La Gaceta de la RSME, Vol. 12 (2009), Nm. 4, Pgs.

667686 667
Las matemticas de la evolucin

por
Jos A. Cuesta
Un matemtico es un ciego en una habitacin oscura buscando un gato
negro que no est all.
Charles Darwin
Seguramente resulta chocante encontrar un artculo sobre Darwin y la evolu-
cin en una revista de matemticas. Tanto uno como la otra se asocian siempre,
lgicamente, a la Biologa. Sin embargo la teora de la evolucin, como toda teora
cientca que merezca ese nombre, admite formulaciones cuantitativas en un buen
nmero de aspectos. El propio Darwin, no muy ducho en matemticas pero hombre
culto como era, conocedor seguramente de la mecnica newtoniana, admita que la
nica forma de llegar a comprender los descubrimientos cientcos era a travs de
su formulacin matemtica. Darwin consideraba a los matemticos personas con un
sexto sentido que les permite ver en lugares del pensamiento donde el resto del
mundo es ciego. De ah la cita que encabeza este artculo y que, pese a lo que
pueda parecer, expresa la admiracin que Darwin senta hacia los matemticos.
La teora de la evolucin por seleccin natural [3],
la gran obra de Darwin, recibi una aportacin fun-
damental a comienzos de siglo cuando se le agreg el
conocimiento de las leyes de la herencia que descubri
Gregor Mendel en 1865 [14], tras su redescubrimien-
to por de Vries, Correns y von Tschermak en 1900. A
partir de ese momento, y en una forma en que poste-
riormente se ha dado en denominar gentica de po-
blaciones, un puado de matemticos, entre los que
destacan Fisher, Haldane, Wright y ms tarde Kimu-
ra, sentaron las bases de la teora matemtica de la
evolucin. Hoy da esta teora ha adquirido un esta-
tus propio dentro de la Matemtica Aplicada, y se ha
desarrollado y diversicado permitindonos compren-
der los mecanismos tan sutiles con que la evolucin
opera, no solamente en la Biologa, sino en muchas
otras disciplinas que comparten principios semejan-
tes, como pueden ser la Lingstica, la Economa, la Sociologa o la Informtica.
Este ao, cuando se cumple el segundo centenario del nacimiento de Darwin,
ciento cincuenta aos despus de la publicacin de El Origen de las Especies, parece

Con este artculo el autor desea contribuir a la celebracin durante 2009 del Ao Darwin.
668 Las matemticas de la evolucin
un momento adecuado para hacer una revisin de la teora de la evolucin desde un
punto de vista matemtico. se es el motivo de este artculo, y me apresuro a aclarar
que las aportaciones de la Matemtica a esta teora son tantas y tan variadas que
slo puedo aspirar a mencionar una pequea parte de ellas. El tono divulgativo del
artculo tampoco permite profundizar en exceso en ellas, de manera que remito al
lector interesado a investigar las referencias de las que me he ayudado para escribir
este artculo [5, 7, 15]. Y antes de entrar en materia quisiera hacer una aclaracin.
Existen dos tipos de reproduccin en los organismos vivos: la asexual, en la que un
solo organismo genera copias de s mismo, y la sexual, en la que se requiere la inter-
vencin de ms de un organismo (casi siempre dos) en la reproduccin. La primera
es propia (aunque no exclusiva) de organismos simples, como los virus, y por ello
es el objeto de anlisis de la mayora de los modelos. La segunda implica combina-
cin de material gentico procedente de al menos dos progenitores, y ello da lugar a
complicaciones especcas que tambin son objeto de modelos ms sosticados. Este
artculo se centrar casi exclusivamente en la primera (ya de por s complicada de
entender), aunque aludir a la segunda en determinadas ocasiones.
1. Mecanismos fundamentales de la evolucin
Cuando uno reexiona acerca de qu es necesario, a un nivel abstracto, para que
exista un proceso evolutivo, no importa el contexto de que se trate, se da cuenta de
que son tres los mecanismos fundamentales que tienen que concurrir: un mecanismo
de replicacin que permita a las entidades en juego crear copias de s mismas; un
mecanismo de mutacin que d lugar a la aparicin de ligeras variantes en esas copias,
y un mecanismo de seleccin que haga que algunas de esas copias, las mejores en
un cierto sentido, desplacen a las dems generacin tras generacin. Vamos a analizar
por separado estos tres mecanismos.
1.1. Replicacin
Una bacteria tpica se divide cada 20 minutos dando lugar a dos copias de s
misma; 20 minutos ms tarde tendremos cuatro; al cabo de una hora sern ocho. . . La
poblacin de bacterias en una generacin, n
t
, est relacionada con la de la generacin
anterior por la sencilla ecuacin n
t
= 2n
t1
, cuya solucin, tomando n
0
= 1, es
n
t
= 2
t
. Un proceso replicativo como el que acabamos de describir conduce a un
crecimiento exponencial. Fue Malthus quien primero propuso esta ley de crecimiento
en su Ensayo sobre el principio de la poblacin. De acuerdo con ella, y en una
situacin en la que las generaciones se entremezclan, si una poblacin n(t) crece
con una tasa de replicacin por individuo constante r, esto es, n = rn, entonces
n(t) = n(0)e
rt
. ste es el modelo malthusiano de crecimiento de la poblacin humana
y la versin continua de la ley de reproduccin bacteriana que hemos obtenido.
Malthus supuso una de las grandes inuencias en el pensamiento de Darwin
debido a lo que se vino a denominar catstrofe malthusiana, que se ilustra muy
bien con el ejemplo de las bacterias. De acuerdo a la ley que hemos deducido, al
cabo de tan solo dos das (144 divisiones) tendremos 2
144
2 10
43
bacterias. Para
La Gaceta Artculos 669
hacernos una idea: si el dimetro de una bacteria es 1 m y su densidad es la del
agua (1 g cm
3
), entonces 2 10
43
bacterias tienen una masa de aproximadamente
2 10
28
kg, o sea, unas 3000 veces la masa de la tierra. En tan solo dos das! Es
evidente que un crecimiento as no es sostenible y que debe llevar a la muerte a la
inmensa mayora de los individuos. De hecho, la escasez de recursos se puede incluir
como una modicacin de la ley de Malthus haciendo que la tasa de replicacin
por individuo sea una funcin decreciente de la poblacin, anulndose estrictamente
cuando la poblacin alcanza el nivel mximo sostenible. En la forma ms sencilla
esto da lugar a la ley logstica
n = r
_
1
n
K
_
n, (1)
cuya solucin,
n(t) =
Kn
0
e
rt
K +n
0
(e
rt
1)
, lm
t
n(t) = K, (2)
es una curva montona creciente en el tiempo (cuando n
0
< K) que satura al valor
mximo K, conocido como capacidad de carga del entorno. Podemos considerar,
por tanto, que las poblaciones con un crecimiento de este tipo se encuentran en un
equilibrio con su entorno que mantiene la poblacin constante.
1
En la prctica la
poblacin uctuar en torno a ese valor debido a efectos estocsticos que las leyes
que estamos considerando no contemplan.
1.2. Seleccin
En una situacin de escasez de recursos como la que acabamos de describir existe
una lucha a muerte entre los individuos por conseguirlos. La lucha con los semejantes
da lugar a la saturacin de poblacin que predice la ley logstica, pero cuando hay
individuos de distinto tipo (distintas especies), las diferencias desempean un papel
clave en decidir quin sobrevive y quin muere. El parmetro evolutivo clave en
este aspecto es el grado de adaptacin (en ingls tness), que se dene como el
nmero medio de individuos en edad reproductiva que cada individuo aporta a la
siguiente generacin. En el caso de que la poblacin siga la ley de Malthus, el grado
de adaptacin se mide mediante el parmetro r. Si sigue la ley logstica el grado
de adaptacin, f = r(1 n/K), depender de la poblacin. En general, f ser una
funcin de la poblacin.
Supongamos que hay n especies distintas en la poblacin con grados de adapta-
cin f
i
, i = 1, . . . , n. Por denicin, la ley de crecimiento de sus respectivas pobla-
ciones ser n
i
= f
i
n
i
. La poblacin total, N =

