Buscar este blog

Translate

sábado, 21 de noviembre de 2026

Aplicaciones de la teoría evolutiva

[Teorías de la evolución]

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.

Domestication | The Multispecies Salon

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

en donde inserto esto en mi blog