La biología
evolutiva no solamente permite explicar el origen y la diversidad de los
seres vivos. Sus principios también tienen importantes aplicaciones en la agricultura,
la ganadería, la medicina, la ingeniería genética y la inteligencia
artificial. Los conocimientos sobre mutaciones, recombinación
genética, selección natural y herencia permiten comprender
cómo cambian las poblaciones y utilizar algunos de estos mecanismos para
resolver problemas prácticos. En determinados casos, los investigadores incluso
reproducen principios evolutivos mediante programas informáticos, capaces de
generar y evaluar numerosas soluciones sin diseñar individualmente cada una de
ellas (Holland, 1992; Artículo científico).
Selección artificial
La selección
artificial es un proceso mediante el cual los seres humanos favorecen la
reproducción de organismos que poseen determinadas características
hereditarias. A diferencia de la selección natural, donde las
condiciones ambientales influyen sobre el éxito reproductivo, en la selección
artificial intervienen las decisiones humanas acerca de qué individuos
producirán descendencia. Este procedimiento permite modificar gradualmente las frecuencias
alélicas de una población y aumentar la presencia de características
consideradas útiles.
Durante miles de
años, agricultores y ganaderos seleccionaron plantas y animales con propiedades
particulares. Entre ellas encontramos mayor producción de semillas,
frutos más grandes, mayor rendimiento de leche o determinadas características
de comportamiento. Cuando estas diferencias poseen una base genética, la
reproducción selectiva puede favorecer su acumulación durante muchas
generaciones. Sin embargo, no todos los cambios observados son hereditarios: la
alimentación y las condiciones ambientales también modifican el fenotipo
de los organismos (Purugganan & Fuller, 2009; Artículo científico).
La domesticación
vegetal proporciona ejemplos importantes. Las variedades actuales de maíz,
Zea mays, proceden de poblaciones ancestrales de teosinte que
experimentaron modificaciones en el tamaño de las mazorcas, la disposición de
sus ramas y la protección de los granos. Algunas transformaciones resultaron de
decisiones humanas deliberadas, mientras otras aparecieron indirectamente como
consecuencia de las prácticas agrícolas. Por ello, la domesticación constituye
una combinación de selección artificial, cambios ambientales y, en
ocasiones, selección natural.
En los animales
domesticados encontramos numerosas razas que presentan diferencias de
tamaño, coloración, musculatura y comportamiento. En las plantas cultivadas
suelen reconocerse variedades o cultivares, seleccionados para
mantener determinadas características agrícolas. Cuando se cruzan organismos
genéticamente diferentes pueden producirse híbridos, tanto en animales
como en plantas. Sin embargo, la reproducción entre individuos muy emparentados
puede reducir la diversidad genética y favorecer la aparición de enfermedades
hereditarias recesivas, especialmente cuando se repite durante numerosas
generaciones.
Charles Darwin
utilizó la selección artificial como una evidencia fundamental para
desarrollar su explicación de la evolución mediante selección natural.
En El origen de las especies, publicado en 1859, describió cómo los
criadores de palomas y otros animales habían conseguido producir diferencias
anatómicas considerables mediante la selección repetida de determinadas
características. Si la reproducción dirigida por seres humanos podía modificar
poblaciones, las condiciones naturales también podían producir transformaciones
durante periodos mucho más prolongados.

Figura 1. [La
domesticación como primer experimento de evolución dirigida]. La domesticación
fue una aplicación temprana de la selección artificial, mediante la cual
los humanos modificaron los fenotipos y la herencia de animales y
plantas. Durante milenios, estas transformaciones hicieron difícil reconocer
sus antepasados silvestres. La genética y la arqueozoología
permiten reconstruir actualmente estos procesos de evolución dirigida.