n
i=1
n
i
, crecer entonces de acuerdo
a la ecuacin

N =
n

i=1
n
i
=
n

i=1
f
i
n
i
= N, =
n

i=1
f
i
x
i
, (3)
1
El ser humano an no ha alcanzado ese equilibrio con su entorno, dado que su entorno es todo el
planeta, si bien esta ley se cumple en poblaciones aisladas en entornos muy escasos de recursos. La
situacin de hambruna que viven muchos pases africanos nos muestra cmo ser nuestra situacin
cuando alcancemos ese estado de equilibrio con los recursos del planeta.
670 Las matemticas de la evolucin
siendo x
i
= n
i
/N la fraccin de poblacin de la especie i, y el grado de adaptacin
medio de la poblacin. La poblacin total sigue, pues, una ley de Malthus con tasa
de replicacin (recurdese que las f
i
pueden ser funciones de N). Ahora podemos
obtener una ley de crecimiento para x
i
,
x
i
=
n
i
N
x
i

N
N
= x
i
(f
i
). (4)
Esta ley de evolucin recibe el nombre de ecuacin del replicador [15], y se aplica no
slo a la evolucin de sistemas biolgicos, sino que tambin tiene un papel destacado
en Teora de Juegos [8]. La ley que siguen las fracciones de poblacin recuerda mucho
la ley de Malthus, solo que ahora la tasa de replicacin est referida a la media de
la poblacin. Eso signica que la fraccin de poblacin de una especie crecer si
est por encima de esa media, pero decrecer si est por debajo. Ya se vislumbra el
principio de la supervivencia del ms apto. De hecho es fcil deducir este principio
de las ecuaciones (3). Supongamos que la especie k es ms apta que las dems, esto
es, f
k
> f
i
i ,= k; la ley para x
k
se puede reescribir como
x
k
= x
k
_
f
k

n

i=1
f
i
x
i
_
= x
k
n

i=1
(f
k
f
i
)x
i
= x
k
n

i=k, i=1
(f
k
f
i
)x
i
, (5)
donde hemos usado que

n
i=1
x
i
= 1. Es evidente de (5) que el sumatorio de la
derecha ser positivo en tanto que al menos una de las especies i ,= k mantenga
x
i
> 0, y mientras eso ocurra x
k
crecer en el tiempo a costa de las poblaciones de
las restantes especies. En denitiva,
lm
t
x
k
(t) = 1, lm
t
x
i
(t) = 0, i ,= k, (6)
que expresa, de una forma matemtica, el principio de supervivencia del ms apto.
En el caso en que los grados de adaptacin sean constantes tenemos un resultado,
debido a Fisher, denominado teorema fundamental de la seleccin natural [5]. Su
derivacin pasa por calcular

=
n

i=1
f
i
x
i
=
n

i=1
f
i
x
i
(f
i
) =
n

i=1
x
i
(f
i
)
2
=
2
f
0. (7)
En otras palabras: el grado de adaptacin medio nunca decrece en el tiempo, y su
tasa de crecimiento es la varianza del grado de adaptacin. As que crecer siempre
que haya variabilidad en la poblacin, y lo har a costa de aumentar la poblacin
de los ms aptos.
1.3. Mutacin
El proceso de replicacin puede tener errores. En general, estos errores hacen que
el nuevo individuo no sea viable y perezca, con lo que se puede dar cuenta de ellos
ajustando la tasa de replicacin. Sin embargo, ocasionalmente una mutacin puede
La Gaceta Artculos 671
dar lugar a un descendiente de un tipo distinto pero viable. As que podemos ver la
mutacin como un proceso estocstico por el cual individuos de la especie i pueden
engendrar individuos de la especie j con una probabilidad q
ij
( 1). Este mecanis-
mo permite que aparezca variabilidad en poblaciones inicialmente homogneas. La
ecuacin del replicador (3) debe ser modicada para incluir este nuevo proceso:
x
i
= x
i
_
f
i
f
i

j=i
q
ij
+

j=i
f
j
q
ji

_
, (8)
donde el primer trmino nuevo da cuenta de las mutaciones que convierten un in-
dividuo de tipo i en otro de un tipo distinto, y el segundo trmino da cuenta de
las mutaciones que convierten individuos de otro tipo en individuos de tipo i. De-
niendo q
ii
= 1

j=i
q
ij
( 0) e introduciendo la matriz estocstica Q = (q
ij
)
(que denominaremos matriz de mutaciones), la ecuacin anterior se puede escribir
en forma vectorial
x = xFQx, (9)
siendo x = (x
1
, . . . , x
n
) y F = diag(f
1
, . . . , f
n
). Esta ecuacin recibe el nombre de
ecuacin del replicador-mutador [15]. El carcter estocstico de Q se puede expresar
en forma matricial como Q1
T
= 1
T
, siendo 1 = (1, . . . , 1). Gracias a ello, como
= xF1
T
= xFQ1
T
, es inmediato ver que x1
T
= 1 es una ligadura que (9)
preserva.
Como FQ es una matriz no negativa, la teora de Perron-Frobenius [17] nos dice
que los equilibrios del sistema dinmico (9) estn dados por los autovectores por la
izquierda de la matriz FQ correspondientes al mayor autovalor (de componentes no
negativas). Si la matriz Q es, adems, irreducible, entonces slo hay un autovector
de ese tipo. Toda matriz irreducible tiene en cada la al menos un elemento no
diagonal, lo que hace que el vector de equilibrio tenga necesariamente ms de una
componente no nula. As pues, cuando todas las especies pueden mutar no es posible
tener una poblacin homognea en el equilibrio. sta es una observacin interesante
porque implica que no se maximiza en el equilibrio, como ocurra en ausencia de
mutacin: hay una competicin entre la seleccin, que empuja hacia su mximo, y
la mutacin, que la hace disminuir. Podemos investigar qu le ha pasado al teorema
fundamental en este caso. Un razonamiento similar al que usamos en (7) nos lleva a
que

= x(FQI)
2
1
T
, (10)
que se parece mucho a la expresin de
2
f
, salvo por el hecho de que ya no hay
garantas de que ese trmino no sea negativo.
2. El problema de la reversin
Pese a que Mendel public su trabajo casi al mismo tiempo que Darwin, parece
que ste nunca fue consciente de su existencia. Esto le caus a Darwin un serio pro-
blema, y basta leer El Origen de las Especies para ver cmo vuelve a l una y otra
vez: la teora de la herencia en poblaciones con reproduccin sexual que se tena por
672 Las matemticas de la evolucin
vlida en la poca de Darwin (que Galton formul en 1875 [2]) conduca al fenmeno
de la reversin. De acuerdo a esta teora, la contribucin de cada progenitor a un
determinado carcter, por ejemplo la altura, es al 50 %. Eso nos permite formular
una sencilla ley estocstica para la altura de un descendiente en funcin de la de los
padres: X
n+1
=
1
2
(X
(1)
n
+X
(2)
n
) +Z
n
, donde X
(1)
n
y X
(2)
n
son dos variables estocs-
ticas con la misma distribucin, P
n
(x) = Pr(X
n
x), de alturas de la poblacin
en la generacin n, y donde Z
n
es un ruido, que podemos suponer, para todo n,
normal, de media 0 y desviacin estndar . Si F
n
(q) =
_

e
iqx
dP
n
(x) denota la
funcin caractersitica de la distribucin P
n
, entonces F
n+1
(q) = F
n
(q/2)
2
e

