Hogyan tanul az evolúció? | MTA

Hogyan tanul az evolúció?

Szathmáry Eörs elméleti evolúcióbiológus és munkatársai a tanulás és az evolúció működése közötti mély párhuzamokra hívják fel a figyelmet. A tanuló rendszerek elméletéből kölcsönzött modellek az evolúció kulcsfontosságú folyamatainak egzakt leírására lehetnek alkalmasak.

2016. március 8. Tátrai Péter

Egy jól eltalált hasonlatnál kevés dolog bír nagyobb megvilágító erővel a tudomány számára. A tudományos hasonlatok némelyike inkább csak a képszerűséget, a megfoghatóságot szolgálja. Az atomot parányi naprendszerként leíró Bohr-modell – korlátozott érvényessége ellenére – nemzedékeket segített az atomszerkezet megértésében, és a táguló világegyetemben széttartó galaxisok mozgását is kétségkívül könnyebb úgy elképzelni, ha a felfúvódó kalácsban távolodó mazsolákra gondolunk.

Ám a leghasznosabbak és legtermékenyebbek azok a tudományos analógiák, amelyekben a hasonló és hasonlított jelenségek között mély, szerkezeti párhuzam áll fenn. Ha két probléma matematikai értelemben izomorf, akkor az egyik tudományterület problémájára kidolgozott modellt a másik terület művelői akár egy az egyben átvehetik.

Pár évtizeddel ezelőtt az evolúcióbiológia szép és hasznos, bár távolról sem mindenható hasonlattal járult hozzá a mentális és kulturális folyamatok megértéséhez, amikor Richard Dawkins 1976-os könyvében, Az önző génben felvetette, hogy a gondolat általa mémeknek elnevezett egységei a génekhez hasonló replikátorként, önmaguk sokszorozását elősegítő entitásként viselkednek, és ebbéli rátermettségük függvényében terjednek el az emberi (és állati) elmékben.

Az evolúcióbiológia tanuláselméleti kiterjesztése – ez Szathmáry Eörs és kollégáinak új kutatási területe

Úgy tűnik, most a tanuláselméleten a sor, hogy egy talán még mélyebb és teljesebb hasonlat képében viszonozza a kölcsönt az evolúció kutatóinak. A tanulás és az evolúció mechanizmusai közötti, korábban csak lazának sejtett párhuzamot az utóbbi évek eredményei – Richard A. Watson komputációs evolúciókutató úttörő munkája nyomán – olyan szorosra fűzték, hogy egyes részterületeken megkezdődhetett a tanulásra kifejlesztett modellek átvitele az evolúció problémakörébe.

How Can Evolution Learn? Richard A. Watson és Szathmáry Eörs cikke a Trends in Ecology and Evolution folyóiratbanÚjabban a tanulás és az evolúció közti analógia újabb mélységeit kutatja és a tanuláselméleti modellek evolúciós kiterjesztésének további lehetőségeit vizsgálja Szathmáry Eörs elméleti evolúcióbiológus, az MTA rendes tagja, az ELTE TTK és a müncheni Ludwig Maximilien Egyetem professzora. A témában írott közleményeit a közelmúltban több rangos szakfolyóirat, így a Trends in Ecology and Evolution és a Biology Direct is megjelentette, és ez irányú munkájáról hamarosan a népszerű New Scientist is What can ecosystems learn? Expanding evolutionary ecology with learning theory – Szathmáry Eörs és kollégái cikke a Biology Direct folyóiratbanbeszámol.

Tanulás és evolúció: formálisan egyenértékű folyamatok

Tanulásra képesnek tekinthetünk bármely olyan rendszert, amely tapasztalatszerzés útján javítani tudja a saját teljesítményét egy adott feladatban. Az a mód, ahogyan a tanulásra képes – biológiai vagy mesterséges – rendszerek fokozódó gyakorisággal használják fel a múltban eredményesnek bizonyult viselkedésmintáikat, intuitív hasonlóságot mutat azzal a folyamattal, ahogyan a rátermett fenotípusok a szelekció hatására elterjednek egy populációban. A két folyamat hovatovább nem csupán hasonló, hanem formálisan egyenértékű: korábbi elméleti munkákban megmutatták, hogy azok a (bayesi valószínűségi algebrán alapuló) tanuló algoritmusok, amelyek kiinduló alternatív hipotéziseik egymáshoz viszonyított valószínűségét a beérkező bizonyítékok alapján folyamatosan újraszámolják, matematikailag azonos alakúak azokkal a modellekkel, amelyek egy ivartalanul szaporodó populációban nemzedékről nemzedékre újraosztják az eltérő rátermettségű genotípusok részarányát.