Actualmente, el mejoramiento
genético utiliza herramientas más precisas para estudiar los organismos
seleccionados. Los investigadores pueden identificar marcadores moleculares
asociados con características de interés, analizar secuencias de ADN y
calcular el valor reproductivo esperado de determinados individuos. Esto
permite orientar los cruzamientos de manera más informada, aunque los
resultados todavía dependen de numerosos genes y factores ambientales.
Una aplicación
adicional es la evolución dirigida de proteínas. Este procedimiento
utiliza ciclos sucesivos de mutación, producción de variantes y selección
experimental para obtener moléculas con propiedades determinadas. Por
ejemplo, los científicos pueden producir numerosas versiones de una enzima
y seleccionar aquellas que funcionan mejor a temperaturas elevadas, presentan
mayor estabilidad o catalizan determinadas reacciones químicas. Las variantes
seleccionadas sirven como punto de partida para nuevos ciclos experimentales.
La investigadora Frances
H. Arnold realizó contribuciones fundamentales al desarrollo de estas
técnicas, demostrando que la evolución dirigida puede modificar
propiedades de las enzimas sin exigir que los investigadores conozcan
previamente todas las relaciones entre su estructura molecular y su
funcionamiento. Estas investigaciones también muestran que la evolución
experimental y la ingeniería genética son herramientas relacionadas,
pero no equivalentes: la primera selecciona variantes mediante ciclos
repetidos, mientras la segunda comprende diferentes procedimientos de
modificación y manipulación genética (Bloom & Arnold, 2009; Artículo científico).
Medicina
La medicina
evolutiva estudia cómo la historia evolutiva de los organismos contribuye a
explicar determinadas enfermedades, sus mecanismos biológicos y las
respuestas a los tratamientos. Una de sus aplicaciones más importantes
corresponde a la resistencia bacteriana a los antibióticos. Cuando un
medicamento elimina las bacterias sensibles, algunas variantes genéticas
resistentes pueden sobrevivir y multiplicarse. Como consecuencia, aumenta la
frecuencia de los alelos de resistencia en las poblaciones bacterianas.
Esta resistencia
a los antibióticos puede originarse mediante diferentes mutaciones
genéticas o mediante la adquisición de genes procedentes de otras
bacterias. Este último proceso se denomina transferencia horizontal de genes
y permite intercambiar información hereditaria sin necesidad de que exista
reproducción entre organismos parentales. Algunas bacterias resistentes
producen enzimas capaces de inactivar medicamentos, modifican sus proteínas
celulares o utilizan mecanismos que expulsan las sustancias antimicrobianas
de su interior.
No existe una
frecuencia universal con la que aparecen las mutaciones resistentes. Su
probabilidad depende de la especie bacteriana, el gen involucrado, el
antibiótico y las condiciones de crecimiento. Además, los medicamentos no
provocan normalmente las mutaciones específicas que las bacterias necesitan:
las variantes resistentes pueden existir antes del tratamiento y resultar favorecidas
cuando aparecen las correspondientes presiones selectivas (Davies &
Davies, 2010; Artículo científico).
La comprensión de
estos procesos permite mejorar los tratamientos mediante el uso adecuado de
antibióticos, la identificación de variantes resistentes y la
investigación de nuevos medicamentos. También explica por qué las poblaciones
bacterianas pueden recuperar características diferentes cuando desaparece una
presión selectiva, especialmente si mantener la resistencia implica costos
fisiológicos.
La biología
evolutiva del desarrollo proporciona otra aplicación médica: identificar
genes necesarios para construir diferentes órganos. Cuando los investigadores
comparan organismos que poseen una estructura con otros que la perdieron
durante su evolución, pueden descubrir mecanismos genéticos relacionados
con su formación, mantenimiento o degeneración.
Un ejemplo
importante es el tetra mexicano, Astyanax mexicanus, una especie
de pez que presenta poblaciones de aguas superficiales con ojos funcionales y
poblaciones cavernícolas con ojos reducidos o ausentes durante la
adultez. Estos peces pueden reproducirse entre sí, permitiendo estudiar la herencia
de las características anatómicas.