2
q
2
/2
.
La solucin de esta ecuacin es
log F
n
(q) = 2
n
log F
0
(2
n
q)

2
2
q
2
n1

k=0
2
k
, (11)
y por lo tanto,
lm
n
F
n
(q) = e
qF

0
(0)
2
q
2
. (12)
Como F

0
(0) = i, siendo el valor medio de la distribucin inicial P
0
(x), de aqu
se sigue que P
n
(x) tiende a una normal N(,

2) cuando n . Por lo tanto,

independientemente de la distribucin inicial (siempre que tenga media nita), la
distribucin de alturas tiende a estabilizarse en una distribucin normal con el mismo
valor medio que tena la distribucin inicial. Eso quiere decir que, incluso si sta es
bimodal, al nal toda la poblacin acaba siendo de un mismo tipo homogneo. La
dicultad que esto pone a la teora de Darwin es la de suprimir la variabilidad que
introducen las mutaciones. Por ello Darwin recurre frecuentemente al argumento de
que las poblaciones mutantes deben permanecer aisladas mucho tiempo para que
aparezca una nueva especie.
3. Mendel o la teora cuntica de la herencia
La aportacin crucial de Mendel consisti en descubrir que los caracteres se
transmiten en cuantos de herencia (lo que hoy denominamos genes) y no admiten
gradaciones.
2
Caracteres como la altura, que parecen violar este principio, no son
sino caracteres complejos resultantes del efecto integrado de muchos caracteres sim-
ples, todos los cuales son cunticos (estn presentes o ausentes). Cada individuo
sexuado posee dos de tales cuantos por cada carcter, uno procedente del padre y
otro de la madre, y a su vez transmite uno de los dos (al azar) a cada descendiente.
Imaginemos un carcter (p. ejp., el color rojo de una rosa) determinado por una
variante A del correspondiente gen (lo que en Gentica se denomina un alelo). Ima-
ginemos que este alelo tiene una variedad mutada, a, que no produce el color. De
acuerdo al modelo hereditario de Galton, los descendientes hbridos deberan ir mos-
trando variedades tonales del rosa hasta que, transcurridas sucientes generaciones,
2
No deja de ser una notable coincidencia que de Vries redescubriera para el mundo cientco la
gentica mendeliana en 1900, el mismo ao en que Planck propone por primera vez la hiptesis
cuntica.
La Gaceta Artculos 673
la especie revertiera al tipo rojo original. De acuerdo con las leyes descubiertas por
Mendel, si en la poblacin inicial de padres hay p alelos de tipo A y q de tipo a; si
los individuos se emparejan totalmente al azar, y si el tamao de la poblacin es su-
cientemente grande, entonces en la segunda generacin habr p
2
individuos de tipo
AA, 2pq individuos de tipo Aa y q
2
individuos de tipo aa, y a partir de ese momento
sa es la distribucin estable de tipos en la poblacin. Este resultado es conocido en
Gentica como la ley de Hardy-Weinberg [5]. Esta ley implica que no hay reversin:
los tipos mutantes puros aa permanecen, generacin tras generacin, en la poblacin
en una proporcin que depende de cuntos mutantes hay inicialmente. La gentica
mendeliana es, pues, la responsable de que la mutacin pueda introducir y mantener
variabilidad en las poblaciones.
4. El cuarto elemento: la deriva gentica
Hemos comentado al principio de la seccin 1 que replicacin, seleccin y muta-
cin forman la terna bsica de una dinmica evolutiva. Aunque estrictamente esto es
as, hay un cuarto ingrediente que, aunque innecesario en principio, es sin embargo
crucial para entender los mecanismos de adaptacin y especiacin de las entidades so-
metidas a un proceso evolutivo: la deriva gentica. Todo el anlisis que hemos hecho
hasta ahora presupone que las poblaciones sometidas a evolucin son innitamente
grandes; por eso las dinmicas que hemos estado discutiendo son deterministas, y
son vlidas leyes como la de Hardy-Weinberg, por ejemplo. Cuando hablamos de
poblaciones nitas aparece un ruido debido al simple muestreo estadstico que hay
implcito en los procesos de replicacin. Ese ruido es lo que se conoce como deriva
gentica, y sus efectos pueden llegar a ser dramticos en poblaciones pequeas. Por
eso resulta un mecanismo fundamental cuando las poblaciones pasan por un cuello
de botella evolutivo, esto es, una situacin en la que la poblacin se queda muy
reducida (por efecto de epidemias, cambios climticos, aislamiento de poblaciones,
etc.).
Hay dos modelos matemticos bsicos de la deriva gentica: el de Fisher-Wright
y el de Moran [5]. Ambos presuponen que el tamao de la poblacin permanece
constante, limitado por el entorno. El primero es adecuado en situaciones en que
cada generacin reemplaza a la anterior (como es el caso de las plantas estacionales);
el segundo describe mejor una situacin en la que las generaciones se solapan.
4.1. Modelo de Fisher-Wright
Imaginemos una poblacin de N individuos y jmonos en un determinado ca-
rcter (el color rojo de una rosa, de nuevo). Supongamos que ese carcter viene
determinado por un alelo A y que hay un mutante a que muestra otra variante del
carcter (color blanco, p. ejp.). Imaginemos que la poblacin se reproduce de forma
asexuada (es decir, A engendra A y a engendra a) y que hay una probabilidad
de que ocurra la mutacin A a y una probabilidad de que ocurra la mutacin
contraria a A. Si inicialmente hay k individuos con el alelo A y no hay diferencias
674 Las matemticas de la evolucin
selectivas entre los dos alelos (ambos se reproducen con la misma tasa de replica-
cin), entonces la probabilidad de que un individuo de la generacin siguiente sea de
tipo A ser
k
= (k/N)(1) +(1k/N). Imaginemos que cada individuo engen-
dra un gran nmero de descendientes y que de ellos se extraen, de forma aleatoria,
los N individuos de la siguiente generacin. Si X
t
0, 1, . . . , N es una variable
aleatoria que denota el nmero de alelos A de la generacin t, entonces el modelo de
Fisher-Wright est denido como una cadena de Markov en la que
P
kj
= Pr(X
t+1
= j [ X
t
= k) =
_
N
j
_

j
k
(1
k
)
Nj
. (13)
La cadena es ergdica para todo 0 < , < 1 ya que P
kj
> 0 k, j 0, 1, . . . , N,
por tanto tiene una distribucin de probabilidad estacionaria, w = (w
0
, w
1
, . . . , w
N
),
que se obtiene mediante la ecuacin w = wP [10, 17]. No se conoce una expresin
exacta para w excepto para un caso particular: + = 1 (sin inters biolgico, ya
que supone unas tasas de mutacin enormes), porque entonces
k
= = 1 y
(wP)
j
=
_
N
j
_

j
(1 )
Nj
(14)
para cualquier w, con lo que el lado derecho de la ecuacin anterior determina la
distribucin estacionaria.
Lo que s se puede calcular de manera general es el valor medio de w. Para ello
denotamos X

= lm
t
X
t
y denimos el vector = (0, 1, . . . , N), con el cual
podemos escribir E(X

) = w
T
= wP
T
. Ahora bien,
(P
T
)
k
=
N

j=0
j
_
N
j
_

j
k
(1
k
)
Nj
= N
k
= k(1 ) + (N k), (15)
por lo que E(X

) = (1)E(X

) +[NE(X

)] y de ah E(X

) = N/(+).
Por un procedimiento anlogo (aunque ms tedioso) se puede obtener la varianza