Röviden: ahogy a bayesi tanulás során a bizonyítékokkal jobban alátámasztott hipotézisek felülkerekednek az alternatív feltételezésekkel szemben, úgy szorítják ki az evolúció folyamán az adott környezethez jobban alkalmazkodott genotípusok a kevésbé rátermetteket. Ha pedig a sikeres hipotézisek győzedelmeskedését tanulásnak tartjuk, akkor a sikeres genotípusok térhódítását is annak kell tekintenünk.

Szathmáry Eörs Fotó: mta.hu/Gilicze Bálint

Az okos tanuló és a szex

Az okos tanulónak azonban nem elégséges a próbálkozások során hozzácsiszolódnia egy adott feladathoz, hiszen a való világban nem egyetlen műveletet kell vég nélkül ismételgetni: a feladatok állandóan változnak. Az evolúció is gyatrán teljesítene, ha csupán aszimptotikusan illesztené a populációkat aktuális környezetükhöz, annak is egyetlen szűk szegletéhez, mivel így az élőlények képtelenek lennének alkalmazkodni a környezet változásaihoz, és sosem fedezhetnének fel sem betöltetlen fülkéket az ökológiai térben, sem új megoldásokat a lehetséges testtervek képzetes terében.

Az okos tanuló nem pusztán ismételget, hanem variál: korábban rögzített viselkedéselemeiből új kombinációkat hoz létre s próbál ki, és némelyek ezek közül minden addiginál sikeresebbek lesznek. Az okos tanuló továbbá általánosít: bevált viselkedéseit olyan újszerű szituációkban is alkalmazza, amelyekkel még nem találkozott ugyan, de amelyek az előzőleg megismertekhez valamely lényegi elemükben hasonlítanak.

Az általánosítás és a bevált viselkedéselemek újrakeverésének evolúciós párhuzamaként az ivaros szaporodás kínálkozik. Az ivaros folyamat a szülői gének rekombinációja révén minden nemzedékváltáskor új mintát vesz a már bizonyított génváltozatok állományából. S ahogy a mindig újjal próbálkozó, leleményes tanuló hamarabb rájön a feladat nyitjára, úgy a nemzedékenként új tulajdonságkombinációkkal előálló, így a fenotípusok tárházát hatékonyan végigpásztázó szex is gyorsabban alkalmazkodik a változó körülményekhez. Az ivaros szaporodás kialakulását ezért egyfajta „meta-evolúciónak” – a szakterület kifejezésével élve: az evolvabilitás evolúciójának – tekinthetjük: ez volt az egyik legfontosabb ugrás a földi élet történetében, amelynek során az evolúció megtanult jobban tanulni.

Egy elsőéves egyetemista két hétig is elbajlódna azzal a vizsgaanyaggal, amit végzős társai három nap alatt felfalnak. A különbséget nem az teszi, hogy az ötödéves több ismeretanyaggal rendelkezik, hanem az, hogy rutinosabbá vált az új ismeretek elsajátításában: megtanult tanulni. Az ivarosan szaporodó populációk nem feltétlenül jobbak az adott viszonyok közt, mint egy ivartalanul szaporodó, de hatékonyabban alkalmazkodnak, ha a helyzet változik – és, legalábbis evolúciós szemszögből nézve, ez a szex elsöprő sikerének titka.

