Percorso: Evoluzione
Modulo 6

Prerequisiti:
Modulo 5
Guida alla lettura
Disclaimer

Introduzione: dalla teoria ai casi concreti

Nei Moduli precedenti abbiamo costruito un edificio teorico solido: il concetto di margine dell’evoluzione, i calcoli probabilistici, le stime dei tempi di attesa, i risultati degli esperimenti di laboratorio, la Prima Regola dell’Evoluzione Adattativa, le barriere della genetica delle popolazioni. Abbiamo visto che il meccanismo casuale-selettivo ha limiti reali, quantificabili, fondati matematicamente e confermati sperimentalmente.

Ma la biologia non è solo matematica e laboratorio. È anche la realtà concreta degli organismi viventi — le loro proteine, i loro sistemi molecolari, i loro comportamenti, le loro storie evolutive. In questo Modulo scendiamo dal piano teorico al piano empirico, esaminando una serie di casi biologici specifici che illustrano il margine dell’evoluzione in azione: dove il confine si manifesta con più chiarezza, quali strutture si trovano inequivocabilmente al di là di esso, e come i difensori del darwinismo hanno risposto a queste sfide.

I casi spaziano dalla biochimica molecolare alla biologia comportamentale, dai sistemi proteici agli algoritmi animali. La loro diversità è uno dei punti di forza dell’argomento: il margine dell’evoluzione non è un fenomeno isolato osservabile solo in sistemi particolari, ma un pattern che ricorre in contesti biologici radicalmente diversi.

1. Casi molecolari: dove i numeri diventano impossibili

La beta-lattamasi e lo spazio delle sequenze

Il lavoro di Douglas Axe sulla beta-lattamasi — l’enzima batterico che conferisce resistenza alla penicillina — rappresenta la misurazione empirica più diretta della rarità delle sequenze proteiche funzionali, e merita di essere esaminato nel dettaglio metodologico.

Axe condusse i suoi esperimenti su una sezione funzionalmente significativa di 150 amminoacidi dell’enzima. In una prima fase, sostituì l’intero nucleo idrofobico — tredici residui — con combinazioni casuali di altri amminoacidi idrofobici. Sorprendentemente, circa un quinto delle proteine così modificate mantenne la propria funzione: il nucleo della proteina, almeno in quella regione, è relativamente tollerante alle sostituzioni conservative. Nella seconda fase, più critica, Axe si concentrò sull’esterno della proteina: raggruppò le appendici esterne in gruppi di dieci e le sostituì con le alternative chimicamente più simili — il cambiamento più conservativo possibile. Per ogni gruppo, testò circa 100.000 varianti mutanti. L’enzima veniva irrimediabilmente distrutto molto prima che il suo esterno fosse completamente sostituito — già dopo averne alterato un quinto.

Due controlli metodologici distinguono il lavoro di Axe dai precedenti esperimenti di Robert Sauer. In primo luogo, Axe valutò le sostituzioni aminoacidiche in combinazione anziché isolatamente, per misurare l’effetto della dipendenza dal contesto — un fattore che Sauer aveva trascurato e che aveva portato a una stima meno restrittiva (1 su 10⁶³). In secondo luogo, utilizzò uno schermo di sensibilità estremamente elevata: persino gli enzimi danneggiati che mantenevano meno del 5% dell’attività normale venivano considerati «attivi» e funzionali ai fini del calcolo. Il risultato, pubblicato nel 2004 sul Journal of Molecular Biology, è che circa 1 sequenza su 10⁷⁷ produce un dominio funzionale di 150 amminoacidi.

Le critiche evoluzioniste si sono concentrate sull’idea che Axe avesse omesso «percorsi evolutivi indiretti» — la cooptazione funzionale per cui le proteine cambiano funzione nel tempo. La risposta è diretta: le pieghe funzionali delle proteine costituiscono «isole» isolate in un vasto oceano di sequenze non funzionali. Poiché la Selezione naturale non può preservare ciò che non ha ancora una funzione utile, le mutazioni casuali distruggerebbero la stabilità della proteina originaria ben prima di attraversare l’abisso non funzionale verso una nuova piega.

Gli enzimi Kbl2 e BioF2: la precisione ad angstrom

Un secondo caso particolarmente istruttivo riguarda l’esperimento condotto da Axe e Ann Gauger su due enzimi di Escherichia coli: Kbl2 (che scompone la treonina) e BioF2 (che sintetizza la biotina). Questi due enzimi sono «gemelli strutturali» — condividono la stessa architettura tridimensionale — ma svolgono funzioni completamente diverse senza alcuna sovrapposizione funzionale.

Dal punto di vista darwiniano, avere due enzimi strutturalmente così simili dovrebbe semplificare enormemente il problema: se la struttura di base è già presente, basterebbero poche modifiche per passare da una funzione all’altra. Axe e Gauger hanno testato questa ipotesi, introducendo sistematicamente mutazioni mirate nei siti che avrebbero dovuto facilitare la transizione, singolarmente e in combinazione.

Il risultato: la conversione richiederebbe sette o più sostituzioni aminoacidiche coordinate — un evento che, secondo le equazioni della genetica delle popolazioni, necessiterebbe di almeno 10²⁷ anni, enormemente superiore all’età dell’universo. Il motivo è che gli enzimi necessitano di un posizionamento tridimensionale estremamente preciso — a livello di angstrom, cioè frazioni di nanometro — per catalizzare reazioni chimiche. Le forme intermedie perderebbero la funzione originaria senza acquisire quella nuova, cadendo nell’abisso non funzionale. Anche partendo da due proteine con la stessa struttura di base, la distanza funzionale tra esse è incolmabile per il meccanismo casuale.

I recettori degli steroidi: quando la specializzazione è degradazione

Il biologo evoluzionista Joseph Thornton dell’Università di Chicago ha studiato l’evoluzione dei recettori per gli ormoni steroidi — in particolare i recettori per i mineralocorticoidi (MR) e per i glucocorticoidi (GR). Attraverso la biologia molecolare ancestrale, Thornton ha ricostruito un recettore ancestrale ipotetico, più «promiscuo» nella sua specificità di legame, e ha dimostrato che con poche mutazioni poteva essere reso simile al recettore GR moderno, più specializzato. I risultati sono stati presentati come una dimostrazione del potere creativo del darwinismo.

L’analisi dettagliata racconta una storia diversa. Le due mutazioni specifiche introdotte — una delle quali consisteva nel cambiamento di due basi nel sito di riconoscimento (da AGGTCA a AGAACA) — producevano i seguenti effetti: una delle due modifiche da sola distruggeva completamente la capacità del recettore di legare gli steroidi; l’altra la indeboliva, riducendola all’1% della forza originale. Con entrambe le modifiche, il legame rimaneva estremamente debole. Non è costruzione di funzione: è riduzione di funzione — ancora una volta, il pattern della Prima Regola.

Il tentativo di ricostruire il Percorso inverso — dal recettore GR moderno verso l’ipotetico antenato promiscuo — si è rivelato bloccato da barriere strutturali insormontabili: le mutazioni necessarie producono varianti non funzionali, senza che esista un Percorso graduale praticabile. Il meccanismo darwiniano, una volta che ha specializzato una proteina attraverso mutazioni degradative, non può facilmente tornare indietro.

Il problema della duplicazione genica

La duplicazione genica è spesso invocata come il meccanismo principale per generare nuove funzioni: una copia del gene continua a svolgere il compito originale, mentre la copia «libera» accumula mutazioni finché non trova una funzione nuova. La realtà molecolare presenta quattro problemi fondamentali.

In primo luogo, poiché le sequenze funzionali sono rare (1 su 10⁷⁷), mutazioni casuali destabilizzeranno la struttura della proteina copiata molto prima di trovare una nuova piega stabile. In secondo luogo, quando la nuova funzione richiede mutazioni coordinate multiple — come nel caso Kbl2/BioF2 — i tempi di attesa crescono esponenzialmente e superano i limiti dell’universo. In terzo luogo, mantenere un gene duplicato non funzionale comporta un costo metabolico: la Selezione purificatrice tende a eliminare il DNA superfluo o a silenziarlo in pseudogeni ben prima che possa «scoprire» nuove funzioni utili. In quarto luogo — e forse più fondamentalmente — la duplicazione aumenta la capacità di memorizzazione del genoma, ma non spiega l’origine della densità informativa presente nei geni di partenza. Copiare la pagina di un libro non spiega come il testo su quella pagina sia stato originariamente scritto con un significato.

2. Sistemi molecolari complessi: macchine che non ammettono versioni parziali

Il sistema immunitario adattativo e il mistero di RAG

Il sistema immunitario adattativo dei vertebrati è uno dei sistemi biologici più sofisticati della natura. A differenza del sistema immunitario innato, il sistema adattativo genera risposte altamente specifiche contro antigeni mai incontrati prima, ricorda le infezioni passate e risponde più efficacemente alle infezioni successive.