2
= N
2
/[( + )
2
(1 + 2N + 2N)] + , donde contiene trminos de menor
orden (suponiendo, p. ejp., que , = O(N
1
), entonces = O(N)).
El caso ms interesante a analizar se da cuando slo hay deriva gentica ( = =
0, con lo que
k
= k/N). La cadena de Markov deja entonces de ser ergdica y pasa a
tener dos estados absorbentes: k = N (todos los individuos de tipo A) y k = 0 (todos
los individuos de tipo a). Eso signica que, independientemente del estado inicial de
la poblacin y pese a no haber factores selectivos que favorezcan uno u otro tipo,
con el transcurrir del tiempo la poblacin termina siendo de un tipo homogneo. La
magnitud de inters entonces es la probabilidad
j
= Pr(X

= N [ X
0
= j) de que
la poblacin acabe siendo de tipo A si inicialmente hay j individuos de ese tipo. Es
evidente que
T
= P
T
, denotando = (
0
,
1
, . . . ,
N
), y que
0
= 0 y
N
= 1;
sin embargo, la forma ms directa de hallar es probando que la cadena de Markov
es una martingala, esto es, E(X
t
[ X
t1
) = X
t1
(la prueba es inmediata: se trata
del valor medio de la distribucin binomial). Eso signica que E(X

) = j. Pero este
valor medio se puede obtener tambin como E(X

) = N
j
+ 0(1
j
), de donde
La Gaceta Artculos 675

j
= j/N. Una interesante consecuencia de este resultado es la probabilidad de que
un mutante acabe invadiendo la poblacin:
1
= 1/N. Esta probabilidad es pequea
en poblaciones grandes, pero no es despreciable en los cuellos de botella evolutivos,
as que la jacin de un nuevo alelo es algo que seguramente ha ocurrido ms de una
vez en el pasado.
4.2. Modelo de Moran
El modelo de Moran es ms interesante desde un punto de vista terico porque
permite hacer clculos analticos con ms facilidad que el de Fisher-Wright. La situa-
cin de partida es la misma: k alelos de tipo A y Nk de tipo a en una poblacin de
N individuos. La diferencia es que ahora los individuos se reproducen en el tiempo
a una tasa constante . El vstago ser un mutante con las mismas probabilida-
des y que hemos considerado en el proceso de Fisher-Wright. Tras el evento de
reproduccin el nuevo individuo reemplazar a cualquier individuo de la poblacin
(incluso a su progenitor!) con la misma probabilidad. El proceso de Markov queda
especicado dando las probabilidades condicionadas
Pr(X(t +dt) = j [ X(t) = k) = T
kj
dt, j ,= k, (16)
donde X(t) representa la poblacin de tipo A en el instante t. La magnitud de inters
en este proceso estacionario es P
ij
(t) = Pr(X(t + s) = j [ X(s) = i), la solucin de
la ecuacin que se obtiene multiplicando (16) por P
ik
(t) y sumando en 0 k N,

P
ij
(t) =
N

k=0
[P
ik
(t)T
kj
P
ij
(t)T
jk
], (17)
o bien multiplicando (16) por P
jl
(t) y sumando en 0 j N (con el adecuado
cambio de ndices),

P
ij
(t) =
N

k=0
[T
ik
P
kj
(t) T
ik
P
ij
(t)]. (18)
La condicin inicial en ambos casos es, por supuesto, P
ij
(0) =
ij
. Las ecuaciones
(17) y (18) son, respectivamente, las formas avanzada y retardada de la ecuacin
maestra del proceso.
En el proceso de Moran, en un intervalo dado (t, t + dt) slo puede haber un
cambio desde el estado k a los estados k, k+1 k1, dado que a lo sumo puede tener
lugar un nico proceso de reproduccin. Denotando T
k k+1
=
k
y T
k k1
=
k
,
la ecuacin (17) se convierte en la ecuacin de Kolmogorov prospectiva

P
ij
(t) =
j+1
P
i j+1
(t) (
j
+
j
)P
ij
(t) +
j1
P
i j1
(t), 0 j N, (19)
y la ecuacin (18) en la ecuacin de Kolmogorov retrospectiva

P
ij
(t) =
i
P
i+1 j
(t) (
i
+
i
)P
ij
(t) +
i
P
i1 j
(t), 0 j N, (20)
676 Las matemticas de la evolucin
siendo P
i 1
(t) = P
1i
(t) = P
i N+1
(t) = P
N+1 i
(t) =
0
=
N
= 0. Los procesos de
Markov de este tipo reciben el nombre de procesos de nacimiento-muerte [10]. En el
proceso de Moran
k
=
k
(1 k/N) (la probabilidad de que aparezca un alelo A y
reemplace a uno a) y
k
= (1
k
)k/N (la probabilidad de que aparezca un alelo
a y reemplace a uno A), siendo
k
como en el proceso de Fisher-Wright.
El estado estacionario w
j
= lm
t
P
ij
(t) se puede obtener anulando la derivada
en (19), lo que nos da
j+1
w
j+1

j
w
j
=
j
w
j

j1
w
j1
para todo 1 < j < N.
Para j = 0 tenemos
1
w
1

0
w
0
= 0, por lo tanto
j
w
j

j1
w
j1
= 0, una
sencilla ecuacin en diferencias cuya solucin es
w
j
= w
0

1

j1

2

j
, 0 < j N, (21)
o alternativamente
w
j
= w
N

j+1

j+2

N

j+1

N1
, 0 j < N. (22)
El valor de w
0
o el de w
N
se determinan mediante la normalizacin

N
j=0
w
j
= 1.
Para el modelo de Moran con mutaciones se puede obtener una expresin cerrada
para w en el lmite N , k con k/N = x [0, 1], N y N
[10]. Para ello escribimos
j
= A(N j)j[1 +a/j] y
j
= A(N j)j[1 +b/(N j)],
donde A = (1 )/N
2
, a = N/(1 ) y b = N/(1 ). Entonces
w
k
=
w
0
Na
k(N k)[1 +b/(N k)]
k1

j=1
1 +a/j
1 +b/(N j)
. (23)
Ahora bien, usando la serie de Taylor de log(1 +x) y que

k
j=1
j
1
log k cuando
k en tanto que

j=1
j
p
< para todo entero p > 1,
k1

j=1
log
_
1 +
a
j
_
log(k
a
) +c,
k1

j=1
log
_
1 +
b
N j
_
log
_
N
b
(N k)
b
_
+d
(24)
cuando k , para ciertas constantes c y d. En consecuencia (teniendo en cuenta
que en el lmite que estamos considerando b/(N k) 0),
w
k
Ck
1
_
1
k
N
_
1
, (25)
siendo C una constante de normalizacin. Para jarla tenemos en cuenta que
N

k=0
w
k
= CN

k=0
1
N
_
k
N
_
1
_
1
k
N
_
1
CN

_
1
0
x
1
(1 x)
1
dx, (26)
La Gaceta Artculos 677
por lo tanto, la distribucin estacionaria w
k
x
1
(1 x)
1
dx/B(, ) tiene la
forma de una distribucin beta de parmetros y .
En ausencia de mutaciones ( = = 0 y
k
= k/N),
0
=
N
= 0. Eso
hace que (21) y (22) den lugar, respectivamente, a dos vectores: w = (1, 0, . . . , 0)
y w = (0, . . . , 0, 1), que expresan el hecho de que, con probabilidad 1, el sistema
acaba absorbido en k = 0 o en k = N. La magnitud que caracteriza esta absorcin
es
k
= lm
t
P
kN
(t), es decir, la probabilidad de que empezando el proceso
con k alelos A acabe con N alelos de ese tipo. La ecuacin para la deducimos
anulando del miembro de la izquierda de (20). La ecuacin resultante se puede
escribir
k
(
k+1

k
) =
k
(
k

k1
), donde 0 < k < N. Teniendo en cuenta que

0
= 0, la ecuacin implica que
k

k1
= q
k1

1
, para 0 < k N, donde
q
0
= 1, q
k
=

1

2

k

2

k
. (27)
Entonces
k
=
1

k1
j=0
q
j
para 0 < k N, y
1
se deduce de la condicin
N
= 1.
La forma de
k
para el proceso de Moran es muy simple, ya que
j
=
j
para todo
0 j N. Entonces
k
= k/N, igual que en el proceso de Fisher-Wright.
Karlin y McGregor demostraron [9] que la solucin de (20) puede expresarse en
la forma
P
ij
(t) =
w
j
w
0
_