Figura 2. [Evolución
regresiva y aplicaciones médicas de Astyanax mexicanus]. Las
poblaciones cavernícolas presentan degeneración ocular causada por
alteraciones del desarrollo embrionario y la apoptosis celular.
Los experimentos de trasplante de cristalino y complementación
genética permiten investigar mecanismos relacionados con enfermedades
visuales. Además, las mutaciones del gen Oca2 proporcionan información
sobre el albinismo hereditario y la pigmentación humana.
Las investigaciones
demostraron que diferentes poblaciones cavernícolas acumularon modificaciones
genéticas parcialmente independientes. Cuando se cruzaron individuos ciegos
procedentes de determinadas cuevas, algunos descendientes desarrollaron estructuras
oculares funcionales, porque los progenitores conservaban distintas partes
de los mecanismos hereditarios necesarios para formar ojos. Este fenómeno,
conocido como complementación genética, demuestra que características
anatómicas semejantes pueden perderse mediante cambios en genes diferentes
(Borowsky, 2008; Artículo científico).
Estos peces también
permiten investigar la pigmentación corporal. Se identificaron cambios
del gen Mc1r, relacionado con la producción y distribución de pigmentos,
que contribuyen a determinadas diferencias de coloración entre poblaciones
cavernícolas. Los resultados permiten estudiar mecanismos evolutivos y genes
con funciones conservadas en otros vertebrados, incluidos los seres humanos
(Gross et al., 2009; Artículo científico).
Otro ejemplo
corresponde a los peces de hielo antárticos de la familia
Channichthyidae, que carecen de hemoglobina funcional y de eritrocitos
maduros, estructuras responsables de transportar gran parte del oxígeno
sanguíneo en otros vertebrados. La comparación de sus genomas con los de peces
emparentados permitió reconocer modificaciones y pérdidas de genes relacionados
con la producción de hemoglobina.
Estos animales
sobreviven en aguas frías y ricas en oxígeno mediante importantes adaptaciones
cardiovasculares, como un volumen sanguíneo elevado y modificaciones
circulatorias. Sin embargo, la pérdida de hemoglobina no representa
necesariamente una mejora fisiológica: también impone limitaciones sobre el
transporte de oxígeno. Su investigación permite comprender mejor los mecanismos
de formación de células sanguíneas y las consecuencias de perder
funciones biológicas durante la evolución (Daane et al., 2020; Artículo científico).
Computación evolutiva
La computación
evolutiva es una familia de métodos informáticos inspirados en los mecanismos
de la evolución biológica. Su objetivo consiste en resolver problemas
mediante la generación, modificación y evaluación de numerosas soluciones
posibles. En lugar de indicar detalladamente cómo debe construirse una solución
perfecta, el programador establece ciertas reglas que permiten explorar
diferentes alternativas.
Estos métodos
utilizan conceptos semejantes a la mutación, la recombinación
genética y la selección. Sin embargo, las soluciones informáticas no
son organismos vivos ni poseen necesariamente genes biológicos. Se trata de
representaciones matemáticas que pueden modificarse mediante operaciones
computacionales.
La computación
evolutiva resulta útil cuando existen numerosas combinaciones posibles y sería
difícil examinarlas individualmente. Entre sus aplicaciones encontramos el
diseño de estructuras mecánicas, la organización de rutas, la
optimización de procesos industriales y el entrenamiento de determinados
sistemas de inteligencia artificial (Holland, 1992; Artículo científico).
Historia
Los primeros
experimentos de evolución computacional comenzaron durante la década de
1950. En 1953, Nils Aall Barricelli realizó simulaciones mediante una
computadora del Instituto de Estudios Avanzados de Princeton. Sus experimentos
utilizaban secuencias numéricas que podían reproducirse y experimentar
modificaciones, permitiendo investigar algunos principios de competencia y
evolución artificial. Publicó sus primeros resultados en 1954 (Barricelli,
1954).