La sua architettura molecolare è formidabile. Gli anticorpi hanno una struttura tridimensionale a forma di Y formata da due catene leggere e due catene pesanti, unite da ponti disolfuro. Ciascuna catena possiede una regione costante — responsabile della funzione dell’anticorpo — e una regione variabile, che determina la specificità nel riconoscere un determinato antigene. La capacità del genoma umano di produrre milioni di anticorpi diversi non deriva da singoli geni indipendenti per ciascuno, ma da una riorganizzazione diretta dei segmenti di DNA durante lo sviluppo dei linfociti — il riarrangiamento V(D)J, che dipende criticamente dalle proteine RAG.

Il problema per il gradualismo darwiniano è che i componenti di questo sistema — geni immunitari, proteine RAG e segnali specifici di ricombinazione nel DNA — sono del tutto inutili singolarmente e devono essere funzionali simultaneamente. Le proteine RAG necessitano di segnali di ricombinazione nel DNA per sapere dove «tagliare»; i segnali nel DNA sono inutili senza le proteine RAG che li riconoscono; gli anticorpi non possono diversificarsi senza il riarrangiamento V(D)J.

L’ipotesi evoluzionista più accreditata postula che il meccanismo V(D)J derivi da un trasposone ancestrale — un elemento genetico mobile «fortunatamente trasferito» da un batterio a un animale, la cui proteina fosse casualmente in grado di riorganizzare i geni, trovando per caso i giusti segnali vicini ai geni degli anticorpi. È un’obiezione che va presa sul serio — ma i suoi limiti sono evidenti: non fornisce alcuna spiegazione causale gradualistica, riducendosi a una serie di eventi fortuiti simultanei che, come è stato osservato, equivale a una «alzata di spalle mascherata».

Le ciglia eucariotiche: duecento proteine e nessun precursore

Le ciglia eucariotiche — strutture presenti in molti tipi di cellule, dalle vie respiratorie agli spermatozoi — sono macchine molecolari di sbalorditiva complessità, composte da oltre duecento tipi diversi di proteine. La loro architettura interna «9+2» consiste in nove coppie di microtubuli che circondano una coppia centrale, con i microtubuli doppi formati dalla fusione di due anelli di proteina tubulina (uno a tredici filamenti, l’altro a dieci). La struttura è tenuta insieme da ponti centrali, raggi radiali e le proteine nexina che collegano i microtubuli adiacenti.

Il movimento è alimentato dai bracci di dineina — proteine motrici che usano l’energia dell’ATP per «camminare» sul microtubulo vicino, generando un meccanismo di scorrimento. La nexina agisce come un tirante elastico indispensabile: impedisce ai microtubuli di scorrere fino a sfaldarsi e, una volta tesa, converte il movimento di scorrimento in un movimento di flessione — il battito che permette al ciglio di funzionare come una frusta. Senza la dineina, il sistema è rigido e immobile. Senza la nexina, la struttura si sfascia. Senza i microtubuli, non c’è nulla su cui operare.

Un’obiezione merita attenzione: esistono in natura varianti cigliari più semplici, con architettura 14+0, 12+0, 9+0, 6+0 o 3+0, che potrebbero rappresentare precursori evolutivi. L’analisi molecolare ha dimostrato però che queste varianti non sono precursori: sono derivate per perdita e modifica da organelli ancestrali con la struttura complessa 9+2. Rappresentano una semplicità funzionale minore derivata da una complessità funzionale maggiore — non un trampolino di lancio darwiniano per costruire le ciglia dal basso, ma la Prima Regola in azione anche a livello delle strutture cellulari.

Le reti di regolazione genica dello sviluppo

Tra tutti i sistemi molecolari complessi, le reti di regolazione genica dello sviluppo (dGRN) occupano un posto speciale. Queste reti sono i circuiti di controllo che governano lo sviluppo embrionale: specificano quale gene viene acceso o spento, in quale cellula, in quale momento, in risposta a quali segnali.

Il biologo Eric Davidson — uno dei massimi esperti mondiali di biologia dello sviluppo — ha dedicato decenni allo studio di queste reti, in particolare nell’embrione del riccio di mare viola (Strongylocentrotus purpuratus). I suoi esperimenti hanno rivelato che le dGRN funzionano come circuiti integrati estremamente rigidi: operano dall’alto verso il basso, usando proteine regolatrici e fattori di trascrizione per dirigere l’espressione genica in domini spaziali e temporali precisi. Il disarmo o l’interruzione di un qualsiasi sottocircuito non produce una variazione evolutiva vitale, ma anomalie catastrofiche nello sviluppo — o la morte dell’embrione.

Un punto di onestà intellettuale: Davidson non era un sostenitore del Disegno Intelligente. Era e rimase un evoluzionista, che favoriva approcci alternativi come la biologia evolutiva dello sviluppo (evo-devo). Ma le sue scoperte sulla rigidità delle dGRN sono dati empirici che esistono indipendentemente dall’interpretazione che se ne dà — e pongono una sfida seria al gradualismo neodarwiniano che neppure Davidson stesso riuscì a risolvere nell’ambito del suo approccio.

3. Algoritmi animali: la complessità del comportamento innato

Eric Cassell, in Animal Algorithms, introduce il concetto di Comportamenti Programmati Complessi (CPB) — sequenze di comportamenti innati, non appresi, che seguono algoritmi precisi incorporati nel sistema nervoso degli animali sin dalla nascita. Come i sistemi molecolari irriducibilmente complessi, non ammettono versioni parziali funzionali: modificare casualmente un algoritmo non produce una versione leggermente peggiorata — produce quasi sempre un programma che non funziona affatto.

La danza delle api: un codice senza ricevitore è inutile

La danza delle api mellifere è un sistema di comunicazione in cui un’ape esploratrice comunica alle compagne la direzione e la distanza di una fonte di nettare attraverso una sequenza codificata di movimenti — la «danza a otto». La direzione è codificata rispetto alla posizione del sole; la distanza nella durata della fase di vibrazione dell’addome.

Questo è un codice nel senso tecnico del termine: una relazione arbitraria tra un simbolo e un significato. Come tutti i codici, richiede un trasmettitore capace di codificare il messaggio e un ricevitore capace di decodificarlo. Un’ape che produce la danza in una colonia dove nessun’altra ape sa interpretarla non ottiene nessun vantaggio selettivo. Entrambe le componenti devono emergere simultaneamente per essere selezionabili.

La navigazione migratoria: tecnologia biologica

La capacità di navigazione degli uccelli migratori rivaleggia con le tecnologie più avanzate dell’ingegneria umana. Il sistema integra più sottosistemi coordinati: sensori per il campo magnetico terrestre, una bussola solare corretta per l’ora del giorno, una bussola stellare notturna, e algoritmi decisionali che integrano tutti gli input in una rotta coerente. I sensori sono inutili senza l’algoritmo che li interpreta; l’algoritmo è cieco senza l’hardware sensoriale; la bussola solare è inutile senza la compensazione temporale. Il sistema funziona solo come totalità integrata.

Lo stesso pattern si osserva nella migrazione delle farfalle monarca — un viaggio di migliaia di chilometri compiuto da individui che non hanno mai Percorso quella rotta — e nella navigazione delle tartarughe marine, le cui capacità sono state descritte come paragonabili alle migliori tecnologie umane.

Le ragnatele e i tumuli delle termiti: architettura innata

La costruzione di una ragnatela orbitale è un algoritmo di precisione ingegneristica codificato nel genoma dei ragni e nei geni per la produzione della seta. Non è frutto di apprendimento: è un comportamento rigorosamente innato che richiede istruzioni codificate in substrati ricchissimi di informazione. Le implicazioni per il darwinismo sono dirette: dopo decenni di tentativi, non è mai stata proposta una via evolutiva graduale e cieca capace di produrre ex novo algoritmi informatici di questa complessità.

Le termiti cieche costruiscono giganteschi tumuli dotati di sistemi di raffreddamento e riscaldamento passivo — un’architettura ingegneristica sofisticata prodotta da organismi privi di vista e di capacità di apprendimento individuale. La trigonometria innata delle formiche — che usano l’integrazione di Percorso per tornare al nido in linea retta dopo un tragitto tortuoso — richiede la risoluzione in tempo reale di problemi vettoriali, eseguita da un sistema nervoso con meno di un milione di neuroni.

I numeri dell’eusocialità

Quantitativamente, il passaggio dalla vita solitaria alla vita coloniale organizzata negli insetti eusociali richiede l’acquisizione di circa quattromila nuovi geni — i cosiddetti «geni orfani» — necessari per orchestrare i comportamenti sociali complessi. Non si tratta di piccole variazioni su temi preesistenti: è un cambiamento qualitativo nell’organizzazione biologica che richiede l’aggiunta coordinata di un’enorme quantità di informazione genetica nuova, in tempi che sfidano i calcoli dei tempi di attesa delle mutazioni casuali.

4. Le risposte dei critici e la loro valutazione

Le obiezioni al margine dell’evoluzione sono serie e vanno esaminate nella loro forma più forte. Un argomento che non affronta le obiezioni migliori dei suoi critici non merita credibilità.

La cooptazione e il flagello batterico

L’obiezione più sofisticata alla complessità irriducibile del flagello batterico è l’ipotesi della cooptazione: il Sistema di Secrezione di Tipo III (T3SS) condivide circa dieci proteine con il flagello e potrebbe rappresentarne un precursore evolutivo.