0
e
xt
R
i
(x)R
j
(x) d(x), (28)
donde w
j
est dado por (21); los R
j
(x) son el sistema (nito porque
N
= 0) de
polinomios denido por la recurrencia a tres trminos
xR
j
(x) =
j
R
j+1
(x) (
j
+
j
)R
j
(x) +
j
R
j1
(x), 0 j < N, (29)
con R
1
(x) = 0 y R
0
(x) = 1, y (x) es una medida nica, de masa unidad, con
incrementos en N+1 puntos, respecto a la que la familia de polinomios es ortogonal.
Una ventaja aadida del modelo de Moran es que permite incluir seleccin. Si f
A
y f
a
denotan los grados de adaptacin de cada tipo, la probabilidad de que, dado
un evento de reproduccin, se reproduzca un individuo de tipo x ser proporcional
a f
x
. Eso se traduce en una nueva expresin para
k
,

k
=
kf
A
(1 ) + (N k)f
a

kf
A
+ (N k)f
a
. (30)
Argumentos anlogos a los utilizados para hallar, en el lmite de poblaciones gran-
des y mutaciones pequeas, la distribucin estacionaria en ausencia de seleccin,
conducen ahora a w
k
(N log r
1
)
/r
x
/r1
r
Nx
dx/(/r) si r < 1, y w
k

(N log r)
r
(1 x)
r1
r
N(x1)
dx/(r) si r > 1, donde r = f
A
/f
a
es el grado de
adaptacin relativo del alelo A frente al a.
Cuando no hay mutaciones
j
/
j
= r
1
, por lo tanto
k
= (1 r
k
)/(1 r
N
).
Las probabilidades de jacin de un alelo mutante (
A
=
1

a
= 1
N1
) sern,
pues,

A
=
1 r
1
1 r
N
,
a
=
1 r
1 r
N
. (31)
Como cabe esperar, si r > 1 crece la probabilidad de jar un alelo A y decrece la de
jar un alelo a, y viceversa si r < 1.
678 Las matemticas de la evolucin
4.3. La aproximacin de difusin
En el lmite en que la poblacin N , i, j con i/N y, j/N x, si
NP
ij
(t) f(x, t [ y, 0),
j

j
m(x) y
j
+
j
s(x), entonces las ecuaciones
(19) y (20) se convierten, respectivamente, en

t
f(x, t [ y, 0) =

x
_
m(x)f(x, t [ y, 0)

+
1
2N

2
x
2
_
s(x)f(x, t [ y, 0)

, (32)

t
f(x, t [ y, 0) = m(y)