Evolúciós szempontból sem a nagyon merész próbálkozások, sem a rugalmatlanság nem szerencsés

Kiabálva elbújni a bokorban: az alulillesztési probléma

Ahogy Szathmáry és mások rámutatnak, a fenti értelemben véve „okos” tanuló rendszernek valamiféle belső reprezentációt, vagyis modellt kell kialakítania, amely a múltbeli tapasztalat – a korábbi kimenetek sikerei és kudarcai – alapján új kimeneteket generál. A modell annál hatékonyabb, minél nagyobb valószínűséggel sikeresek az új kimenetek. Ebben az értelmezési keretben a tanulást modellillesztési problémaként foghatjuk fel, melyben a tanulás során csiszolódó modell egyre eredményesebben állít elő sikeres kimeneteket. A klasszikus tanuló rendszerek kimenetként új viselkedéseket generálnak, míg az evolúció új fenotípusokat hoz létre. Ha pedig az evolúció a tanuláshoz hasonló modellillesztési probléma, akkor hasonló kompromisszumkényszerekkel szembesül, mint a tanuló rendszerek, és hasonló jellegű hibákat is lesz hajlamos véteni.

Elgondolhatunk egy fiktív tanulási helyzetet, amelyben őseink a ragadozókkal szembeni védekezést gyakorolják. Hatékony módszer lehet a ragadozó elől némán és mozdulatlanul elrejtőzni egy bokorban, és ugyanilyen jó lehet ijesztően kiáltozva és egy husánggal vadul hadonászva szembefordulni vele. De a két viselkedés átlaga – közepes hangerővel szavalni, közben a husánggal lomhán legyezni – kevés sikerrel kecsegtet, mint ahogy a két viselkedéselem rossz kombinációi (kiáltozva bokorba bújni, némán hadonászni) sem ígérnek sok jót. Ebben a példában csak az a modell generál hatékony viselkedést, amely valamilyen módon leképezi a két viselkedéselem közti korrelációt. Azok a modellek, amelyek a rossz megoldásokat sugallják, alulillesztettek, vagyis a modell által jónak tartott viselkedések tartománya a modelltérben túl lazán illeszkedik a ténylegesen jó viselkedések tartományára. Úgy is mondhatjuk, hogy az ilyen módon hibázó modellek túláltalánosítanak.

Az ivaros szaporodás volt az egyik legfontosabb ugrás a földi élet történetében, amelynek során az evolúció megtanult jobban tanulni.

A fenti példa evolúciós megfelelője az, amikor egyes fenotípus-összetevőknek csak bizonyos kombinációi sikeresek, a közbülső megoldások viszont nem. Egy újabb – és nyilván hasonlóan túlegyszerűsített és önkényes – példában elképzelhetünk néhány rovarfajt, amelyek épp most alkalmazkodnak új élőhelyükhöz, a tölgyfához. Szerencsés tulajdonságegyüttes lehet a barna szín és a hengeres testalak, mert az ilyen egyedek sikeresen elrejtőznek a kéreg repedéseiben. Ugyanilyen jól működhet a zöld szín és a lapos testfelépítés, bár ez a megoldás a kéreg helyett a levelek felszínén válik be. Bármelyik utat választja is az evolúció, ezeket a tulajdonságokat együtt kell mozgatnia, vagyis meg kell tanulnia e fenotípusos jegyek együttjárását; különben – ha rossz általánosítással, alulillesztett modellel él – barna és lapos, vagy zöld és hengeres, vagy se-barna-se-zöld, se-lapos-se-hengeres lényeket hoz létre, amelyek mind kevésbé rátermettek az előbbieknél. Természetesen mindig az adott evolúciós feladattól függ az, hogy mely fenotípusos jegyek együttjárása értelmes, és melyek mozoghatnak egymástól függetlenül.

Specialisták: a túlillesztési probléma

Hátrányosnak bizonyulhat az alulillesztés ellenkezője, a túlillesztés is: e modellezési hiba azzal jár, hogy a tanuló rendszer túlzottan ragaszkodik a már bevált megoldásokhoz, és nem mer a modelltérben új tartományokat felfedezni. A túláltalánosítással szemben a túlillesztés az általánosításra való képesség hiánya; mintha valaki megtanulná, hogy az autó és a motorkerékpár és a busz is jármű, de a vonatban már nem ismerné fel az előbbiekkel közös esszenciát.

Ha az evolúció egy adott faj esetében túlillesztett modellel dolgozik, az abból derül ki, hogy a faj szélsőséges mértékben alkalmazkodott környezete legapróbb részleteihez, szűk ökológiai fülkéjének remek specialistájává vált, ám a legapróbb változásra sem tud a módosult környezetben sikeres új variánsok létrehozásával válaszolni. Az alulillesztett evolúciós modell a túlzottan merész próbálkozásaiért, a túlillesztett modell a rugalmatlanságáért fizet nagy árat.