Tre difficoltà fondamentali. La prima è quantitativa: il T3SS condivide circa dieci proteine con il flagello, ma un flagello funzionante ne richiede circa quaranta. Le trenta proteine restanti — quelle esclusive del flagello — non si trovano in nessun altro sistema noto. La cooptazione spiega al massimo un quarto del problema. La seconda è la direzione evolutiva: le analisi filogenetiche suggeriscono che le proteine del flagello siano più antiche di quelle del T3SS. Come ha osservato Milton Saier, la spiegazione più plausibile è che i T3SS «siano sorti tardivamente da sistemi flagellari batterici preesistenti» — la Prima Regola in azione, non l’evoluzione costruttiva. La terza è logica: assemblare componenti da contesti diversi in una macchina integrata richiede coordinazione precisa delle interfacce molecolari — il tipo di coordinazione che, nella nostra esperienza, richiede progettazione.

La coagulazione del sangue e l’errore di Doolittle

Il biochimico Russell Doolittle tentò di confutare la complessità irriducibile della cascata di coagulazione citando un esperimento in cui l’eliminazione di due proteine (plasminogeno e fibrinogeno) nei topi knock-out sembrava produrre topi «normali». Doolittle interpretò questo come prova che il sistema non doveva sorgere tutto in una volta. Ma si trattò di una grave svista nella lettura del paper originale: i topi privi di entrambe le proteine erano gravemente malati, subivano emorragie e trombosi, e presentavano un’alta mortalità durante la gravidanza. Non avevano un sistema di coagulazione funzionale — il che, lungi dall’essere una confutazione, ha confermato la complessità irriducibile del sistema.

L’evoluzione convergente: argomento per chi?

L’evoluzione convergente — strutture simili sviluppatesi indipendentemente in linee evolutive separate — è spesso citata come dimostrazione che l’evoluzione cieca «trova» le stesse soluzioni ripetutamente. Simon Conway Morris ha documentato centinaia di casi.

Ma l’argomento si ribalta: la probabilità che mutazioni casuali percorrano lo stesso lungo e improbabile Percorso due volte è astronomicamente bassa. La convergenza non dimostra che il caso possa produrre complessità: dimostra che la stessa soluzione funzionale ottimale viene ritrovata in contesti diversi — esattamente il pattern che ci aspettiamo da un progettista che riutilizza moduli e soluzioni riuscite in macchine diverse, come fa qualsiasi ingegnere.

Le strutture «imperfette»: il cattivo design

L’argomento delle strutture apparentemente subottimali — la retina «cablata al contrario», il nervo laringeo ricorrente, gli pseudogeni, l’appendice — è un’obiezione che merita risposta seria.

La risposta opera su più livelli. Molte presunte imperfezioni si sono rivelate funzionali. La retina è disposta in modo da posizionare i fotorecettori — che hanno un enorme fabbisogno di ossigeno — a contatto diretto con lo strato vascolare retrostante; inoltre, le cellule gliali di Müller funzionano come fibre ottiche biologiche che convogliano la luce verso i fotorecettori con perdite minime. L’appendice, a lungo citata come organo vestigiale, è oggi riconosciuta come rifugio per la flora batterica simbiotica e parte attiva del sistema immunitario. Il DNA «spazzatura» e gli pseudogeni, ritenuti «cadaveri molecolari», si stanno rivelando in gran parte funzionali: il progetto ENCODE ha dimostrato che circa l’80% del genoma svolge funzioni regolatorie, e pseudogeni come il GULO della vitamina C sono in fase di rivalutazione per le loro funzioni di regolazione.

A un livello più fondamentale, l’argomento del «cattivo design» si fonda su supposizioni soggettive su cosa un progettista «dovrebbe» fare — supposizioni prive di basi scientifiche. Nell’ingegneria reale, il design ottimale quasi mai massimizza un singolo parametro: bilancia vincoli multipli che spesso si contraddicono.

L’evoluzione di laboratorio e il premio Nobel

Gli esperimenti di evoluzione diretta — come quelli per cui Frances Arnold ha ricevuto il Premio Nobel nel 2018 — vengono talvolta citati come controesempi ai limiti dell’evoluzione. Ma un’analisi attenta rivela il contrario: perché queste «evoluzioni» producano qualcosa di nuovo, i ricercatori devono introdurre informazione attiva mirata a un obiettivo — selezionare in modo intelligente, dirigere il processo, definire i criteri di successo. È precisamente questo intervento esterno che invalida i risultati come esempi di evoluzione cieca darwiniana: dimostrano che per ottenere un risultato funzionale serve disegno intelligente.

5. Il profilo del margine: cosa può e cosa non può fare l’evoluzione

Sulla base dei casi studio esaminati — molecolari, sistemici e comportamentali — è possibile tracciare un profilo del margine dell’evoluzione con ragionevole precisione.

Al di qua del margine — ciò che il meccanismo darwiniano spiega adeguatamente — si trovano i cambiamenti all’interno di famiglie tassonomiche preesistenti: variazioni della forma del becco, della pigmentazione, del metabolismo, della resistenza ai farmaci. Quasi sempre questi adattamenti avvengono attraverso la perdita o la modifica di funzioni preesistenti. Il meccanismo darwiniano è uno strumento potente per ottimizzare ciò che già esiste e per adattare organismi a nicchie specifiche. Su questa scala, non ci sono dubbi sull’efficacia della Selezione naturale.

Al di là del margine — ciò che il meccanismo casuale-selettivo non ha dimostrato di poter produrre — si trovano le strutture caratterizzate da quattro proprietà: nuova informazione funzionale specificata (nuove sequenze proteiche che producono nuove funzioni), nuovi ripiegamenti proteici, macchine molecolari irriducibilmente complesse, e nuove reti di regolazione dello sviluppo. Il confine coincide con l’apparizione di nuova informazione funzionale specificata — quel tipo di complessità che, come ha osservato Leslie Orgel, è altamente improbabile e conforme a un modello funzionale indipendente.

Nessun esperimento di laboratorio ha mai dimostrato la produzione di queste strutture attraverso mutazione casuale e Selezione naturale. Nessuna analisi genomica ha identificato una traiettoria graduale credibile che porti dall’assenza di una di queste strutture alla sua presenza. Come ha ammesso il biologo cellulare Franklin Harold: «non esistono attualmente resoconti darwiniani dettagliati dell’evoluzione di alcun sistema biochimico o cellulare, ma solo una varietà di speculazioni velleitarie».

6. Dall’osservazione all’inferenza: la distinzione cruciale

C’è una distinzione fondamentale che va compresa per valutare correttamente i casi presentati in questo Modulo: la differenza tra spiegare il funzionamento e spiegare l’origine di un sistema biologico.

La biologia molecolare moderna ha compiuto progressi straordinari nello svelare come funzionano i sistemi complessi — dal flagello batterico alle dGRN di Davidson. Ma sapere come funziona una macchina non equivale a spiegare come è stata costruita. Scoprire somiglianze strutturali tra proteine non fornisce un modello meccanicistico darwiniano che spieghi in quale sequenza graduale e vantaggiosa si siano assemblate. La letteratura scientifica abbonda di descrizioni funzionali; manca cronicamente di calcoli quantitativi o dimostrazioni sperimentali su come la Selezione naturale abbia potuto fabbricare queste strutture in prima istanza.

Il ragionamento che connette questa analisi al Disegno Intelligente segue il principio di adeguatezza causale: la premessa negativa è che i processi non guidati non hanno il potere causale di generare le strutture documentate in questo Modulo — una conclusione empirica, non un’affermazione di ignoranza. La premessa positiva è che esiste una causa — l’unica nota dall’esperienza uniforme — capace di produrre informazione complessa specificata, codici e macchine integrate: una mente intelligente.

In coerenza con la posizione editoriale di questo sito, questa è una deduzione logica e filosofica basata su evidenze empiriche, non un argomento teologico. Non identifica chi sia il progettista, non sostiene dottrine religiose specifiche. Come tutte le inferenze alla miglior spiegazione, non costituisce una «prova» nel senso dimostrativo del termine. Il progettista che questa inferenza postula resta un’entità non osservabile con i metodi della scienza sperimentale — un limite reale dell’ID che va riconosciuto con la stessa onestà con cui si riconoscono i limiti delle spiegazioni naturalistiche.

L’obiezione che questa sia un’argomentazione «Dio delle lacune» — che non sapere come l’evoluzione abbia prodotto questi sistemi non significa che non lo abbia fatto — merita una risposta precisa. L’inferenza al design non si fonda sull’ignoranza ma sulla conoscenza positiva: sappiamo esattamente cosa i processi casuali non possono fare (grazie alla genetica delle popolazioni e alla biochimica), e sappiamo per esperienza ripetuta e uniforme cosa l’intelligenza può fare. Appellarsi a meccanismi sconosciuti che un giorno risolveranno il problema è, semmai, la vera mossa basata sull’ignoranza.