Durante la década
de 1960 aparecieron diferentes enfoques. Lawrence J. Fogel desarrolló
procedimientos de programación evolutiva; John Henry Holland
contribuyó a establecer los algoritmos genéticos; mientras que Ingo
Rechenberg y Hans-Paul Schwefel investigaron las estrategias
evolutivas aplicadas a problemas de ingeniería.
Aunque estos
métodos surgieron en grupos de investigación diferentes, compartían una idea
fundamental: una población de soluciones puede mejorar progresivamente mediante
variación heredable y selección computacional. Durante las
décadas siguientes, el desarrollo de computadoras más potentes permitió
realizar muchas más simulaciones y aplicar estas técnicas a problemas
complejos.
Algoritmos evolutivos
Los algoritmos
evolutivos representan diferentes soluciones mediante estructuras de datos
que cumplen una función semejante a los genotipos. Cada solución se
evalúa utilizando una función de aptitud, denominada también fitness
function, que determina qué tan bien satisface los requisitos del problema.
Por ejemplo,
imaginemos que una empresa necesita organizar las rutas de numerosos vehículos
para reducir el consumo de combustible. Un algoritmo puede generar diferentes
recorridos y evaluar su distancia, tiempo de desplazamiento y consumo
energético. Las soluciones mejor valoradas tienen mayores posibilidades de
contribuir a las siguientes generaciones computacionales.
Durante cada ciclo,
el programa puede introducir mutaciones aleatorias, intercambiar partes
de dos soluciones mediante recombinación y seleccionar aquellas que
presentan mejores resultados. La repetición de estas operaciones permite
explorar nuevas combinaciones sin que cada alternativa deba ser diseñada
manualmente.

Figura 3. [Funcionamiento
de un algoritmo evolutivo]. Los algoritmos evolutivos imitan
principios de la selección natural mediante poblaciones de soluciones
sometidas a evaluación de aptitud. Los individuos seleccionados generan
descendientes por recombinación y mutación. La repetición de
generaciones favorece la optimización progresiva, aunque puede ocurrir convergencia
prematura. Su eficacia depende de mantener suficiente variabilidad y
equilibrar exploración con explotación de soluciones prometedoras..
La variación
aleatoria permite generar nuevas soluciones, mientras que la selección
computacional favorece las combinaciones que cumplen mejor los objetivos
establecidos. Sin embargo, este procedimiento no garantiza encontrar la
solución matemáticamente óptima. Los resultados dependen de la representación
del problema, la función de aptitud y los recursos informáticos
disponibles.
Además, existe una
diferencia fundamental con la evolución natural: en los algoritmos, el
investigador establece deliberadamente qué significa una solución mejor. En los
ecosistemas, por el contrario, el éxito reproductivo depende de
múltiples interacciones biológicas y ambientales, sin que exista una función de
aptitud universal diseñada previamente.
Algoritmos evolutivos y biología
Los algoritmos
evolutivos también pueden utilizarse para investigar procesos biológicos.
En lugar de representar vehículos o estructuras industriales, los científicos
construyen poblaciones de organismos digitales capaces de reproducirse,
experimentar mutaciones y competir por recursos computacionales.
Un ejemplo
importante es Avida, una plataforma de evolución digital utilizada para
estudiar cómo pueden aparecer características complejas mediante sucesivas
modificaciones hereditarias. En estas simulaciones, pequeños programas se
reproducen y experimentan mutaciones que pueden modificar sus
capacidades.
En una
investigación publicada en 2003, Richard Lenski, Charles Ofria, Robert Pennock
y Christoph Adami estudiaron cómo surgían nuevas funciones en poblaciones de
organismos digitales. Descubrieron que determinadas capacidades complejas
podían evolucionar mediante una sucesión de cambios, incluidos algunos que
inicialmente no proporcionaban ventajas evidentes. Estos resultados
contribuyeron a estudiar la importancia de la historia evolutiva, las mutaciones
intermedias y la selección acumulativa (Lenski et al., 2003).