Szathmáry Eörs Fotó: mta.hu/Gilicze Bálint

Mesterregulátorok: gyorsabb evolúció

De miként tanulhatja meg az evolúció, mely tulajdonságokat értelmes együtt mozgatnia? Milyen további előnyökkel jár az evolúció számára e korrelációk megtanulása? Több tulajdonság korrelált szabályozása a legegyszerűbben ún. „mesterregulátorok” – rendszerint más gének kifejeződését szabályozó kapcsológének – révén valósulhat meg. A szelekció olyan mesterregulátorok kifejlődésének fog kedvezni, amelyek értelmes együttjárásokat hoznak létre. Egy olyan képzelt génmutáció, amely a négy végtag közül csak az egyiket hosszabbítja meg, kisebb valószínűséggel bír adaptív előnnyel, mint egy olyan, amelyik egyszerre hat valamennyi végtag hosszára – feltéve persze, hogy a szelekció valamilyen okból a végtagok megnyúlása irányába hat. A négy végtag hosszának korrelált változása a legtöbb adaptív feladatban értelmes együttjárásnak tűnik.

A mesterregulátorok szépsége azonban az, hogy egymástól egészen távol eső fenotípusos jegyeket is össze (vagy éppen szét) tudnak kapcsolni. Ha a környezet hűl, előnyös lehet nagyobb testet és melegebb bundát növeszteni. Az evolúció „megvárhatja”, amíg a két független tulajdonságra ható mutációk külön-külön megjelennek; de ha olyan mutációt is választhat, amely valamiképpen összekapcsolja ezt a két fenotípusos jegyet, azzal sokkal gyorsabban célba ér.

Arról szólva, hogy a mesterregulátoroknak (vagy bármely, hasonlóan ható mechanizmusnak) köszönhetően az evolúció értelmes együttjárásokat tanul, ismét a „tanulás tanulása”, vagyis az „evolvabilitás evolúciója” tárgyköréhez érkezünk. Amikor az evolúció olyan fenotípusos jegyeket kapcsol össze, amelyeknek egy környezeti tényező megváltozása esetén előnyös együtt mozogniuk, akkor felgyorsítja a további alkalmazkodás folyamatát, sőt: a környezeti változás irányának megfordulása esetén a fenotípus ellenkező irányú változását is megkönnyíti. A korrelációk mintegy „emlékeznek” rá, hogy egy környezeti változásra mely jegyeknek kell együtt reagálniuk, így az ismételt változás során az evolúció már „rutinosan” cselekszik.

Az ökoszisztéma tanulása

Szathmáry és munkatársai érdekes lehetőségként felvetik, hogy a tanuló rendszerek evolúciós analógiája nem csak az egyed szintjén lehet érvényes, hanem esetleg kiterjeszthető az egyed fölött álló szerveződési szintekre is. A mesterséges idegi hálózatokban a tanulás a hálózati elemek közötti kapcsolati súlyok megváltozásával zajlik. Az ún. felügyelt tanulás esetében ehhez egyfajta tanító visszacsatolás szükséges, amely elárulja a rendszernek, hogy adott bemenet esetében mi volna a kívánatos kimenet, és a rendszer e visszacsatolás felhasználásával rendezi át belső kapcsolati súlyait.

Tanulás azonban felső felügyelet, oktató visszaigazolás nélkül is lehetséges. Az ún. Hopfield-hálózatok például pusztán elemeik aktivitásának együttjárása alapján rendezik át kapcsolati súlyaikat, a „fire together – wire together” (ami együtt tüzel, az összekapcsolódik) egyszerű elve alapján, mégis figyelemre méltó tanulási kapacitással rendelkeznek: zajos bemenetből is képesek előzetesen megtanult aktivitásmintázatokat előhívni, és jelentős kitérítés után is vissza tudnak térni korábbi állapotukba. A gének közötti korrelatív kapcsolatok kiépülése is, amelyről az előbbiekben szóltunk, a – Donald Hebb idegtudós után Hebb-féle tanulásnak nevezett – asszociatív tanulás egy példája.