y
f(x, t [ y, 0) +
s(y)
2N

2
y
2
f(x, t [ y, 0). (33)
En ambos casos la condicin inicial es f(x, 0 [ y, 0) = (xy). Son dos ecuaciones de
difusin que describen el proceso de Moran en este rgimen especial. Es de destacar
el hecho de que el trmino de difusin es proporcional a N
1
, lo que signica que
si las poblaciones son muy grandes la aproximacin determinista es vlida. Este
trmino tambin justica la visin de que las poblaciones nitas actan como un
ruido sobre la aproximacin determinista.
La aproximacin de difusin puede realizarse tambin sobre el proceso de Fisher-
Wright; el resultado es similar, pero con una escala de tiempo N veces ms rpida
que en el proceso de Moran. Esta aproximacin permite hacer clculos que seran
inviables en la forma discreta de los procesos, y puede generalizarse con facilidad a
situaciones en que hay mltiples alelos o en las que los individuos poseen ms de un
gen. Explorar sus posibilidades nos llevara muy lejos del objetivo de este artculo,
por lo que remito al lector interesado a las referencias [1, 5, 11].
5. El papel de la deriva gentica en la evolucin
La deriva gentica aparece en los estudios iniciales de gentica de poblaciones
como un mecanismo adicional que permite dar cuenta del ruido que introducen
en la dinmica evolutiva las poblaciones pequeas, ruido que adquiere una especial
importancia en los momentos singulares en que las especies atraviesan cuellos de
botella evolutivos. Sin embargo, los avances producidos en el campo de la biologa
molecular han ido destacando cada vez ms la relevancia que tiene este mecanismo
incluso en situaciones normales, hasta el punto de que nos encontramos ante un
incipiente cambio de paradigma: la evolucin neutra, por simple deriva gentica,
parece no slo la forma ms comn de evolucin de los organismos, sino tambin el
mecanismo que permite de facto su adaptacin y especiacin. La deriva gentica es,
pues, una de las claves del origen de las especies.
Pero para poder indagar un poco en el signicado de la evolucin neutra necesi-
tamos hacer antes una pequea excursin por la Biologa.
5.1. La Biologa se construye sobre secuencias y redes
Al nivel ms fundamental, la vida est descrita por una molcula de ADN, que
consiste en una larga secuencia de cuatro tipos de bases: adenina (A), timina (T),
guanina (G) y citosina (C). Podramos decir que esa secuencia de bases es una
La Gaceta Artculos 679
codicacin de toda la informacin sobre la construccin de una clula (y en ltima
instancia de un ser vivo).
3
El ADN se divide en intrones, o partes de cdigo que no codican protenas,
y exones, los tramos codicantes. En los primeros estadios de la transcripcin, el
ADN transere su informacin a molculas de ARN (reemplazando la timina por
una nueva base, U: el uracilo), en las cuales, mediante un mecanismo denominado
splicing, se aslan los exones y se combinan para formar los genes. stos son los
que se traducen a protenas en los ribosomas celulares (una especie de mquinas
lectoras-traductoras). A este nivel podramos decir que las cadenas de ADN que
forman los cromosomas se pueden ver realmente como secuencias de genes.
El ARN se transcribe a protenas convirtiendo codones (secuencias de tres bases
consecutivas) en aminocidos. Esta traduccin es un cdigo universal
4
que se conoce
como cdigo gentico y que da lugar a nuevas secuencias (las protenas), esta vez
formadas por 20 tipos distintos de aminocidos. Como consecuencia de las interaccio-
nes entre sus aminocidos, las protenas se pliegan en estructuras tridimensionales, a
veces rgidas, a veces con partes mviles, como si de pequeas mquinas se tratara.
Esa estructura tridimensional determina su funcin, hasta el punto de que un cambio
en su conformacin puede hacer que la protena pierda o cambie la funcin biolgi-
ca que desempea. El conjunto de protenas de una clula (el proteoma) forma un
complejo entramado: las protenas interaccionan entre s y con el genoma en formas
muy distintas, activando o inhibiendo la produccin de otras protenas, catalizando
reacciones, etc. El resultado es una red metablica de interacciones, una especie de
ecosistema protenico, cuyo resultado es la propia actividad celular.
Todava se puede ascender ms en la escala y considerar los organismos plurice-
lulares como otra compleja red de distintos tipos de clulas que interaccionan entre
s, y a su vez estos organismos (animales, plantas. . . ) entrelazan su actividad vital
compitiendo por recursos, comindose unos a otros, cooperando. . . para dar lugar
al orden ms alto en la escala biolgica: los ecosistemas.
Todas estas organizaciones biolgicas, sean secuencias o redes, comparten una
propiedad: estn formadas por un conjunto denido de elementos, de tal modo que
su modicacin (por cambio, eliminacin o adicin) puede cambiar completamen-
te la estructura. Al nivel ms bsico, en las cadenas de ADN, estas modicaciones
son las denominadas mutaciones. stas pueden consistir en el cambio de unas ba-
ses por otras, en la adicin o eliminacin de una o ms bases, en la inversin de
tramos completos de la secuencia, en su duplicacin, etc. El efecto de algunas de
estas transformaciones es tan drstico que la mutacin resulta letal: el organismo
resultante deja de ser viable (por ejemplo, imagnese el efecto de eliminar una sola
3
Este dogma clsico no es, en realidad, totalmente cierto, ya que en la divisin celular cada clula
hija no slo hereda una copia literal del ADN de la clula progenitora, sino tambin el material
contenido en el citoplasma. Eso hace que las dos clulas hijas no sean exactamente iguales y que su
(si bien ligeramente) distinta composicin d lugar a distintas expresiones de los genes. ste es el
fundamento de la diferenciacin celular, y su estudio forma parte de lo que hoy da se conoce como
epigentica.
4
En 1979 se descubri que no es completamente universal: mitocondrias y algunas bacterias y
levaduras utilizan cdigos ligeramente distintos del universal.
680 Las matemticas de la evolucin
base, si tenemos en cuenta que la transcripcin a protenas se realiza leyendo se-
cuencias consecutivas de tres bases). Sin embargo otras pueden resultar inocuas (y
algunas incluso pueden dar lugar a modicaciones viables): el cdigo gentico con-
tiene 64 codones distintos que codican tan solo 20 aminocidos ms una seal de
parada; la redundancia es tal que algunos aminocidos estn codicados hasta por
6 codones distintos. Esto signica que hay muchas sustituciones de bases que no
producen absolutamente ningn cambio en la transcripcin a protenas y son, por
tanto, inocuas.
Pensemos ahora en las protenas. Ya hemos comentado que, como consecuencia
de la interaccin entre sus aminocidos, stas se pliegan formando una estructura
tridimensional (estructura terciaria) que determina su funcin. Pero resulta que en
ese plegamiento muchos aminocidos apenas inuyen, en realidad ste depende de
una fraccin de aminocidos situados en lugares estratgicos. Cambiar alguno de
estos aminocidos cambia la estructura terciaria y en consecuencia la funcin de la
protena, pero cambiar alguno de los restantes, o bien no cambia esta estructura,
o bien lo hace levemente. Eso signica que incluso mutaciones que s cambian los
aminocidos de la protena pueden no tener ningn efecto funcional apreciable, o
ste ser muy leve. As que la transcripcin a protenas aumenta (enormemente) la
redundancia que ya exista en el cdigo gentico.
En el entramado metablico que forman las protenas de una clula tambin es
frecuente que aadir o eliminar una protena, o reemplazarla por otra, altere poco
la dinmica global del sistema, as que tambin a este nivel ocurren cambios inocuos
no sujetos, por tanto, a seleccin. Y no slo a este nivel: lo mismo ocurre en el nivel
ecolgico con las especies que conforman un ecosistema. Hay, por tanto, cambios que
pueden ocurrir a todas las escalas de un sistema biolgico cuyo efecto es nulo o casi
nulo y sobre los que la seleccin, por tanto, no puede actuar. Pero, qu fraccin
representan frente a todos los cambios posibles?
5.2. La mayor parte de la evolucin es neutra
En 1968 Kimura sorprendi a la comunidad cientca con la propuesta de que
la mayor parte de las mutaciones del genoma de los mamferos son neutras [12]. Su
argumento era el siguiente: los estudios comparativos de algunas protenas dan como
resultado que en cadenas de alrededor de 100 aminocidos ocurra una sustitucin
cada 28 millones de aos; la longitud de las cadenas de ADN de una de las dos
dotaciones cromosmicas de los mamferos es de alrededor de 410
9
pares de bases;
cada 3 pares de bases codican un aminocido y, debido a la redundancia, slo el 80 %
de las sustituciones de un par de bases provocan una sustitucin de un aminocido,
de manera que hay 16 millones de sustituciones en toda la dotacin genmica cada
28 millones de aos, o lo que es lo mismo, aproximadamente una sustitucin cada 2
aos! La conclusin de Kimura es que los organismos slo pueden tolerar semejante
carga mutacional si la inmensa mayora de las mutaciones son neutras.
Estudios relativamente recientes de molculas de ARN llegan a conclusiones si-
milares [6]. Las molculas de ARN se pliegan sobre s mismas en funcin de las
secuencias de bases que las componen. Ese plegamiento constituye el fenotipo de las
La Gaceta Artculos 681
molculas y, por tanto, sobre l acta la seleccin natural. La cantidad de secuencias
distintas que se pliegan en una misma estructura es enorme, lo que implica, una
vez ms, que una inmensa cantidad de mutaciones de la molcula dejan su fenotipo
intacto escapando as de la seleccin.
La neutralidad parece ser la tnica, al menos al nivel molecular. Las consecuencias
de ello son de muy profundo calado, pero para poder hacernos una idea cabal tenemos
que introducir un concepto nuevo: los paisajes adaptativos, y recurrir otra vez a la
Matemtica.
6. Paisajes adaptativos
Quiz la contribucin ms relevante de Sewall Wright a la teora evolutiva sea
su metfora del paisaje adaptativo [7]. Desde un punto de vista formal, un paisaje
adaptativo es una aplicacin f : A R, donde A denota un cierto espacio de
conguraciones equipado con alguna nocin de adyacencia, proximidad, distancia
o accesibilidad, y donde la imagen es el grado de adaptacin que se asocia a la
conguracin concreta de A. Dicha estructura y el hecho de que el conjunto de
todos los paisajes adaptativos se pueda ver como el espacio vectorial R
|X|
, permiten
desarrollar una elaborada teora de paisajes combinatorios que abarca no slo los
paisajes adaptativos de la Biologa, sino tambin los paisajes de energa que aparecen
en la Fsica o las funciones de optimizacin combinatoria que aparecen en problemas
de computacin [16].
aBCD
ABCd
ABcD
AbCD
ABcd
AbCd
AbcD
aBCd
aBcD
abCD
abcD
Abcd
aBcd
abCd
ABCD abcd
Figura 1: Grafo para una secuencia
de longitud 4 y 2 alelos por sitio.
En el caso que nos ocupa, A est for-
mado por el conjunto de las secuencias o
redes subyacentes. Al referirnos a secuen-
cias hablaremos de forma genrica de po-
siciones para referirnos a caractersticas ge-
nticas concretas, y de alelos para referir-
nos a las variantes que pueden ocupar dichas
posiciones. En funcin del contexto, pueden
tratarse de distintas bases (ADN), amino-
cidos (protenas) o genes (cromosomas). As
pues, para una cadena de ADN de longitud L, A = A, T, C, G
L
; para una pro-
tena de la misma longitud, A = Phe, Leu, Ile,. . . , Gly
L
, y para un cromosoma
A = A
1
, . . . , A
n
a
B
1
, . . . , B
n
b
, donde las letras indican los distintos alelos
de cada posicin (locus). Sobre A se puede denir la distancia Hamming, d
H
(x, y),
como el nmero de posiciones distintas entre x, y A.
La estructura de A est determinada por las transiciones permitidas entre sus
secuencias, que denominaremos, tambin genricamente, mutaciones. Hablaremos de
mutaciones puntuales para referirnos a cambios en una nica posicin de la cadena,
esto es, sustituciones de una base en una cadena de ADN, de un aminocido en una
protena, o de una variante de un gen (un alelo propiamente dicho) en un cromosoma.
Si todas las mutaciones son puntuales podemos construir el grafo ( = A, L, donde
el conjunto de enlaces L est denido por los pares de secuencias x, y A tales que
d
H
(x, y) = 1 (la gura 1 muestra un ejemplo para L = 4 y dos alelos por posicin).
682 Las matemticas de la evolucin
Podemos tambin considerar mutaciones que supongan la eliminacin o adicin de
una posicin de la secuencia. Si A
L
denota las conguraciones para una longitud
dada L, entonces A =