Estas simulaciones
también permiten comparar poblaciones sometidas a diferentes condiciones de selección
natural, deriva genética y mutación. Como los investigadores
pueden repetir los experimentos desde condiciones iniciales semejantes, resulta
posible estudiar qué resultados se repiten y cuáles dependen del azar. No
obstante, los organismos digitales constituyen modelos simplificados y
sus resultados deben contrastarse con evidencias biológicas reales.
24.4 Inteligencia artificial y algoritmos evolutivos: de la biología a
la IA y de regreso
La inteligencia
artificial (IA) puede utilizar algoritmos evolutivos para diseñar y
mejorar sistemas computacionales. Una de sus aplicaciones recibe el nombre de neuroevolución,
procedimiento mediante el cual se modifican las características de redes
neuronales artificiales utilizando principios inspirados en la evolución
biológica.
Las redes
neuronales artificiales son modelos matemáticos organizados en unidades
conectadas que procesan información. Tradicionalmente, muchas redes se entrenan
mediante procedimientos que ajustan sus parámetros para reducir errores. La
neuroevolución propone otra posibilidad: generar numerosas redes diferentes,
evaluar su funcionamiento y favorecer la reproducción computacional de aquellas
que obtienen mejores resultados.
En 2002, Kenneth
Stanley y Risto Miikkulainen presentaron el algoritmo NEAT, diseñado
para evolucionar tanto los parámetros de las conexiones como la arquitectura
de las redes neuronales. De esta manera, las nuevas generaciones pueden
incorporar conexiones y unidades adicionales cuando resultan útiles para
resolver un problema (Stanley & Miikkulainen, 2002).
Posteriormente,
diferentes investigaciones demostraron que las estrategias evolutivas
también pueden utilizarse para entrenar sistemas capaces de realizar tareas de
control y tomar decisiones en ambientes simulados. Estos métodos evalúan
múltiples variaciones de los parámetros de un modelo y utilizan sus resultados
para orientar nuevas modificaciones. Sin embargo, no todos los sistemas de
inteligencia artificial utilizan algoritmos evolutivos, ni estos resultan
necesariamente superiores a otros procedimientos de aprendizaje (Salimans et al., 2017).
La relación entre evolución
biológica e inteligencia artificial se vuelve especialmente interesante
cuando los conocimientos regresan al laboratorio. En la ingeniería de
proteínas, los investigadores pueden utilizar aprendizaje automático
para analizar las relaciones entre las secuencias de aminoácidos y las
propiedades de determinadas moléculas.
En un procedimiento
de evolución dirigida asistida por IA, primero se producen y estudian
diferentes variantes de una proteína. Los resultados experimentales permiten
entrenar un modelo que predice cuáles combinaciones de mutaciones
podrían mejorar características como la actividad enzimática, la estabilidad
o la capacidad de reconocer otras moléculas.
Posteriormente, los
científicos seleccionan algunas de las variantes propuestas por el modelo y las
producen en el laboratorio. Sus propiedades reales se miden experimentalmente y
los resultados pueden incorporarse nuevamente al sistema informático. De este
modo, se establece un proceso de retroalimentación entre inteligencia
artificial y experimentación biológica.
Las investigaciones
de Kevin Yang, Zachary Wu y Frances Arnold demostraron que estos procedimientos
permiten orientar la evolución dirigida de proteínas, reduciendo en
determinados problemas el número de variantes que necesitan evaluarse
experimentalmente (Yang et al., 2019).
Un estudio
posterior utilizó aprendizaje automático y bibliotecas de variantes
proteicas para identificar combinaciones de mutaciones con propiedades
deseables. Los investigadores comprobaron que los modelos podían orientar la
búsqueda hacia regiones prometedoras del espacio de secuencias, es
decir, el conjunto de combinaciones posibles de aminoácidos. Esto resulta
especialmente importante porque incluso las proteínas relativamente pequeñas
pueden presentar cantidades extraordinarias de variantes potenciales (Wu et al., 2019).
