Evrim Sürekli Bir Süreç mi? Yeni Araştırma Ezberleri Bozuyor
Tekrarlanan çevresel değişiklikler evrimi beklenmedik yönlere götürebilir ve Vermont’tan yapılan araştırmalar, tek bir popülasyonu incelemenin tüm bir türün hikayesini tam olarak yansıtmadığını gösteriyor.
Tüm yaşam biçimleri sürekli değişen ortamlarda var olur. Mevsimler değişir, kurak yılları yağışlı yıllar takip eder ve bir zamanlar hayatta kalmayı destekleyen koşullar hızla ortadan kaybolabilir. Bu nedenle, bitki ve hayvan popülasyonlarının sürekli olarak uyum sağlamaya zorlandığı açıktır, diyor Vermont Üniversitesi bilim insanı Csenge Petak. Belirsiz olan ise, bu devam eden çevresel değişikliklerin evrimin seyrini nasıl etkilediğidir.
Petak, “Popülasyonlar çok sayıda çevresel dalgalanmadan faydalanarak yeni nesilleri gelecekteki değişikliklerle yüzleşmeye daha hazır hale mi getiriyor,” diye merak etti, “yoksa bozuluyorlar mı, tekrar tekrar uyum sağlamaya zorlanıyorlar mı, asla istikrarlı bir ortamdaki aynı popülasyonların ulaşabileceği en yüksek fitness seviyelerine ulaşamıyorlar mı?”
Bu soruyu araştırmak için Petak, Vermont Üniversitesi bilgisayar bilimcisi Lapo Frati, iki ek UVM araştırmacısı ve Cambridge Üniversitesi’nden bir işbirlikçiyle birlikte çalıştı. Birlikte, binlerce nesil dijital organizmayı simüle edebilen güçlü bir bilgisayar modeli etrafında inşa edilmiş yeni bir çalışma tasarladılar. Ulusal Bilimler Akademisi Bildirilerinde (PNAS) yayınlanan bulgular beklenmedikti.
“Değişken ortamlarda popülasyonların nasıl evrimleştiğinde dikkat çekici bir çeşitlilik bulduk,” diye yazıyorlar. “Bazı durumlarda, çevreyi değiştirmek popülasyonların daha yüksek uyum zirvelerine ulaşmasına yardımcı oldu; diğerlerinde ise onları engelledi.”
Laboratuvarda test edilmesi imkansız
“Araştırmacılar genellikle belirli bir ortamdaki bir popülasyonun uzun vadeli gidişatını izler,” diyor Frati. “Bir dizi ortam seçtik ve her birinin özelliklerinin birçok popülasyonun gidişatını nasıl etkilediğini gördük.”
Bunun neden önemli olduğu, gerçek dünya örneklerine bakıldığında daha netleşiyor. İki meyve sineği popülasyonunu düşünün. Amerika Birleşik Devletleri’nde yaşayan bir grup, büyük mevsimsel sıcaklık değişimlerine uygun özellikler geliştirebilirken, Kenya’daki bir popülasyon çok farklı bir zorlukla karşı karşıya kalır; uzun kuraklık dönemleri ve yoğun yağış dönemleri arasında gidip gelir. Bu farklı çevresel değişim modelleri, aynı tür içinde bile evrimi çok farklı yönlere itebilir.
Uygunluk manzaralarının şematik gösterimi. (A) Dar (sarı) ve geniş (mavi) tepelerde maksimum (kesikli) ve ortalama (noktalı) popülasyon uygunluğu; daha büyük boşluklar daha dar optimumları gösterir. (B) Periyodik olarak değişen bir ortamda, görünür (düz) ve görünmeyen (kesikli) uygunluk manzaraları boyunca popülasyon yörüngeleri; daha geniş tepelerin bulunma ve korunma olasılığı daha yüksektir. (C) Değişken ortamlarda kavramsal “tuzaklanma”; bir koşuldaki evrim, statik koşullar altında mevcut olan daha yüksek uygunluk tepelerine erişimi engeller. Kaynak: PNAS, Csenge vd.
“Sıcaklık dalgalanmaları hem soğuk hem de sıcak mevsimlere daha iyi uyum sağlamayı teşvik edebilir,” diye açıklıyor Petak. “Ancak kuru ve ıslak mevsimler arasında tekrarlanan döngüler, kuraklığa uyumu engelleyebilir ve popülasyonu uzun bir yağış döneminden sonra evrimi ‘yeniden başlatmaya’ zorlayabilir; bu da yalnızca kuraklığa maruz kalan popülasyonlara göre daha kötü özelliklere yol açar.”
Bunlar, dalgalanan bir çevreyle başa çıkmaya çalışan aynı türün iki popülasyonudur. Yine de farklı türdeki dalgalanmalar, evrimsel sonuçlar açısından radikal olarak farklı sonuçlara yol açabilir; bir sinek grubu değişen koşullardan faydalanırken diğeri zarar görür.