L
A
L
, y el grafo incluir enlaces entre secuencias de distintas
longitudes.
La probabilidad de que ocurra una mutacin dada de entre las que denen los
enlaces de ( no tiene por qu ser uniforme. La forma genrica de describir la evolucin
de una secuencia dada es deniendo una matriz de transiciones T, cuyo elemento
T
xy
sea la probabilidad de pasar de la secuencia x A a la secuencia y A. Los
ceros de la matriz de adyacencia del grafo ( son tambin ceros de la matriz T. La
evolucin de la secuencia es, por tanto, el camino aleatorio sobre A descrito por el
proceso de Markov asociado a T.
Pero hablbamos al principio de esta seccin de metfora. Y en efecto, por en-
cima de la denicin formal y el tratamiento matemtico que podamos hacer de los
paisajes adaptativos est la imagen que stos nos proporcionan y que gua nuestras
intuiciones. De hecho, en el desarrollo de la gentica de poblaciones tres han sido
las metforas que se han empleado: el paisaje Fujiyama (Fisher), el paisaje rugoso
(Wright) y el paisaje plano (Kimura). Examinmoslos en detalle.
6.1. Paisaje Fujiyama: cuasiespecies y la catstrofe de error
Fisher conceba que las especies se encontraban en una situacin en que su adap-
tacin era ptima. Por ello imaginaba que stas se encontraban en una cima local
del paisaje adaptativo. Segn esta imagen, una secuencia tiene grado de adaptacin
mximo, y a partir de ella, segn nos alejamos en distancia Hamming, el grado de
adaptacin decrece progresivamente. Fisher no tena en mente secuencias cuando
elabor su metfora, porque la biologa molecular estaba an en una fase incipiente;
fue Eigen [4] quien con ella construy su teora de las cuasiespecies y dedujo la cats-
trofe de error. Si el proceso de Markov denido sobre el conjunto de secuencias A es
ergdico, habr una distribucin de probabilidad estacionaria. Cuando el paisaje es
tipo Fujiyama, esta distribucin estar localizada alrededor de la secuencia de grado
de adaptacin mximo o secuencia maestra. Si bien la secuencia maestra es la ms
probable, alrededor de ella (con algunas mutaciones) hay una nube de secuencias
un poco menos adaptadas que coexisten con la secuencia maestra. Cuasiespecie es
el trmino que Eigen acu para describir esta colectividad.
Para investigar el comportamiento de una cuasiespecie recurriremos a la ecuacin
(9). Por simplicidad supondremos que las secuencias son de longitud ja L 1,
que slo tienen dos alelos por posicin, que la secuencia maestra tiene una tasa de
reproduccin f
1
= f > 1 y que todas las dems tienen f
2
= = f
2
L = 1. Tambin
supondremos que la probabilidad de que ocurra una mutacin puntual es 1.
Denotaremos la fraccin de poblacin de la secuencia maestra x
1
= x y por lo tanto
x
2
+ +x
2
L = 1 x y = fx + 1 x. La ecuacin (9) se convierte entonces en
x = x
_
f(1 )
L
1 (f 1)x

+O(). (34)
Los trminos O() dan cuenta de las transiciones que desde las L secuencias vecinas
de la secuencia maestra revierten de nuevo a ella. Despreciando estos trminos y
La Gaceta Artculos 683
aproximando (1 )
L
e
L
vemos que si fe
L
> 1 entonces x tiende asintti-
camente a x