Per approfondire

• Esperimenti di laboratorio e i limiti osservati — i dati sperimentali su cui questi casi si fondano.
• La genetica delle popolazioni e le barriere matematiche — i calcoli di Durrett-Schmidt e Axe.
• Cosa può e cosa non può fare la selezione naturale — la tappa conclusiva del Percorso.
• Il sistema immunitario e le ciglia eucariotiche — gli stessi sistemi visti dal lato della struttura.
• Perché la complessità irriducibile è un problema per il darwinismo — il quadro d’insieme.

Riferimenti

Behe, M. J. (1996). Darwin’s Black Box: The Biochemical Challenge to Evolution. Free Press.

Behe, M. J. (2007). The Edge of Evolution: The Search for the Limits of Darwinism. Free Press.

Behe, M. J. (2019). Darwin Devolves: The New Science About DNA That Challenges Evolution. HarperOne.

Cassell, E. (2021). Animal Algorithms: Evolution and the Mysterious Origin of Ingenious Instincts. Discovery Institute Press.

Axe, D. D. (2004). “Estimating the Prevalence of Protein Sequences Adopting Functional Enzyme Folds.” Journal of Molecular Biology, 341(5), 1295–1315. DOI: 10.1016/j.jmb.2004.06.058

Axe, D. D., e Gauger, A. K. (2011). “The Evolutionary Accessibility of New Enzyme Functions.” BIO-Complexity, 2011(1). DOI: 10.5048/BIO-C.2011.1

Thornton, J. W. (2004). “Resurrecting ancient genes: experimental analysis of extinct molecules.” Nature Reviews Genetics, 5(5), 366–375. DOI: 10.1038/nrg1324

Behe, M. J., e Snoke, D. W. (2004). “Simulating evolution by gene duplication of protein features that require multiple amino acid residues.” Protein Science, 13(10), 2651–2664. DOI: 10.1110/ps.04802904

Davidson, E. H., e Erwin, D. H. (2006). “Gene Regulatory Networks and the Evolution of Animal Body Plans.” Science, 311(5762), 796–800. DOI: 10.1126/science.1113832

Minnich, S. A., e Meyer, S. C. (2004). “Genetic Analysis of Coordinate Flagellar and Type III Regulatory Circuits in Pathogenic Bacteria.” In Proceedings of the Second International Conference on Design and Nature. WIT Press.

ENCODE Project Consortium (2012). “An integrated encyclopedia of DNA elements in the human genome.” Nature, 489(7414), 57–74. DOI: 10.1038/nature11247

Franze, K. et al. (2007). “Müller cells are living optical fibers in the vertebrate retina.” Proceedings of the National Academy of Sciences, 104(20), 8287–8292. DOI: 10.1073/pnas.0611180104

Harold, F. M. (2001). The Way of the Cell: Molecules, Organisms, and the Order of Life. Oxford University Press.

Meyer, S. C. (2009). Signature in the Cell: DNA and the Evidence for Intelligent Design. HarperOne.

Meyer, S. C. (2013). Darwin’s Doubt: The Explosive Origin of Animal Life and the Case for Intelligent Design. HarperOne.

Stadler, R. (2016). The Scientific Approach to Evolution: What They Didn’t Teach You in Biology. Crossroad Press.

Percorso: Evoluzione
Modulo 5

Prerequisiti:
Modulo 4
Guida alla lettura
Disclaimer

Introduzione: quando la matematica incontra la biologia

Esiste una disciplina scientifica — la genetica delle popolazioni — che fu sviluppata esplicitamente per fornire una base matematica rigorosa alla teoria darwiniana. Nata negli anni Trenta e Quaranta del Novecento dall’opera di tre grandi scienziati — Ronald Fisher in Inghilterra, Sewall Wright negli Stati Uniti e J.B.S. Haldane in Gran Bretagna — la genetica delle popolazioni traduce le intuizioni qualitative di Darwin in equazioni precise: dati il tasso di mutazione, le dimensioni della popolazione, il vantaggio selettivo di una variante e i tempi di generazione, quanto tempo impiegherà una mutazione benefica a diffondersi in tutta la popolazione? Quante generazioni servono perché un nuovo tratto si fissi?

Il contesto in cui nacque questa disciplina è significativo. All’epoca, i «mutazionisti» ritenevano che le leggi della genetica mendeliana e l’equilibrio di Hardy-Weinberg dimostrassero la stasi delle specie, non il loro cambiamento. Il darwinismo era in crisi. Fisher, Wright e Haldane — tre personalità radicalmente diverse: Fisher era un matematico e statistico di stampo conservatore, Haldane un aristocratico e poliedrico pensatore marxista, Wright un americano del Midwest — utilizzarono sofisticati modelli matematici per dimostrare che variazioni genetiche su piccola scala potevano accumularsi nel tempo all’interno delle popolazioni, producendo infine cambiamenti su larga scala. Il risultato fu la Sintesi Moderna (o neodarwinismo): l’unificazione della teoria di Darwin con la genetica di Mendel.

Per decenni, questa disciplina fu presentata come la prova matematica definitiva della validità del meccanismo darwiniano. I suoi fondatori erano convinti di aver dimostrato, in termini quantitativi, che la Selezione naturale potesse fare tutto ciò che Darwin sosteneva — dato abbastanza tempo.

Eppure, almeno uno dei fondatori intuiva già un limite. Lo stesso Ronald Fisher, nel suo libro La teoria genetica della Selezione naturale, calcolò che per i cambiamenti mutazionali «la possibilità di miglioramento diminuisce progressivamente, fino a diventare nulla, o almeno trascurabile, per i cambiamenti di carattere sufficientemente pronunciato». Una frase profetica, il cui significato pieno sarebbe emerso solo decenni più tardi.

Il paradosso storico che questo Modulo esplora è il seguente: quando la genetica delle popolazioni viene applicata ai problemi reali posti dalla biologia molecolare moderna — quanto tempo serve per generare una nuova proteina, quante generazioni occorrono per fissare due mutazioni coordinate negli ominidi, quante cellule sono necessarie per produrre un adattamento che richiede più mutazioni simultanee — i risultati dimostrano non il potere illimitato del meccanismo darwiniano, ma i suoi limiti insormontabili. Lo strumento matematico creato per sostenere il darwinismo è diventato lo strumento che ne rivela i confini.

1. I concetti fondamentali: il vocabolario della genetica delle popolazioni

Prima di affrontare i calcoli, è necessario familiarizzare con il vocabolario tecnico della genetica delle popolazioni. Questi concetti non sono astrazioni filosofiche: sono le variabili delle equazioni che determinano cosa è evolutivamente possibile e cosa non lo è.

La dimensione effettiva della popolazione

La dimensione effettiva della popolazione (indicata con Ne) è il numero di individui che contribuiscono realmente alla trasmissione genetica alla generazione successiva. Questo numero è spesso molto inferiore — talvolta di molti ordini di grandezza — alla dimensione totale (censita) della popolazione, perché molti fattori biologici diversi dall’idoneità genetica determinano quali individui trasmettono effettivamente i propri geni.

Tra i fattori che riducono drasticamente la dimensione effettiva vi sono i colli di bottiglia (bottleneck), ovvero contrazioni numeriche improvvise causate da catastrofi o epidemie; l’effetto del fondatore, quando un piccolo gruppo si isola dal resto della popolazione; e le strategie di riproduzione non uniforme, in cui solo una minoranza degli individui si riproduce con successo.

Un esempio concreto: gli elefanti marini (Mirounga angustirostris). A causa della caccia intensiva tra il 1820 e il 1880, la loro popolazione si ridusse a circa venti individui — un collo di bottiglia estremo. Oggi sono circa 30.000, ma la loro dimensione genetica effettiva resta profondamente alterata, non solo per il collo di bottiglia storico, ma anche perché solo pochi maschi si riproducono ogni anno, ciascuno generando molti discendenti. Questa riproduzione non uniforme comporta un’elevata frequenza di omozigosi e una drastica riduzione della variabilità genetica.

Le stime di Ne variano enormemente tra le specie. La Drosophila (il moscerino della frutta) ha una popolazione effettiva di circa un milione di individui, il che permette alla Selezione di operare efficacemente. La linea evolutiva degli ominidi, al contrario, aveva una dimensione effettiva stimata intorno a 10.000–30.000 individui. La dimensione effettiva è cruciale perché determina quante varianti genetiche diverse vengono generate per unità di tempo — e quindi quanti «tentativi» il meccanismo evolutivo può effettuare nella ricerca di nuove funzioni biologiche.

La deriva genetica

La deriva genetica (genetic drift) è la fluttuazione casuale della frequenza di un allele in una popolazione da una generazione all’altra, dettata dal puro caso e senza alcun riguardo per l’effetto di quel tratto sulla sopravvivenza o sulla riproduzione.