Estas herramientas
tienen aplicaciones en la biotecnología industrial, el diseño de enzimas,
la investigación farmacéutica y el estudio de las relaciones entre genotipo
y fenotipo. También permiten formular nuevas hipótesis acerca de la
influencia de determinadas mutaciones sobre el funcionamiento de las proteínas.
Sin embargo, las predicciones computacionales pueden ser incorrectas y
requieren validación experimental.
La relación entre
ambas disciplinas funciona, por tanto, en dos direcciones: los principios
evolutivos inspiran algoritmos capaces de aprender y optimizar soluciones,
mientras que las herramientas informáticas permiten investigar nuevas
combinaciones genéticas y comprender mejor algunos mecanismos de la evolución
molecular.
Referencias bibliográficas
Barricelli, N. A.
(1954). Esempi numerici di processi di evoluzione. Methodos, 6, 45–68. Registro bibliográfico
Bloom, J. D., &
Arnold, F. H. (2009). In the light of directed evolution: Pathways of adaptive
protein evolution. Proceedings of the National Academy of Sciences, 106(Suppl.
1), 9995–10000. https://doi.org/10.1073/pnas.0901522106
Borowsky, R.
(2008). Restoring sight in blind cavefish. Current Biology, 18(1),
R23–R24. https://doi.org/10.1016/j.cub.2007.11.023
Daane, J. M.,
Auvinet, J., Stoebenau, A., Yergeau, D., Harris, M. P., & Detrich, H. W.,
III. (2020). Developmental constraint shaped genome evolution and erythrocyte
loss in Antarctic fishes following paleoclimate change. PLOS Genetics, 16(10),
e1009173. https://doi.org/10.1371/journal.pgen.1009173
Davies, J., &
Davies, D. (2010). Origins and evolution of antibiotic resistance. Microbiology
and Molecular Biology Reviews, 74(3), 417–433. https://doi.org/10.1128/MMBR.00016-10
Gross, J. B.,
Borowsky, R., & Tabin, C. J. (2009). A novel role for Mc1r in the parallel
evolution of depigmentation in independent populations of the cavefish Astyanax
mexicanus. PLOS Genetics, 5(1), e1000326. https://doi.org/10.1371/journal.pgen.1000326
Holland, J. H.
(1992). Genetic algorithms. Scientific American, 267(1), 66–72. https://doi.org/10.1038/scientificamerican0792-66
Lenski, R. E.,
Ofria, C., Pennock, R. T., & Adami, C. (2003). The evolutionary origin of
complex features. Nature, 423, 139–144. https://doi.org/10.1038/nature01568
Purugganan, M. D.,
& Fuller, D. Q. (2009). The nature of selection during plant domestication.
Nature, 457, 843–848. https://doi.org/10.1038/nature07895
Salimans, T., Ho,
J., Chen, X., Sidor, S., & Sutskever, I. (2017). Evolution strategies as a
scalable alternative to reinforcement learning. arXiv. https://doi.org/10.48550/arXiv.1703.03864
Stanley, K. O.,
& Miikkulainen, R. (2002). Evolving neural networks through augmenting
topologies. Evolutionary Computation, 10(2), 99–127. https://doi.org/10.1162/106365602320169811
Wu, Z., Kan, S. B.
J., Lewis, R. D., Wittmann, B. J., & Arnold, F. H. (2019). Machine
learning-assisted directed protein evolution with combinatorial libraries. Proceedings
of the National Academy of Sciences, 116(18), 8852–8858. https://doi.org/10.1073/pnas.1901979116
Yang, K. K., Wu, Z., & Arnold, F. H. (2019). Machine-learning-guided directed evolution for protein engineering. Nature Methods, 16, 687–694. https://doi.org/10.1038/s41592-019-0496-6
No hay comentarios:
Publicar un comentario