Szathmáryék észrevétele abban áll, hogy az ökológiai hálózatok bizonyos hasonlóságokat mutatnak a felügyelet nélkül tanuló idegi hálózatokkal.

Az ökoszisztéma mint egész nem képezi a szelekció egységét, tehát nincs olyan evolúciós folyamat, amely a teljes ökoszisztémát valamilyen adaptív irányba terelgetné. Viszont az ökoszisztémát alkotó fajok között olyan kölcsönhatás-hálózat épül ki, amely a neuronhálók súlyozott kapcsolataira emlékeztet. Az idegi hálózatok elméletéből vett matematikai modellel megmutatható, hogy bár az ökoszisztémát alkotó minden egyes faj csak a saját szelekciós nyomásainak engedelmeskedik, a fajok közti kölcsönhatások hálózata mégis közös „memóriát” kölcsönöz a rendszer egészének. A kölcsönhatások kiépülése útján az ökoszisztéma „megtanul” egy állapotot, amelyhez akár súlyos zavarás után is vissza képes találni.

Szathmáry Eörs előadása után a 2015-ös Magyar Tudomány Ünnepén az MTA Székház dísztermében Fotó: mta.hu/Mudra László

A nagy evolúciós átmenetek és a mély tanulás

Végezetül Szathmáryék az evolúció és a tanulás közötti párhuzam továbbvitelével a nagy evolúciós átmenetek és az ún. mély tanulás (deep learning) között keresnek hasonlóságot. Nagy evolúciós átmenetnek azokat az evolúciós történéseket nevezzük, amelyek során korábban önállóan replikáló egységek egy magasabb hierarchikus szintbe szerveződve elvesztik replikációs önállóságukat, és az ily módon létrejött magasabb szintű entitás válik a szelekció új egységévé. Ilyen átmenet történt például az egyedileg replikálódó molekuláknak egységes genomba szerveződése, a prokarióta organizmusok eukarióta sejtté szerveződése, vagy az önálló egysejtű élőlények többsejtűvé szerveződése során. A nagy átmenetek közös jellemzője, hogy az alsóbb szintű entitások (egyedi replikátor-molekulák, egyedi sejtalkotók, egyedi sejtek) megszűnnek a szelekció egységeként viselkedni; az ő szintjükön tehát mintegy „befagy”, de legalábbis erősen korlátozódik az evolúció.

Szathmáryék a szintlépések e hierarchikus sorozatát, melyben a lépések során az alsó szinteken zajló szelekció „befagy”, de az ott lezajlott evolúció a kiinduló alapját képezi a következő szint evolúciójának, a „deep learning” néven ismert gépi tanuló algoritmusok működéséhez hasonlítják. A deep learning algoritmusokban egy hálózatot felügyelet nélkül, pusztán korrelációs alapon tanulni hagynak, majd ezt követően a hálózati kapcsolatokat „befagyasztják”, és a hálózat kimenetét betáplálják egy másodrendű, a hierarchiában magasabb szinten álló hálózatba. Később ennek a második szintnek a tanulását is leállítják, a kimenetét beterelik egy immár harmadik szintű hálózatba; és így tovább. Az egyre magasabb szintek egyre mélyebb korrelációkat, a beérkező információ egyre absztraktabb tulajdonságait képesek megragadni.

„Sok mindent mi sem értünk még”

– jegyezte meg munkatársunkkal folytatott beszélgetése során Szathmáry. „Lehet, hogy az evolúció és tanulás közti párhuzamban még nagyon sok tartalék van, és az is lehet, hogy kevesebb. Az biztos, hogy a nagy evolúciós átmenetek és a mély tanulás közötti hasonlat a legkevésbé kidolgozott; a jelen pillanatban ezt inkább csak ötletként vetjük fel.” Ám még ha ez utóbbi párhuzam költőibbnek bizonyul is a többinél, a tanuláselmélet eredményeinek újszerű felhasználása, a neuronhálók matematikai leírásának kiterjesztése máris termékenyítőleg hatott az elméleti evolúcióbiológusok gondolkodására, és számos korábban megközelíthetetlen probléma megfejtése felé nyitotta meg az utat.

Tátrai Péter