Un’analogia aiuta a rendere il concetto accessibile. Immaginate un sacchetto con cento biglie — cinquanta rosse e cinquanta blu. Se ne estraete metà a caso, c’è meno di una possibilità su 10³⁰ che tutte le cinquanta estratte siano dello stesso colore: in un campione grande, le frequenze tendono a mantenersi stabili. Ma in un gruppo di sole otto biglie — quattro rosse e quattro blu — la probabilità di estrarne casualmente quattro dello stesso colore è di 1 su 70, un evento molto più plausibile. In modo simile, la probabilità che un tratto genetico si fissi per puro caso in una popolazione diminuisce esponenzialmente con la dimensione della popolazione.

Nelle popolazioni grandi, l’effetto della deriva genetica è trascurabile: la Selezione naturale domina. Nelle popolazioni piccole, la situazione si capovolge: varianti geniche possono andare perdute o fissarsi per puro caso, rendendo l’evoluzione un processo «cieco» e non adattativo. Questo ha implicazioni profonde per gli organismi con popolazioni limitate — come gli ominidi.

Il coefficiente di Selezione e la soglia di invisibilità

Il coefficiente di Selezione (s) misura il vantaggio o lo svantaggio riproduttivo conferito da una variante rispetto all’alternativa. Un coefficiente di +0,01 significa che gli individui con la variante vantaggiosa lasciano in media l’1% più di discendenti. Un coefficiente di +0,001 significa un vantaggio dello 0,1%.

Esiste una relazione matematica precisa tra il coefficiente di Selezione e la dimensione della popolazione che introduce il concetto di soglia di invisibilità. La Selezione naturale perde il suo potere di discriminazione — diventa «invisibile» rispetto alla deriva genetica — quando il vantaggio conferito dalla mutazione scende al di sotto dell’inverso della dimensione effettiva della popolazione (cioè quando Ne × s è molto inferiore a 1). In quel regime, gli effetti stocastici della deriva genetica sovrastano gli effetti della Selezione.

Per fare un esempio concreto: se una mutazione conferisce uno svantaggio di appena uno su un milione (s = −0,000001), ma la popolazione conta meno di un milione di individui, la Selezione naturale non è in grado di «vederla» — la mutazione si comporta come se fosse neutra. Questo spiega perché nelle popolazioni piccole, come quelle dei nostri antenati ominidi, i processi non adattativi dominano e le mutazioni leggermente deleterie si accumulano anziché essere eliminate.

Il tempo di fissazione

Il tempo di fissazione è il numero di generazioni necessario perché una nuova mutazione, una volta insorta in un singolo individuo, si diffonda fino a diventare l’unica versione di quel gene presente nell’intera popolazione — cioè raggiunga una frequenza del 100%.

Il calcolo dipende dalla dimensione della popolazione, dal tempo di generazione, dal tasso di mutazione e dal coefficiente di Selezione. Un’analogia utile è quella della lotteria Powerball: la frequenza delle estrazioni (analoga al tasso di mutazione e al tempo di generazione) e il numero di giocatori (analogo alla dimensione della popolazione) determinano statisticamente quanto tempo occorrerà per «vincere» — cioè per ottenere e fissare la mutazione desiderata.

Per una singola mutazione vantaggiosa in una grande popolazione, i tempi di attesa sono relativamente brevi. Ma quando sono necessarie mutazioni coordinate — quando due o più cambiamenti specifici devono verificarsi contemporaneamente nello stesso individuo per conferire un vantaggio — i tempi non raddoppiano: esplodono esponenzialmente. I dettagli di questi calcoli sono stati esaminati Nel Modulo 3 di questo Percorso, dove abbiamo visto che Durrett e Schmidt hanno calcolato un tempo di attesa di 216 milioni di anni per due sole mutazioni coordinate nella linea degli ominidi — trentasei volte il tempo disponibile dalla separazione con gli scimpanzé.

2. Il paesaggio adattativo: dalla metafora alla realtà molecolare

Il concetto più influente sviluppato dalla genetica delle popolazioni classica per visualizzare l’evoluzione è il paesaggio adattativo (adaptive landscape), introdotto da Sewall Wright negli anni Trenta.

L’idea è elegante. Immaginate uno spazio matematico in cui ogni punto rappresenta un genotipo possibile — una combinazione specifica di varianti genetiche. A ogni genotipo corrisponde un valore di fitness: quanto bene quell’organismo sopravvive e si riproduce nel suo ambiente. Se rappresentiamo la fitness come altezza, otteniamo una superficie tridimensionale — un paesaggio con picchi (combinazioni genetiche altamente adattive), valli (combinazioni poco adattive o letali) e pendii (regioni di transizione).

In questo modello, l’evoluzione procede scalando i picchi: le mutazioni che aumentano la fitness vengono selezionate positivamente, spingendo la popolazione verso l’alto sul paesaggio. Richard Dawkins ha reso popolare questa visione con la sua metafora del «Monte Improbabile»: una montagna altissima che sembra inaccessibile vista dalla vetta, ma che avrebbe un versante posteriore fatto di piccoli gradini percorribili, uno alla volta, dalla Selezione naturale.

La metafora di Dawkins merita una nota di onestà intellettuale. Il suo argomento originale si applicava alla Selezione cumulativa operante su tratti fenotipici — cioè sulle caratteristiche visibili degli organismi. A quel livello di descrizione, l’idea di gradini percorribili ha una certa plausibilità: piccoli cambiamenti nel becco di un fringuello, nella lunghezza di un collo, nel colore di una falena. Il problema emerge quando si scende al livello molecolare delle sequenze proteiche, che è il livello in cui l’evoluzione deve effettivamente operare per produrre nuove strutture biologiche.

A livello molecolare, il paesaggio adattativo non assomiglia a una catena montuosa con pendii graduali: assomiglia a un oceano piatto, con rare isole funzionali separate da vasti tratti di sequenze non funzionali. Le proteine funzionali — come i calcoli esaminati Nel Modulo 3 hanno mostrato — sono estremamente rare nello spazio delle possibili sequenze aminoacidiche: circa 1 su 10⁷⁷. Non esistono pendii graduali che conducono da una proteina funzionale a un’altra di tipo diverso: esistono isole funzionali isolate, separate da oceani di sequenze non funzionali che la Selezione naturale non può attraversare perché ogni passo nell’oceano produce una proteina inutile o dannosa.

Il «Monte Improbabile» non esiste a livello molecolare. C’è l’isola su cui ci troviamo, e c’è l’oceano. Non c’è il versante che conduce alla prossima isola.

3. Le valli adattative: il problema dei passi in salita

Il concetto di paesaggio adattativo introduce un problema tecnico di importanza cruciale: le valli adattative — le regioni del paesaggio in cui le varianti intermedie sono meno adatte dell’antenato.

In molti casi reali, il Percorso evolutivo da una struttura biologica a un’altra più complessa richiederebbe di attraversare una valle: varianti intermedie che non funzionano né come la struttura originale né come quella finale, e che quindi verrebbero eliminate dalla Selezione purificatrice prima di poter accumulare le ulteriori mutazioni necessarie per raggiungere la funzione nuova.

La Selezione naturale non può attraversare queste valli. Può solo scalare pendii — selezionare varianti progressivamente più adatte. Quando il Percorso verso una nuova funzione richiede di attraversare una valle, la Selezione non solo non aiuta: attivamente ostacola il Percorso, eliminando le varianti intermedie.

Come si potrebbe in teoria attraversare una valle adattativa? Attraverso la deriva genetica: nelle popolazioni molto piccole, varianti leggermente meno adatte possono fissarsi per caso, permettendo alla popolazione di attraversare la valle e raggiungere la base del picco successivo. Ma questo meccanismo incontra limiti severi. La valle non deve essere troppo profonda — le varianti troppo svantaggiate vengono eliminate troppo rapidamente per potersi fissare per deriva. Il processo è lento e inaffidabile. E anche se la popolazione riesce ad attraversare la valle, deve poi scalare il picco successivo — il che richiede mutazioni costruttive positive, con tutti i problemi di rarità e probabilità che abbiamo esaminato.

Il risultato è che il paesaggio adattativo molecolare — con le sue isole funzionali rare e isolate — non è percorribile dal meccanismo casuale-selettivo nei tempi biologicamente disponibili.

4. La teoria neutrale: una spiegazione elegante con limiti profondi

Di fronte ai limiti della Selezione naturale, alcuni teorici hanno invocato la teoria neutrale dell’evoluzione molecolare come possibile via d’uscita. È un’obiezione seria e va presa nella sua forma più forte.

La teoria fu proposta nel 1968 dal genetista giapponese Motoo Kimura. Il contesto storico è significativo: la biologia molecolare stava scoprendo un’enorme variabilità genetica all’interno delle popolazioni che non si traduceva in alcun cambiamento fenotipico osservabile e non sembrava influenzare la fitness. Kimura postulò che la stragrande maggioranza delle mutazioni a livello molecolare fosse «neutra» — né benefica né dannosa — e che queste mutazioni si accumulassero nel tempo non per via della Selezione naturale, ma attraverso la deriva genetica.

I punti di forza

La teoria neutrale ha meriti reali che vanno riconosciuti. Spiega in modo elegante il concetto di orologio molecolare: poiché le mutazioni neutre si accumulano a un tasso relativamente costante, contando le differenze in sequenze di DNA tra due specie è possibile stimare da quanto tempo le loro linee evolutive si sono separate. Inoltre, confrontando le mutazioni nei siti neutri con quelle nei siti funzionali, la teoria permette di individuare dove la Selezione naturale sta effettivamente agendo. Ha dunque un valore reale come strumento analitico.