Evrimi Büyük Ölçekte Tekrar Oynatmak
“Bu çalışmanın heyecan verici yanı, evrimi yüzlerce kez tekrar oynatmış olmamızdır. Bu bize evrimin birçok farklı ortamda nasıl işlediğine dair kuşbakışı bir bakış açısı sağladı; bu, laboratuvarda test edilmesi imkansız bir şey olurdu,” diyor UVM’de biyoloji profesörü ve çalışmanın kıdemli yazarı Melissa Pespeni. “Benim için en büyük çıkarım, başlangıç noktasının gerçekten önemli olduğudur. Bir popülasyonun tarihi, ne kadar yükseğe tırmanabileceğini ve oraya ulaşmanın ne kadar zor olduğunu şekillendirir; bu da bir popülasyonun tüm bir türü temsil ettiğini varsayamayacağımız anlamına gelir.”
Ekibin keşfi, acil insan sorunları için sonuçlar doğurabilir. Örneğin, türlerin küresel iklim değişikliğinden sağ çıkmak için yeterince hızlı adapte olup olamayacaklarını anlamak önemlidir. Ve bakteriler, icat ettiğimiz antibiyotiklere karşı direnç göstermek için sürekli olarak yeni yollar geliştiriyor. Yine de bilim insanları genellikle yalnızca belirli bir türdeki değişken bir ortamda tek bir popülasyonu inceliyor ve ardından çevresel değişimin bu türe nasıl zarar vereceği veya zarar vereceği konusunda genel sonuçlar çıkarıyorlar. Petak, “Bizimki gibi hesaplamalı modeller, gerçek biyolojik popülasyonlar hakkında yeni hipotezler formüle etmek için kullanılabilir” diyor.
Çalışmalarını yürütmek için UVM ekibi yapay organizmalar oluşturdu ve bunları birçok farklı değişken ortama yerleştirdi. Bu dijital ortamlar, doğadaki sıcak-soğuk döngüleri ve kuraklık-yağış değişimleri gibi değişen koşulları taklit ediyor. Petak, “Çalışmamızdaki yenilik şu ki, evrimi sadece tek bir değişken ortamda incelemek yerine, 105 farklı değişken ortam yarattık. Bu, popülasyonların birçok farklı senaryoda nasıl evrimleştiğini sistematik olarak karşılaştırmamızı sağladı.” diye açıklıyor.
Yapay Zeka Etkileri
Bu bulgunun biyolojinin ötesinde etkileri var; yapay zeka ve makine öğrenimindeki açık sorulara da ışık tutabilir. Yapay zeka sistemleri genellikle eski görevleri unutmadan yeni görevleri öğrenmekte zorlanırlar. Ortak yazarlardan UVM bilgisayar bilimcisi Nick Cheney, doğadaki evrim ile yapay zeka eğitimi arasında doğrudan paralellikler kuruyor.
Cheney, “Yapay zeka sistemleri geleneksel olarak tek bir spesifik soruyu çözmek üzere dar bir şekilde inşa edilmiştir,” diyor, ancak yeni yaklaşımlar sürekli öğrenen genel sistemleri hedefliyor. Yapay zekâ araştırmalarında hızla gelişen bir alan olan çevrimiçi sürekli öğrenmenin, “evrim, öğrenme ve gelişmenin değişken ve dinamik ortamlarla nasıl etkileşim kurduğu ve bunlardan nasıl fayda sağladığına dair bu makalede ele alınan fikirleri mükemmel bir şekilde yansıttığını” söylüyor.
Frati için, organizmalarda veya devrelerde olsun, öğrenmeyle ilgili yeni çalışmanın sonuçları heyecan verici. “Araştırmam meta-öğrenme, yani sistemlerin öğrenmeyi öğrenme yeteneğiyle ilgili,” diyor. “Tek bir konuya odaklanarak bir yapay zekanın öğrenme yeteneğini doğru bir şekilde değerlendiremeyeceğiniz gibi, bu çalışma da evrimleşebilirliği, yani bir sistemin evrimleşmek için evrimleşme yeteneğini değerlendirmeye çalışırken, birden fazla, çeşitli ancak karşılaştırılabilir ortamı keşfetmenin önemini gösteriyor.”
Bu çalışmanın özünde, evrimde, tarih ve başlangıç noktasının yolculuğu şekillendirdiği, her yolcunun karşılaştığı zorluklara bağlı olarak farklı bir yere ulaşacağı gerçeği yatıyor. Petak, “Sonuçlarımız, değişken ortam seçiminin sonucu güçlü bir şekilde etkileyebileceğini gösteriyor,” diyor.
Kaynak: https://scitechdaily.com
JWST ile Evrenin Başlangıcına Yolculuk: Popülasyon III Yıldızlarının İzleri Bulundu