isso foi considerado impossível, como se o corpo pudesse "ler o futuro" e se reprogramar magicamente.

A Grande Descoberta deste Artigo:
Os autores propõem uma terceira via, chamada de Evolução Baseada em Interação. Eles criaram um modelo de computador (um "simulador") para provar que existe uma forma de evolução que não é aleatória, mas também não é mágica.

A Analogia do "Time de Futebol" e o "Treinador Inteligente"

Para entender como isso funciona, vamos usar uma analogia simples:

O Cenário Antigo (Mutação Aleatória):
Imagine um time de futebol jogando contra um adversário muito forte. O treinador (a seleção natural) diz: "Quem jogou mal, sai de campo". Os jogadores que ficam são os melhores.
No modelo antigo, para o próximo jogo, o treinador pega os jogadores que ficaram e pede para eles trocarem de chuteira ou de posição totalmente ao acaso. Se por sorte alguém acerta a posição certa, ótimo. Se não, o time continua ruim. É como tentar adivinhar o código de um cofre chutando números aleatórios.

O Novo Modelo (Evolução Baseada em Interação):
Agora, imagine que o treinador não é apenas um juiz, mas um analista de dados superinteligente (o nosso "algoritmo" no papel).

1. A Seleção: O treinador observa quem jogou bem no último jogo e guarda essas informações.
2. A "Aprendizagem" (O Segredo): Em vez de mudar as peças do time aleatoriamente, o treinador analisa padrões. Ele percebe: "Olha, sempre que o jogador A corre para a esquerda e o jogador B passa a bola para o centro, o time ganha".
3. A Criação do Próximo Time: O treinador usa esses padrões para criar o time do próximo jogo. Ele não muda as coisas "de cabeça", ele recombina o que já funcionou. Ele diz: "Vamos montar um time onde A e B joguem juntos, porque a gente viu que eles combinam".

O Pulo do Gato (Não é Lamarckismo):
O treinador não vê o jogo ao vivo e diz: "Ah, o time está perdendo, vou mudar a regra agora!". Ele só olha para os dados do jogo passado.

• Não é aleatório: As mudanças não são chutes no escuro; elas são baseadas no que funcionou antes.
• Não é Lamarckismo: O treinador não "sente" a pressão do jogo atual para mudar o DNA. Ele apenas aprende com o histórico de vitórias e derrotas passadas.

O que isso significa para a vida real?

O artigo mostra que a natureza pode funcionar como esse "treinador de dados":

• Genes que "Falam" entre si: Quando dois genes trabalham juntos frequentemente (como dois jogadores que sempre se passam a bola), a natureza tende a "colar" essas informações. No futuro, é mais provável que essas mudanças ocorram juntas, não por acaso, mas porque o "sistema" aprendeu que elas funcionam bem em conjunto.
• Simplicidade gera Complexidade: O sistema tenta simplificar as regras. Se "A + B" funciona, o sistema cria uma regra única para "A+B", em vez de tratar A e B separadamente. Isso permite que a vida fique mais complexa e eficiente, como quando aprendemos a dirigir: no começo, você pensa em cada movimento (frear, virar, acelerar), mas depois o cérebro "agrupa" tudo em uma única ação automática ("virar a esquina").
• A Variação Muda com o Tempo: Quando o ambiente muda (um novo adversário), o sistema gera mais "tentativas" (variação) para encontrar uma nova solução. Quando o time já está jogando bem, ele gera menos variações aleatórias e foca em refinar o que já funciona.

Resumo em uma frase:

A evolução não é apenas sorte (aleatória) nem magia (Lamarckismo); é um processo de aprendizado coletivo, onde a natureza usa o histórico de quem sobreviveu para "aprender" quais combinações de genes funcionam melhor e as usa para criar a próxima geração de forma mais inteligente.

O artigo prova, através de matemática e simulação, que essa "inteligência" pode surgir sem um cérebro, apenas através da interação de genes e seleção ao longo do tempo.

Resumo técnico

Título: Um modelo abstrato de mutação não aleatória e não lamarckiana na evolução usando um algoritmo de estimativa de distribuição multivariado

Autores: Liudmyla Vasylenko e Adi Livnat
Instituição: Universidade de Haifa, Israel

---

1. O Problema

A teoria evolutiva moderna, fundamentada na síntese moderna, opera sob uma dicotomia conceitual rígida quanto à origem das mutações:

1. Mutação Aleatória: As mutações são eventos acidentais, cujas causas são independentes de seu valor biológico ou utilidade para o organismo (não direcionadas pelo ambiente imediato).
2. Lamarckismo: O organismo sente o ambiente e responde diretamente com mudanças hereditárias benéficas (rejeitado pela biologia moderna por exigir uma "engenharia reversa" biologicamente implausível).

O artigo identifica uma lacuna conceitual: não há um modelo viável intermediário que permita que as mutações sejam não aleatórias (dependentes de informações biológicas acumuladas) sem serem lamarckianas (dependentes de sinais diretos do ambiente imediato). A teoria da Evolução Baseada em Interação (IBE - Interaction-based Evolution) propõe que as mutações dependem de informações complexas acumuladas no genoma ao longo de gerações, mas o desafio é modelar isso realisticamente. Além disso, modelos populacionais clássicos não conseguem explicar a complexidade adaptativa da vida apenas com mutação aleatória e seleção, especialmente considerando o tempo disponível para a evolução.

2. Metodologia

Os autores desenvolveram um modelo de simulação computacional baseado em Algoritmos de Estimativa de Distribuição (EDAs - Estimation-of-Distribution Algorithms), especificamente utilizando uma Máquina de Boltzmann Restrita (RBM - Restricted Boltzmann Machine) multivariada.