I limiti fondamentali

Tuttavia, la teoria neutrale fallisce nel fornire una spiegazione per l’origine delle innovazioni macroevolutive e della complessità biologica funzionale. La ragione è intrinseca alla teoria stessa: rinunciando alla Selezione naturale come forza guida, ci si affida a una ricerca puramente casuale nell’immenso spazio delle sequenze possibili. Le mutazioni neutrali vagano senza direzione nello spazio delle sequenze — non c’è nessun meccanismo che le orienti verso le rare isole funzionali. Nella metafora dell’oceano, le mutazioni neutrali non nuotano verso l’isola: galleggiano casualmente in qualsiasi direzione. Come ha osservato il biologo evoluzionista Jerry Coyne — un critico feroce del Disegno Intelligente — la deriva è «impotente a creare adattamenti» e non ha «il potere plasmante della Selezione naturale».

La teoria di Michael Lynch

Il biologo evoluzionista Michael Lynch ha sviluppato una versione più elaborata della teoria neutrale per tentare di spiegare l’aumento della complessità genomica. La sua tesi è che nelle grandi popolazioni batteriche la Selezione è molto efficiente e mantiene i genomi piccoli e compatti, mentre nelle piccole popolazioni eucariote — dove la Selezione è intrinsecamente debole — i processi neutrali e la deriva genetica dominano. In queste condizioni, la Selezione non riesce a impedire l’accumulo di materiale genetico «extra»: DNA non codificante, introni, duplicazioni geniche, trasposoni. Secondo Lynch, questa «complessità genomica bruta», accumulatasi per cause non adattative, costituirebbe il motore passivo della successiva evoluzione degli animali.

La proposta di Lynch è ingegnosa e merita un esame attento. Ma incontra tre obiezioni fondamentali.

La prima riguarda lo spliceosoma. La teoria di Lynch assume che nelle piccole popolazioni gli organismi accumulino sequenze non codificanti all’interno dei geni — gli introni. Ma per poter produrre proteine funzionanti, gli introni devono essere ritagliati con precisione assoluta dai trascritti di RNA. Questo processo richiede lo spliceosoma, una delle macchine macromolecolari più intricate della cellula, composta da oltre 150 proteine e numerosi RNA. Lynch spiega come mai ci sia tanto DNA non codificante, ma non spiega da dove viene la macchina molecolare necessaria per gestirlo. Come è stato osservato, la teoria «presuppone l’esistenza proprio di queste macchine intricate», chiedendo che un apparato molecolare immenso sia già misteriosamente arrivato «da fuori scena» per far funzionare lo scenario.

La seconda obiezione riguarda il problema dell’informazione. Accumulare sequenze casuali non equivale a generare informazione funzionale. L’aumento della massa del DNA attraverso duplicazioni e inserimento di introni costituisce un aumento di «complessità genomica bruta», non la generazione di informazione specificata. Aggiungere pagine bianche a un libro non aumenta il contenuto informativo del libro.

La terza obiezione è ricorsiva. Tentando di aggirare i limiti della Selezione naturale, Lynch si affida in ultima analisi alla sola mutazione casuale e alla deriva per trovare nuovi adattamenti complessi. Ma Douglas Axe ha dimostrato che, privando l’evoluzione della forza conservativa della Selezione, «i cambiamenti produttivi non possono essere messi in banca»: senza la Selezione a preservare i passi funzionali intermedi, i tassi di degradazione genetica sovrastano enormemente le rare mutazioni costruttive, causando un aumento — anziché una riduzione — dei tempi di attesa necessari.

5. La variazione con la dimensione della popolazione: batteri, mammiferi, ominidi

Una delle implicazioni più importanti della genetica delle popolazioni riguarda la variazione delle barriere evolutive in funzione della dimensione della popolazione. Le stesse equazioni, applicate a parametri diversi, producono risultati radicalmente diversi.

I microorganismi — batteri, virus, parassiti — hanno popolazioni enormi e tempi di generazione brevissimi. Si stima che sulla Terra esistano circa 10³⁰ cellule batteriche, con tempi di generazione compresi tra venti e trenta minuti. In queste condizioni, la Selezione naturale è molto efficace: anche vantaggi selettivi molto piccoli possono diffondersi rapidamente. Il numero di «tentativi» disponibili è astronomico: negli ultimi cinquant’anni di esposizione ai farmaci antimalarici, il Plasmodium falciparum ha prodotto circa 10²⁰ organismi. L’HIV ha generato un numero analogo di particelle virali dall’inizio dell’epidemia.

Gli animali multicellulari, e in particolare i mammiferi, si trovano in una situazione radicalmente diversa. Le popolazioni riproduttive dei grandi mammiferi sono infinitamente più piccole. La dimensione effettiva della popolazione degli ominidi antichi — stimata attraverso l’analisi della variabilità genetica moderna e di frammenti di DNA antico di Neanderthal e Denisovani — era dell’ordine di 10.000 individui. Il tempo di generazione era di circa dieci-dodici anni. Il tasso di mutazione si traduce in circa cento mutazioni per generazione per individuo.

La differenza è vertiginosa. Come è stato osservato, il numero di cellule malariche e di HIV prodotte solo negli ultimi cinquant’anni ha probabilmente superato di gran lunga il numero di tutti i mammiferi vissuti sulla Terra negli ultimi cento milioni di anni. Eppure, anche con quelle risorse immense, i microorganismi non hanno prodotto alcuna nuova struttura molecolare fondamentale — solo adattamenti attraverso la degradazione di funzioni preesistenti, come documentato nei Moduli 2 e 5.

Per gli ominidi, con le loro risorse di ordini di grandezza inferiori, la situazione è incomparabilmente peggiore. Il numero totale di individui vissuti nella linea evolutiva ominide negli ultimi sei milioni di anni si aggira intorno a un trilione (10¹²). Confrontato con lo spazio di ricerca necessario per trovare una nuova proteina funzionale — 1 su 10⁷⁷ — questo numero di tentativi copre appena una parte su 10⁶⁵ delle possibilità. Le stesse equazioni della genetica delle popolazioni, applicate a questi parametri, producono i tempi di attesa proibitivi che abbiamo esaminato Nel Modulo 3.

6. L’accumulo delle mutazioni deleterie: l’entropia genetica

La genetica delle popolazioni rivela un problema ulteriore, spesso trascurato, che riguarda specificamente le popolazioni piccole: l’accumulo inarrestabile di mutazioni leggermente deleterie.

Nelle grandi popolazioni, la Selezione purificatrice è efficiente: le mutazioni leggermente dannose vengono eliminate dalla popolazione prima di potersi accumulare. Ma nelle piccole popolazioni — dove, come abbiamo visto, il prodotto Ne × s scende al di sotto di 1 — molte mutazioni leggermente deleterie sfuggono al vaglio della Selezione e si comportano come effettivamente neutrali. La deriva genetica le trascina alla fissazione, e si accumulano nel genoma generazione dopo generazione.

Il genetista John Sanford ha descritto questo fenomeno come «entropia genetica»: anziché produrre evoluzione dal basso verso l’alto o costruire nuove strutture, i genomi degli animali nelle piccole popolazioni tendono a subire una degenerazione progressiva della fitness complessiva. Le mutazioni leggermente deleterie — troppo deboli individualmente per essere «viste» dalla Selezione — si sommano nel tempo, erodendo gradualmente l’informazione funzionale del genoma.

Questo fenomeno crea un paradosso per il darwinismo: il meccanismo che dovrebbe costruire nuova complessità biologica, quando opera nelle condizioni tipiche degli organismi multicellulari complessi (popolazioni piccole, generazioni lunghe), tende invece a degradare l’informazione esistente. La stessa conclusione a cui sono giunti gli esperimenti di laboratorio e le analisi genomiche esaminati nei Moduli precedenti.

7. Il doppio standard: la matematica esaltata e poi ignorata

L’analisi della genetica delle popolazioni rivela anche un problema epistemologico che riguarda il modo in cui la comunità scientifica tratta le proprie evidenze — un problema che è legittimo sollevare indipendentemente dalla propria posizione sul Disegno Intelligente.

Quando la genetica delle popolazioni, con le sue formule matematiche, sembrava confermare l’evoluzione darwiniana — supponendo che le mutazioni casuali potessero generare nuovi tratti adattativi e che la Selezione potesse accumularli indefinitamente — i biologi evoluzionisti la esaltavano come la prova definitiva. L’argomento era: «la matematica racconta la storia; i dettagli biologici non contano».

Tuttavia, quando biologi, matematici e teorici del design applicano le stesse equazioni e gli stessi principi per dimostrare i tempi di attesa proibitivi necessari per assemblare anche solo due o tre mutazioni coordinate, la matematica viene improvvisamente ignorata o sminuita. Questo è un doppio standard che merita di essere riconosciuto: non si può invocare la genetica delle popolazioni come sostegno quando i numeri funzionano e poi accantonarla quando i numeri non funzionano.