= (e
L
f 1)/(f 1), en tanto que si fe
L
< 1 el parntesis de la
ecuacin (34) es negativo y por tanto x = O(). El valor umbral
err
= log f/L de-
ne la catstrofe de error. Cuando <
err
la cuasiespecie est bien denida porque
la secuencia maestra es la ms probable, pero cuando >
err
se pierde la identidad
de la secuencia maestra entre la nube de mutantes y la cuasiespecie desaparece como
tal.
Estudios experimentales realizados en los aos 90 parecen conrmar [15] que la
longitud del genoma de diversas especies (que van desde virus al Homo sapiens) y la
tasa de mutacin por base mantienen una relacin L O(1); por ello, el incremento
de la tasa de mutacin se ha propuesto como un mecanismo para combatir las
infecciones virales. Volveremos a este punto ms adelante.
6.2. Paisaje rugoso
Si bien localmente el paisaje puede tener el aspecto del Fujiyama, la forma en
que Wright visualizaba un paisaje adaptativo es como una agreste cordillera llena
de picos elevados separados por profundos valles. La razn es que es un hecho ex-
perimental que mutaciones que alteran poco la secuencia pueden producir grandes
variaciones en la tasa de replicacin de los individuos. Adems, existe el conocido
fenmeno de la epistasis, mediante el cual algunos genes interactan constructiva o
destructivamente, potenciando este efecto de variacin grande por cambios pequeos.
De acuerdo con la metfora del paisaje rugoso, las especies evolucionan subiendo
los picos e instalndose en las cimas. Distintas cimas corresponden a distintas espe-
cies con distintos grados de adaptacin. Este esquema de cosas, que parece encajar
bien con nuestra imagen de la evolucin, tiene un serio problema cuantitativo: las
especies que ya se encuentran en una cima slo pueden mejorar pasando a otra cima
superior cercana cruzando un valle de inadaptacin. En el caso ms favorable el valle
contiene un solo estado intermedio. La frmula (31) nos dice que si la poblacin es
pequea no es imposible que un alelo con menor grado de adaptacin desplace a
otro con grado de adaptacin ms alto; sin embargo, la probabilidad con que eso
ocurre es baja, lo que implica tiempos de adaptacin grandes. Y esto es slo el caso
ms favorable. La velocidad con la que los virus son capaces de adaptarse a entornos
rpidamente cambiantes echa por tierra este modelo evolutivo. Qu falla entonces
en nuestra imagen del paisaje adaptativo?
6.3. Paisaje agujereado: redes neutras
Consideremos, para su anlisis, el caso extremo de paisaje rugoso: el paisaje
aleatorio. Dicho paisaje se genera asignando a cada secuencia de A un valor del
grado de adaptacin aleatorio e independiente. En general, los paisajes rugosos no
son tan extremos y hay cierta correlacin entre los valores del grado de adaptacin
de secuencias vecinas; sin embargo, ms all de una longitud de correlacin, dichos
valores devienen independientes. El paisaje rugoso es el caso extremo en que dicha
longitud de correlacin es menor que 1. Supongamos ahora que la longitud de la
684 Las matemticas de la evolucin
secuencia es grande, y que en cada posicin hay A alelos independientes. El grado
del grafo ( ser g = (A1)L y su tamao [A[ = A
L
. Con L = 100 y A = 2 (valores
relativamente pequeos), g = 100 y [A[ = 2
100
10
30
. A todos los efectos, un grafo
como ste se aproxima localmente a un rbol, tanto ms cuanto mayor es su grado
(vase la gura 2). Imaginemos un caso extremo de grado de adaptacin que toma
slo dos valores: 1 si la secuencia es viable y 0 si no lo es. La fraccin de secuencias
viables se denota p. La evolucin slo puede proceder saltando entre nodos viables
consecutivos. De acuerdo a la gura 2, donde se representa localmente este paisaje
adaptativo en un grafo particular, es evidente que cuando p es pequeo el nmero
de nodos viables a distancia d del nodo viable inicial resulta bien aproximado por
un proceso de ramicacin donde (excepto en la primera generacin) el nmero de
descendientes (nodos viables) est dado por p
k
=
_
g1
k
_
p
k
(1 p)
g1k
, cuyo valor
esperado es (g 1)p. La teora de procesos de ramicacin [10] nos dice que, con
probabilidad 1, el proceso contina hasta innito si (g1)p > 1. Traducido a nuestros
grafos lo que esto implica es que cuando p 1/g (siendo g 1), hay un subgrafo
conexo de nodos viables que contiene una fraccin nita de todos los nodos de (. A
este tipo de grafos se les da el nombre de redes neutras [7].
Figura 2: Seccin local de un grafo
correspondiente a A = 2 y L = 8.
Los nodos negros son viables; los
blancos son inviables.
Si consideramos un modelo ms general
en el que T(f) sea la densidad de probabili-
dad de que el grado de adaptacin de un no-
do est entre f y f +df, si
_
f
2
f
1
T(f) df 1/g
habr una red cuasineutra en la que los va-
lores del grado de adaptacin de sus nodos
estn en el intervalo (f
1
, f
2
). Como los va-
lores de g suelen ser muy grandes (propor-
cionales a la longitud de las secuencias), la
existencia de redes neutras se convierte en la
regla, ms que en la excepcin. La metfora
del paisaje de valles y montaas de Wright
se vuelve totalmente inapropiada para des-
cribir la existencia de estas redes neutras en
los paisajes adaptativos rugosos. Una met-
fora ms apropiada sera la de un paisaje plano ( la Kimura) con agujeros. La
evolucin mueve las secuencias a lo largo y ancho de la red neutra, de manera que
stas pueden transformarse por completo sin que ello haga decrecer su grado de
adaptacin. Sin duda este mecanismo acelera enormemente no slo la adaptacin de
las especies al entorno, sino incluso la especiacin.
El hecho de que el grado de adaptacin dependa del fenotipo y no del genotipo
favorece la aparicin de redes neutras. As se ve que ocurre en el ARN [6]. Las
propiedades de estas redes tienen una enorme inuencia en la dinmica evolutiva, una
inuencia que slo ahora estamos empezando a entender. Slo por dar un ejemplo,
si reconsideramos el modelo de Eigen a la luz de esta nueva metfora nos daremos
cuenta de que la hiptesis principal, esto es, que localmente un paisaje adaptativo es
de tipo Fujiyama, es rotundamente falsa. No hay una cadena con grado de adaptacin
mximo, sino toda una red neutra a la que pertenecen un nmero ingente de cadenas.
La Gaceta Artculos 685
Esto hace que la probabilidad de recuperar el grado de adaptacin mximo sea mucho
mayor de la que la teora de Eigen estima, porque se puede retornar a cualquier punto
de la red neutra, no necesariamente a la cadena inicial. Cuando esa probabilidad es
apreciable la catstrofe de error desaparece [13].
7. Conclusin
En este artculo he intentado dar una panormica de lo que la Matemtica ha
aportado a la teora evolutiva. Desde la gentica de poblaciones, pasando por los
procesos estocsticos y acabando por la teora de redes complejas, muchos resultados
relevantes sobre los mecanismos evolutivos se han obtenido gracias a su descripcin
matemtica. An no puede decirse que la Teora de la Evolucin sea una doctrina
cientca matemticamente formulada en todos sus detalles, como a Darwin le habra
gustado, pero es indudable que cada vez estamos ms cerca de ello. Hoy en da
podra decirse que los estudios tericos de los procesos evolutivos son, al menos, tan
importantes como los experimentales y que, como Darwin armaba, son ellos los que
arrojan luz en la oscuridad.
Dado el carcter de este artculo y sus (y mis) limitaciones, en el camino me he
dejado multitud de temas interesantes, tanto para dilucidar los mecanismos evolu-
tivos como para ilustrar otras aportaciones matemticas a la evolucin. Tal es el
caso del modelo de innitos alelos [5] con el que hoy da se analizan las divergencias
evolutivas de las cadenas de ADN o de las protenas; o el proceso coalescente [5], una
interesante y prctica reformulacin retrospectiva de los procesos de deriva gentica.
Tampoco he hablado de las importantes aportaciones de la teora de juegos a la
evolucin, con las cuales se est abordando actualmente, por ejemplo, el problema
de la emergencia de la cooperacin [15]. En lugar de todo ello he preferido destacar
el tema de los paisajes adaptativos y las redes neutras porque, en mi opinin, es el
rea de trabajo que puede producir en los prximos aos, sin cambiar su esencia, una
reformulacin ms drstica del paradigma evolutivo. La comprensin de la evolucin
pasa, contra todo pronstico, por comprender qu inuencia tiene la deriva sobre
redes neutras. Y debido a la complejidad del problema, es ste uno de los temas en
que la Matemtica puede ser nuestros ojos en la habitacin oscura que nos ayuden
a encontrar el gato que no est all.
Quiero acabar agradeciendo a Susanna Manrubia su lectura crtica del manuscrito
y sus valiosos comentarios, y a los proyectos MOSAICO y MOSSNOHO-CM el apoyo
econmico.
Referencias
[1] R. A. Blythe y A. J. McKane, Stochastic Models of Evolution in Genetics,
Ecology and Linguistics, J. Stat. Mech. P07018 (2007), 158.
[2] M. Bulmer, Galtons law of ancestral heredity, Heredity 81 (1998), 579585.
[3] C. R. Darwin, On the Origin of Species by Means of Natural Selection, or
the Preservation of Favoured Races in the Struggle for Life, John Murray,
686 Las matemticas de la evolucin
1859. Traduccin al espaol: http://es.wikisource.org/wiki/El_Origen_
de_las_Especies
[4] M. Eigen, Selforganization of Matter and the Evolution of Biological Macro-
molecules, Naturwissenschaften 58 (1971), 465523.
[5] W. J. Ewens, Mathematical Population Genetics. I. Theoretical Introduction,
2.
a
ed., Springer, 2004.
[6] W. Fontana, Modelling evo-devo with RNA, BioEssays 24 (2002), 1164
1177.
[7] S. Gavrilets, Fitness Landscapes and the Origin of Species, Princeton Uni-
versity Press, 2004.
[8] J. Hofbauer y K. Sigmund, Evolutionary Games and Replicator Dynamics,
Cambridge University Press, 1998.
[9] S. Karlin y J. McGregor, On a genetic model of Moran, Proc. Cambridge
Philos. Soc. 58 (1962), 299311.
[10] S. Karlin y H. M. Taylor, A First Course in Stochastic Processes, 2.
a
ed.,
Academic Press, 1975.
[11] S. Karlin y H. M. Taylor, A Second Course in Stochastic Processes, Aca-
demic Press, 1981.
[12] M. Kimura, Evolutionary rate at the molecular level, Nature 217 (1968), 624
626.
[13] S. C. Manrubia, Biodiversidad, asexualidad y virus: tres esbozos sobre la com-
plejidad de la evolucin, Apuntes de Ciencia y Tecnologa 32 (2009), 2936.
[14] J. G. Mendel, Versuche ber Panzenhybriden, Verhandlungen des natur-
forschenden Vereines in Brnn IV/1865 (1866), 347. Traduccin al ingls:
http://www.esp.org/foundations/genetics/classical/gm-65.pdf
[15] M. A. Nowak, Evolutionary Dynamics: Exploring the Equations of Life, Belk-
nap Press, 2006.
[16] C. M. Reidys y P. F. Stadler, Combinatorial landscapes, SIAM Rev. 44
(2002), 354.
[17] E. Seneta, Non-negative Matrices and Markov Chains, Springer, 2006.
Jos A. Cuesta, Grupo Interdisciplinar de Sistemas Complejos (GISC), Dpto. de Mate-
mticas, Universidad Carlos III de Madrid
Correo electrnico: cuesta@math.uc3m.es
Pgina web: http://gisc.uc3m.es/~cuesta/