Жизнь — боль (и это ничему не учит). Цифровые организмы доказали, что страдания не всегда полезны

Мир вокруг живых существ никогда не стоит на месте: лето сменяется зимой, один год приносит наводнения, другой превращается в засуху. Биологи давно знают, что растениям и животным приходится постоянно подстраиваться, но куда менее понятно другое: помогает ли такая «качка» эволюции или, наоборот, сбивает ее с ног, заставляя снова и снова начинать адаптацию почти с нуля.

Этим вопросом задалась исследовательница Университета Вермонта Ченге Петак. Вместе с компьютерным ученым Лапо Фрати, коллегами из UVM и соавтором из Кембриджа она провела необычный эксперимент, который в реальной лаборатории просто не провернуть. Команда создала мощную компьютерную модель и запустила в ней эволюцию «цифровых организмов», прослеживая тысячи поколений и повторяя процесс сотни раз. Результаты опубликовали в журнале Proceedings of the National Academy of Sciences (PNAS), и они оказались не такими однозначными, как можно было ожидать.

Главный вывод звучит почти как предупреждение для тех, кто любит простые ответы: переменчивая среда не гарантирует ни ускорения прогресса, ни деградации. В одних сценариях смена условий действительно помогала популяциям находить более высокие «пики приспособленности», то есть становиться лучше адаптированными. В других сценариях те же самые колебания мешали, вынуждая организмов снова и снова «переучиваться» и так и не выходить на уровень, которого они могли бы достичь в стабильной обстановке.

Почему так происходит, исследователи объясняют на простом примере. Температурные колебания по сезонам могут подталкивать популяцию к компромиссным решениям, полезным и зимой, и летом. А вот повторяющийся цикл «дожди, затем засуха» способен сработать иначе: после долгого влажного периода популяция может терять наработанную устойчивость к засухе и фактически начинать адаптацию заново, в итоге получая более слабые «засушливые» признаки, чем те, кто жил в условиях постоянной нехватки воды.

Особенно важным оказалось то, что авторы называют «точкой старта». По словам старшего автора работы, профессора биологии Мелиссы Песпени, в их моделях история популяции заметно влияла на то, насколько высоко она в принципе может подняться и насколько трудным будет путь. Иными словами, наблюдать одну-единственную популяцию и делать выводы о виде в целом рискованно: разные группы одного и того же вида могут реагировать на похожие изменения среды по-разному.

Авторы считают, что это имеет прямое отношение к практическим проблемам. Нам важно понимать, успеют ли виды адаптироваться к темпам изменения климата. Точно так же полезно лучше разбираться, почему бактерии раз за разом находят новые способы сопротивляться антибиотикам. Компьютерные модели, подобные этой, не заменяют исследования в природе, но помогают формулировать более точные гипотезы и проверять их в экспериментах уже на реальных организмах.

Интересный «побочный эффект» у работы оказался и в сторону искусственного интеллекта. Соавтор исследования, специалист по компьютерным наукам Ник Чейни, проводит параллель с тем, как современные ИИ-системы часто учатся новым задачам, забывая старые. В машинном обучении для этого даже есть отдельное направление, online continual learning, где пытаются добиться непрерывного обучения без катастрофического забывания. А Лапо Фрати связывает результаты еще и с метаобучением, идеей «учиться учиться»: как и в эволюции, способность системы справляться с переменами невозможно честно оценить, если смотреть на нее только в одном типе условий.

В итоге работа напоминает о неприятной для прогнозов вещи: в эволюции решают детали. Не только то, что среда меняется, но и как именно она меняется, с какой частотой, в какой последовательности и с какой «историей» к этим изменениям подходит конкретная популяция. И это как раз тот случай, когда разнообразие сценариев оказалось важнее, чем очередная попытка найти универсальный ответ для всех.