Questo doppio standard non è una scoperta dei teorici del Disegno Intelligente. Il problema fu sollevato per la prima volta nel 1966, in una conferenza storica al Wistar Institute di Filadelfia — Mathematical Challenges to the Neo-Darwinian Interpretation of Evolution — da parte di eminenti matematici, fisici e informatici che non avevano alcun legame con l’ID. Tra questi, Murray Eden del MIT sottolineò che in tutti i codici informatici e nei testi scritti, la specificità della sequenza determina la funzione, e che «nessun linguaggio formale attualmente esistente può tollerare cambiamenti casuali nelle sequenze di simboli che esprimono le sue frasi: il significato viene quasi invariabilmente distrutto». Stanislaw Ulam e Marcel-Paul Schützenberger dimostrarono l’implausibilità matematica di trovare nuove sequenze proteiche funzionali attraverso ricerca casuale, osservando che l’inflazione combinatoria rende le probabilità «così vicine allo zero che le possibilità di una tale catena sembrano essere praticamente inesistenti».

Sessant’anni dopo, il problema sollevato al Wistar Institute non è stato risolto. È stato solo ignorato.

8. Cosa omettono i libri di testo

Un aspetto importante di questo tema riguarda il modo in cui la genetica delle popolazioni viene insegnata nelle scuole e nelle università. I manuali scolastici standard introducono il concetto di pool genico, l’equazione di Hardy-Weinberg, i «fattori evolutivi» che alterano le frequenze alleliche (deriva genetica, flusso genico, mutazioni, accoppiamento non casuale). La Selezione naturale viene presentata come la «forza principale dell’evoluzione», attraverso i concetti di Selezione stabilizzante, direzionale e divergente.

Questo materiale è corretto nei suoi fondamenti. Ma i testi omettono tre punti cruciali.

In primo luogo, omettono la differenza tra alterare e creare. L’apparato matematico della genetica delle popolazioni modella la distribuzione di varianti già preesistenti — come cambiano le frequenze degli alleli — ma non modella l’effettiva creazione di nuove sequenze d’informazione complessa. Fenomeni come il melanismo industriale o la resistenza agli antibiotici riguardano l’alterazione di tratti già esistenti, non la comparsa di strutture biologiche radicalmente nuove. I libri di testo danno per scontato che il meccanismo responsabile del primo tipo di cambiamento sia sufficiente anche per il secondo — un’estrapolazione che non è supportata dalla matematica stessa.

In secondo luogo, omettono il problema dei tempi di attesa. Non informano gli studenti che, non appena un’innovazione richiede più di una mutazione simultanea, i tempi di attesa esplodono a livelli incompatibili con la cronologia geologica disponibile.

In terzo luogo, omettono la debolezza della Selezione nelle popolazioni piccole. Non spiegano che nei gruppi animali a riproduzione sessuale, caratterizzati da popolazioni effettive limitate, la Selezione naturale è matematicamente «debole» — troppo debole per ottimizzare, troppo debole per impedire l’accumulo di mutazioni deleterie, e infinitamente troppo debole per «scolpire» con precisione le innovazioni complesse che il neodarwinismo le attribuisce.

Questa omissione non è un dettaglio tecnico: è una lacuna formativa che impedisce allo studente di comprendere i limiti reali del meccanismo evolutivo — limiti che emergono dalla stessa disciplina matematica che i libri di testo invocano a sostegno del darwinismo.

9. Il paradosso storico: la matematica contro i suoi creatori

Vale la pena soffermarsi sul paradosso storico che questo Modulo ha delineato, perché è intellettualmente significativo al di là del suo contenuto tecnico.

La genetica delle popolazioni fu sviluppata negli anni Trenta come strumento matematico per sostenere il darwinismo. Fisher, Wright e Haldane volevano dimostrare che la Selezione naturale era un meccanismo abbastanza potente da spiegare tutta la diversità biologica. Le equazioni che svilupparono erano, nelle loro intenzioni, una dimostrazione della plausibilità del darwinismo.

Settant’anni dopo, quando le stesse equazioni vengono applicate ai problemi reali posti dalla biologia molecolare — non ai tratti biologici astratti dei modelli classici, ma alle sequenze proteiche reali, alle macchine molecolari reali, agli adattamenti di organismi reali — producono risultati che quei fondatori non avrebbero mai previsto. Il genetista John McDonald dell’Università della Georgia ha individuato un «grande paradosso darwiniano»: i geni che variano all’interno delle popolazioni naturali non sembrano essere alla base dei grandi cambiamenti adattativi, mentre i geni che causano i grandi cambiamenti non variano nelle popolazioni naturali.

Stephen Meyer ha riassunto la situazione con un’immagine efficace: «il serpente si è mangiato la coda». La matematica neodarwiniana sta dimostrando che il meccanismo neodarwiniano non è in grado di costruire adattamenti complessi.

10. Dall’analisi matematica alla deduzione filosofica

Come si connette questa analisi matematica con l’argomento del Disegno Intelligente? È necessario essere chiari sulla natura del passaggio logico, in coerenza con la posizione editoriale di questo sito.

L’analisi matematica della genetica delle popolazioni, combinata con i calcoli probabilistici sullo spazio delle sequenze proteiche e con i dati empirici degli esperimenti di laboratorio e delle popolazioni naturali, dimostra che i processi non guidati — mutazione casuale, Selezione naturale, deriva genetica, evoluzione neutrale — non dispongono delle risorse probabilistiche e del tempo necessari per generare la complessità biologica fondamentale che osserviamo. Non è un’affermazione di ignoranza: è un risultato quantitativo positivo che deriva dall’applicazione delle equazioni della genetica delle popolazioni ai parametri biologici reali.

Dall’altra parte dell’equazione, l’esperienza uniforme mostra che la sola causa nota capace di produrre sistemi caratterizzati da informazione complessa specificata — codici digitali funzionali, macchine multicomponente, algoritmi di controllo sofisticati — è una mente intelligente.

L’inferenza è un’abduzione — un’inferenza alla miglior spiegazione — che procede attraverso il principio di adeguatezza causale: per spiegare un effetto, occorre una causa che abbia la capacità dimostrata di produrre quel tipo di effetto. È una deduzione logica e filosofica basata su evidenze empiriche, non un argomento teologico.

Tuttavia — e questo va detto con la stessa onestà — il progettista che questa inferenza postula resta un’entità non osservabile con i metodi della scienza sperimentale. Questo è un limite reale dell’ID, che ne vincola la classificazione come teoria scientifica in senso stretto. Ma non ne invalida le argomentazioni, così come la non osservabilità diretta del multiverso o dell’abiogenesi non invalida le teorie che li invocano. Il doppio standard che riserva all’ID un’esclusione che non applica a teorie mainstream con analoghi problemi di verificabilità è un problema di equità epistemologica, non di contenuto scientifico.

Sull’obiezione che l’ID sia un «argomento dall’ignoranza» — che non sapere come l’evoluzione abbia fatto non significa che non lo abbia fatto — è importante essere precisi. L’inferenza al design non si basa su ciò che non sappiamo, ma su ciò che sappiamo: sappiamo esattamente quali sono i limiti matematici dei processi stocastici, e sappiamo per esperienza diretta che l’intelligenza genera informazione specificata. Appellarsi a «meccanismi sconosciuti» che un giorno risolveranno il problema è, semmai, la vera mossa basata sull’ignoranza — quella che è stata definita «Darwin delle lacune»: la fiducia, non supportata da prove, che un meccanismo non identificato verrà un giorno scoperto per risolvere un problema che le cause naturali note non risolvono. Come è stato osservato: «un’incognita non può suggerire nulla».

Concetti chiave

1. La genetica delle popolazioni è lo strumento matematico che ha finito per documentare i limiti del darwinismo. Nata per sostenere Darwin, quando applicata alla biologia molecolare moderna produce tempi di attesa e barriere combinatorie incompatibili con la cronologia evolutiva disponibile.
2. Le barriere evolutive variano enormemente con la dimensione della popolazione. Nei microorganismi con miliardi di individui, il meccanismo darwiniano ha risorse per esplorare ampie regioni dello spazio genetico. Negli ominidi con popolazioni di circa 10.000 individui, anche adattamenti che richiedono poche mutazioni coordinate diventano matematicamente inaccessibili.
3. Il paesaggio adattativo molecolare è fatto di isole, non di montagne. Le proteine funzionali sono estremamente rare nello spazio delle sequenze, separate da oceani di sequenze non funzionali. La Selezione naturale non può attraversare le valli adattative che separano le isole funzionali.
4. L’evoluzione neutrale e la teoria di Lynch non risolvono il problema combinatorio. Le mutazioni neutrali vagano senza direzione; Lynch presuppone, senza spiegare, l’esistenza di macchinari molecolari complessi come lo spliceosoma; la degradazione genomica sovrasta le rare mutazioni costruttive.
5. L’accumulo di mutazioni deleterie nelle popolazioni piccole causa entropia genetica. Anziché costruire nuova complessità, il meccanismo evolutivo nelle condizioni tipiche dei vertebrati tende a degradare l’informazione esistente.
6. L’inferenza al Disegno Intelligente è una deduzione logica e filosofica basata su dati empirici, non un argomento teologico. Come tutte le inferenze alla miglior spiegazione, non costituisce una «prova» nel senso dimostrativo del termine, ma rappresenta la spiegazione più coerente con le evidenze disponibili — riconoscendo onestamente il limite che il progettista non è osservabile con i metodi della scienza sperimentale.