• Abordagem: Em vez de usar algoritmos genéticos tradicionais (onde a mutação é aplicada aleatoriamente a indivíduos selecionados), o modelo usa uma abordagem de aprendizado de máquina.
• Mecanismo de "Mutação":
  1. Uma população de genomas (soluções para um problema) é avaliada.
  2. Os indivíduos com melhor desempenho (top performers) são selecionados.
  3. Uma RBM é treinada sobre os genomas dos sobreviventes para aprender a distribuição subjacente e as interações entre os genes (variáveis).
  4. A RBM gera a próxima geração de $N$ genomas amostrando a distribuição aprendida.
• Analogia Biológica: O treinamento da RBM (baseado no aprendizado Hebbiano: "neurônios que disparam juntos, se conectam juntos") serve como um análogo abstrato para mecanismos biológicos de mutação não aleatória, onde genes que interagem frequentemente têm maior probabilidade de sofrer mudanças estruturais conjuntas (como fusão gênica).
• Problemas de Teste: O modelo foi testado em instâncias do problema MAX-SAT (satisfatibilidade booleana máxima) e funções de paridade, comparando-o com:
  • Um modelo de Mutação Aleatória e Seleção Natural (RM) tradicional.
  • Um modelo de Chute Aleatório (BRG) como linha de base.
• Parâmetros: Foram variados tamanhos de população, taxas de sobrevivência e complexidade do problema (número de variáveis) para garantir robustez.

3. Principais Contribuições

• Refutação da Dicotomia: Demonstra que a dicotomia "mutação aleatória vs. lamarckismo" é falsa. É possível conceituar e simular um mecanismo de mutação que é não aleatório (depende de informações internas acumuladas) e não lamarckiano (não sente o ambiente externo diretamente).
• Integração de Informação (Fan-in): O modelo introduz o conceito de "fan-in" de informação hereditária. Diferente da teoria padrão, onde informações de diferentes loci apenas coexistem temporariamente, o modelo mostra como a informação de múltiplos loci e indivíduos é integrada para gerar novas variações.
• Conexão entre Evolução e Cognição: Estabelece uma ponte teórica entre a evolução e a aprendizagem computacional. A RBM atua como um mecanismo de "aprendizado" da população, onde a hipótese aprendida (a distribuição de probabilidade) reside no nível populacional, e os indivíduos são os exemplos.
• Parsimônia e Adequação (Fit): Ilustra que a evolução é impulsionada pela interação entre uma força externa (seleção natural) e uma força interna de simplificação natural (redução da complexidade das interações genéticas para manter a função).

4. Resultados

• Desempenho Superiore: O modelo baseado em RBM (mutação não aleatória) superou consistentemente o modelo de mutação aleatória (RM), especialmente em problemas de maior escala (mais variáveis) e populações maiores. O modelo RBM mostrou uma transição rápida para alta adequação (fitness) após um período transitório inicial.
• Interação Gênica: Em testes de "completamento de genoma" (onde o modelo tenta inferir partes desconhecidas de um genoma com base em partes conhecidas), o modelo RBM demonstrou capacidade de inferir valores genéticos com base em interações aprendidas, algo impossível para modelos que tratam genes como independentes.
• Distribuições em Sino: O modelo gerou distribuições de fitness em forma de sino (curvas normais) mesmo sem assumir efeitos aditivos de genes independentes (Teorema do Limite Central). Isso sugere que distribuições em sino podem surgir de funções complexas com interações entre genes.
• Manutenção da Variação: Sob seleção, o modelo manteve a variação genética na direção da seleção por várias gerações, resolvendo o paradoxo de como a variação é reposta sem depender de mutações puramente aleatórias.
• Variação e Mudança de Condições: Quando as condições de seleção mudaram, o modelo produziu um aumento temporário na variação genética, alinhando-se com as observações de Darwin de que condições alteradas aumentam a produção de variação hereditária, mas através de um mecanismo não lamarckiano.

5. Significado e Implicações

• Reconciliação Darwinismo-Mendelismo: O modelo oferece uma nova perspectiva para reconciliar a evolução gradual (Darwin) com a herança discreta (Mendel), sugerindo que a recombinação sexual e a seleção atuam sobre "conjuntos complexos" de genes, e que a mutação não aleatória integra essas informações para o futuro.
• Novo Paradigma para Computação Evolutiva: Sugere que os Algoritmos Genéticos (GAs) tradicionais podem ser limitados por sua suposição de mutação aleatória. A incorporação de mecanismos de integração interna de informação (como em EDAs multivariados) pode levar a algoritmos de otimização mais eficientes.
• Implicações Biológicas: O trabalho fornece suporte teórico para observações empíricas recentes (como a taxa de mutação do gene HbS em populações expostas à malária) que sugerem que a origem de mutações específicas pode ser influenciada por informações genômicas acumuladas, desafiando o dogma da aleatoriedade absoluta das mutações.
• Direção Futura: Aponta para a necessidade de desenvolver modelos que combinem mecanismos concretos de recombinação/mutação (como em GAs) com a integração interna de informação (como em EDAs multivariados e IBE), movendo a biologia evolutiva e a ciência da computação para um terreno comum onde a evolução é vista como um processo de aprendizado populacional.

Em resumo, o artigo demonstra matematicamente e computacionalmente que a evolução pode ser modelada como um processo de aprendizado onde a variação hereditária é gerada de forma não aleatória e não lamarckiana, baseada na integração de informações passadas, oferecendo uma explicação mais robusta para a complexidade da vida e a eficiência da adaptação.