Information och funktion

av Lars Johan Erkell

Kan helt nya funktioner eller strukturer evolveras fram? Många evolutionskritiker accepterar att evolutionära processer kan modifiera funktioner eller strukturer som redan finns på plats, men hävdar bestämt att någonting som inte redan finns aldrig kan evolveras fram. Den här diskussionen hänger samman med den debatt kring ”biologisk information” som vi behandlade i förra inlägget. Man kopplar ihop information med funktion, och menar att funktion förutsätter information. Eftersom ny information inte kan uppstå av sig själv, menar man, kan inte heller nya funktioner göra det.

Som vi såg i förra inlägget är dock det informationsbegrepp evolutionskritiker använder sig av så suddigt att det inte är användbart. Och kanske inte nödvändigt i det här sammanhanget. Därför tänkte jag fokusera på att diskutera funktioner i det här inlägget, och fråga om det är möjligt att nya funktioner kan uppstå genom en evolutionär process.

Det här är en sak som inte är så lätt att studera i levande organismer. Funktioner kan förändras; organ och molekyler kan dessutom ha flera funktioner. Nya funktioner kan alltså uppstå ur strukturer som redan har andra funktioner. Är detta då något ”nytt”? Det är inte självklart. Dessutom tar evolutionära processer tid, och vi kan inte vänta oss att få se helt nya, komplicerade biologiska funktioner utvecklas inför våra ögon.

Men det går ändå att testa själva principen experimentellt. Man kan arbeta med digitala organismer i form av små självreplikerande datorprogram, och låta dem utvecklas genom en evolutionsprocess baserad på upprepade cykler av reproduktion, slumpartad mutation och selektion. Kända system av det här slaget är Tierra och Avida. Arbete med Avida har bland annat demonstrerat att komplexa funktioner kan uppkomma spontant i en sådan evolutionär process.

***

Det mest åskådliga systemet av det här slaget jag sett är de evolverande robotar som utvecklats av Dario Floreano och Laurent Keller vid universitet i Lausanne (figur 1) [1]. Robotarna kan simuleras i en dator, men har också byggts i fysisk form. De styrs av ett artificiellt neuralt nätverk (ANN), som kan liknas vid en extremt enkel hjärna. Robotarna kan orientera sig med hjälp av avståndssensorer och ljussensorer, men de har inget bildseende. Nätverkets funktion bestäms av en lista av parametrar (ett ”genom”) som specificerar hur de olika noderna i nätverket (”nervcellerna”) är kopplade till varandra.



Figur 1: Sensorer och kontrollsystem i de robotar som deltar i samarbetsexperimentet som diskuteras nedan. (A) Robotarnas sensorer och deras detektionsområden. (B) Det ANN som behandlar indata och styr drivmotorerna. Det har totalt tolv ”nervceller”.


Experimentet börjar med att robotarna tilldelas individuella, slumpartade parametrar som styr deras nätverk (figur 2). De rör sig då helt slumpartat – snurrar runt, kör in i en vägg eller kanske bara står stilla. De robotar som efter något kriterium gör något som går i rätt riktning väljs ut. Deras ”genom” varieras genom mutation och/eller rekombination (kombination av delar av ”genomet” från två robotar), och får sedan styra nästa generation av robotar. Så testas de igen, och de som fungerar bäst selekteras och varieras o.s.v.



Figur 2: Robotarna rör sig på en yta där de får fitnesspoäng om de lyckas knuffa ett av de runda föremålen till den streckade zonen framför den belysta sidan. För att kunna flytta ett stort föremål måste de samarbeta.


I ett experiment studerade man om samarbete kunde utvecklas. Man selekterade för robotar som knuffar föremål (det finns stora och små föremål) mot den belysta sidan av den inhägnad de befinner sig i. En robot som flyttat ett litet föremål till den belysta sidan belönades med en fitnesspoäng. En ensam robot klarade däremot inte av att själv flytta de stora föremålen; då krävs samarbete mellan minst två robotar. Om detta emellertid lyckades, belönades alla de tio robotarna i gruppen med vardera en fitnesspoäng. Det är alltså lättare för en robot att samla poäng genom att välja de mindre föremålen, men det gynnar inte de andra robotarna. Figur 3 visar hur robotarna samlar in föremålen. (Detaljer om experimenten finns här.)



Figur 3: Floreano och Kellers evolverande robotar.


Det är slående att robotarna, som började med helt slumpartade rörelser, lärde sig utföra effektiva, målinriktade rörelser efter selektion under bara något hundratal generationer. Och inte bara det, de utvecklade också spontant samarbete under den korta träningsperioden. Intressant är också under vilka villkor detta skedde. Om robotarna selekterades individuellt samarbetade de inte, utan flyttade då bara på de små föremålen. Om de däremot selekterades i grupp, som kloner med samma genom (eller som cellerna i en kropp), samarbetade de för att flytta de stora. Det här är precis vad man skulle vänta sig enligt de teorier om samarbete och altruism man har i dag, men det är ändå roligt att se att experimentet bekräftar teorin – igen.

Detta är för övrigt inte det enda experiment som visar på spontan evolution av samarbete; ett annat exempel är robotfotboll (figur 4).



Figur 4: Robotfotboll.


***

Robotarna utgör ett mycket enkelt modellsystem, men de demonstrerar ändå tydligt att funktionella beteenden kan utvecklas i en process som i mycket liknar biologisk evolution: reproduktion, slumpartad variation och selektion. Robotarna ”visste” från början inte alls vad de skulle göra, men olika slumpartade beteenden hade olika stort selektionsvärde. Med tiden selekterades allt mer funktionella beteenden fram. Det finns alltså ingen designer som programmerat in i robotarna vad de ska göra; i stället ”lär” de av erfarenheten. I generation efter generation formas deras beteenden av växelverkan med omgivningen.

Om man vill använda begreppet ”information” i det här fallet, kunde man säga att en evolutionär process medför att information från individernas interaktion med omgivningen flyter in i ”genomet”. Enligt Motoo Kimura ökar naturlig selektion den genetiska informationen genom att den reducerar utrymmet för icke fungerande genvarianter [2]. Intressant nog skriver Stephen Meyer, en ivrig förespråkare för intelligent design, på s. 283 i sin bok Signature in the Cell (2009) följande på tal om evolutionära datorsimuleringar:

”If computer simulations demonstrate anything, they subtly demonstrate the need for an intelligent agent to select some options and exclude others – that is, to create information.”

Även Meyer menar alltså att information skapas då man väljer ut vissa möjligheter och utesluter andra. Men som vi sett med robotarna kan detta ske genom mekanisk selektion efter vissa regler. Det behövs ingen intelligent agent; naturliga processer kan ”skapa information”.

Vi behöver inte förutsätta medveten design för att förklara funktionaliteten hos evolverade system. Evolutionskritikernas tal om att funktion och ”information” inte skulle kunna skapas av naturliga processer är bara ett försök att smuggla in en designer i vetenskapen.

Noter

[1] Floreano, D., Keller, L. (2010): Evolution of Adaptive Behaviour in Robots by Means of Darwinian Selection. PLoS Biol 8(1): e1000292. doi:10.1371/journal.pbio.1000292

[2] Kimura, M. (1961): Natural Selection as the Process of Accumulation of Genetic Information in Adaptive Evolution. Genet. Res. 2(1):127–140.

[Ursprungligen publicerad på http://biologg.wordpress.com.]