Per approfondire

• La Prima Regola dell’Evoluzione Adattativa — la regola che la matematica delle popolazioni spiega.
• Esperimenti di laboratorio e i limiti osservati — le barriere matematiche viste in azione.
• Il margine dell’evoluzione: casi di studio specifici — dove i numeri incontrano i sistemi reali.
• Cosa può e cosa non può fare la selezione naturale — la sintesi del Percorso.
• L’enigma dell’origine dell’informazione biologica — lo spazio delle sequenze e le risorse probabilistiche.

Riferimenti

Behe, M. J. (2007). The Edge of Evolution: The Search for the Limits of Darwinism. Free Press.

Behe, M. J. (2019). Darwin Devolves: The New Science About DNA That Challenges Evolution. HarperOne.

Axe, D. D. (2004). “Estimating the Prevalence of Protein Sequences Adopting Functional Enzyme Folds.” Journal of Molecular Biology, 341(5), 1295–1315. DOI: 10.1016/j.jmb.2004.06.058

Durrett, R., e Schmidt, D. (2008). “Waiting for Two Mutations: With Applications to Regulatory Sequence Evolution and the Limits of Darwinian Evolution.” Genetics, 180(3), 1501–1509. DOI: 10.1534/genetics.107.082610

Fisher, R. A. (1930). The Genetical Theory of Natural Selection. Clarendon Press.

Kimura, M. (1968). “Evolutionary rate at the molecular level.” Nature, 217(5129), 624–626. DOI: 10.1038/217624a0

Kimura, M. (1983). The Neutral Theory of Molecular Evolution. Cambridge University Press.

Wright, S. (1932). “The roles of mutation, inbreeding, crossbreeding, and selection in evolution.” Proceedings of the Sixth International Congress of Genetics, 1, 356–366.

Lynch, M. (2007). The Origins of Genome Architecture. Sinauer Associates.

Lynch, M., e Abegg, A. (2010). “The Rate of Establishment of Complex Adaptations.” Molecular Biology and Evolution, 27(6), 1404–1414. DOI: 10.1093/molbev/msq020

Eden, M. (1967). “Inadequacies of Neo-Darwinian Evolution as a Scientific Theory.” In P. S. Moorhead e M. M. Kaplan (eds.), Mathematical Challenges to the Neo-Darwinian Interpretation of Evolution. Wistar Institute Symposium Monograph No. 5. New York: Liss, 5–19.

Meyer, S. C. (2021). Return of the God Hypothesis: Three Scientific Discoveries That Reveal the Mind Behind the Universe. HarperOne.

Sanford, J. C. (2005). Genetic Entropy and the Mystery of the Genome. Ivan Press.

Marks, R. J., Dembski, W. A., e Ewert, W. (2017). Introduction to Evolutionary Informatics. World Scientific.

Stadler, R. (2016). The Scientific Approach to Evolution: What They Didn’t Teach You in Biology. Crossroad Press.

Dembski, W. A., Luskin, C., e Holden, J. M. (eds.) (2021). The Comprehensive Guide to Science and Faith. Harvest House Publishers.

Percorso: Evoluzione
Modulo 4

Prerequisiti:
Modulo 3
Guida alla lettura
Disclaimer

Introduzione: il laboratorio come tribunale

Nel dibattito tra il Disegno Intelligente e il darwinismo, gli esperimenti di laboratorio occupano una posizione privilegiata. A differenza degli argomenti paleontologici — che richiedono inferenze su eventi avvenuti centinaia di milioni di anni fa — e degli argomenti probabilistici — che si basano su calcoli matematici — gli esperimenti di laboratorio permettono di osservare l’evoluzione in tempo reale, in condizioni controllate, con popolazioni misurabili e meccanismi molecolari analizzabili nel dettaglio.

Se il meccanismo darwiniano ha davvero il potere creativo illimitato che gli viene attribuito, è in laboratorio che dovremmo vederlo in azione nel modo più diretto. I microrganismi — batteri, virus, parassiti — offrono le condizioni ideali: popolazioni enormi, tassi di riproduzione rapidissimi, tassi di mutazione sufficienti a generare una varietà genetica immensa in pochi anni. In un singolo flacone di Escherichia coli coltivato per pochi giorni ci sono più organismi di quanti ne siano mai esistiti di grandi mammiferi nella storia della Terra.

La distinzione tra microevoluzione e macroevoluzione — che abbiamo introdotto nel Percorso Introduttivo e che attraversa tutto questo Percorso — trova negli esperimenti di laboratorio il suo banco di prova più rigoroso. La microevoluzione — adattamenti all’interno di una specie — è un fatto documentato che nessuno contesta. La domanda è se il meccanismo osservato possa essere estrapolato alla macroevoluzione — all’origine di strutture biologiche genuinamente nuove. Gli esperimenti ci dicono cosa succede quando il meccanismo darwiniano opera nelle condizioni più favorevoli possibili. E la risposta, come vedremo, è tanto chiara quanto scomoda per il darwinismo.

Questo Modulo esamina sistematicamente cosa è effettivamente successo quando questa sfida è stata raccolta — e aggiunge alla trattazione diversi casi studio e controesempi che nei Moduli precedenti non avevamo avuto spazio per esaminare.

1. L’esperimento di Lenski: il più grande nella storia della biologia evolutiva

Nel febbraio 1988, il microbiologo Richard Lenski della Michigan State University avviò quello che sarebbe diventato il più lungo e dettagliato esperimento di evoluzione mai condotto. Il protocollo era semplice nella sua struttura, monumentale nella sua esecuzione.

Lenski prelevò un singolo ceppo di Escherichia coli — il batterio intestinale più studiato della biologia — e lo divise in dodici popolazioni separate e identiche. Ciascuna delle dodici linee fu coltivata in un ambiente rigorosamente controllato: una soluzione nutritiva (Davis Minimal Broth) con una quantità limitata di glucosio come unica fonte di carbonio. Ogni ventiquattro ore, dopo circa sei o sette generazioni batteriche in cui i batteri esaurivano i nutrienti disponibili, l’1% della coltura veniva trasferito in una nuova fiasca con terreno fresco. Le dodici popolazioni crescevano e si evolvevano in parallelo, in condizioni identiche, senza scambi genetici tra di loro.

Un aspetto cruciale del disegno sperimentale era la creazione di una “documentazione fossile vivente”: ogni cinquecento generazioni — circa settantacinque giorni — campioni batterici venivano congelati a -80°C. Questi campioni potevano essere rianimati in qualsiasi momento e confrontati direttamente con i ceppi di generazioni successive, permettendo analisi retrospettive di precisione impossibili negli studi sul campo.

L’esperimento è ancora in Percorso. Dopo il pensionamento di Lenski, è stato trasferito nel laboratorio di Jeffrey Barrick, che nel 2025 lo ha riportato alla Michigan State University. Al momento della redazione di questo Modulo, ha superato le 80.000 generazioni — equivalenti, in termini di scale temporali umane, a quasi due milioni di anni di storia evolutiva. Ha prodotto trilioni di cellule, analizzato centinaia di mutazioni, e generato una quantità di dati che richiederebbe anni per essere completamente elaborata. È unanimemente riconosciuto come il più grande, dettagliato e definitivo esperimento evolutivo della storia della biologia.

Se il meccanismo darwiniano fosse davvero in grado di costruire strutture biologiche nuove, le condizioni di questo esperimento sarebbero ideali: enormi popolazioni, tassi di mutazione sufficienti a esplorare vaste regioni dello spazio genomico, e una Selezione rigorosa che preserva ogni variante vantaggiosa. L’esperimento è stato condotto in un periodo di tempo sufficiente per raggiungere l’equivalente di milioni di anni di evoluzione di organismi multicellulari.

2. I risultati dell’LTEE: adattamento reale, meccanismo degradativo

I batteri dell’esperimento di Lenski si sono adattati. Questo è un fatto incontrovertibile e nessuno lo mette in discussione. Dopo 2.000 generazioni, il tasso di crescita delle popolazioni era aumentato del 37% rispetto ai ceppi originali. Dopo 50.000 generazioni, l’aumento raggiungeva il 70%. Le cellule erano anche diventate fisicamente più grandi, con un volume aumentato dell’85%. Questi sono adattamenti reali, prodotti da mutazioni reali selezionate da un ambiente reale. Il meccanismo darwiniano funziona. La questione — come abbiamo ripetuto in ogni Modulo di questo Percorso — non è se funziona, ma come funziona e fino a dove arriva.

Quando si analizzano le mutazioni specifiche che hanno prodotto questi miglioramenti di fitness, il quadro che emerge è coerente e significativo. In tutte e dodici le popolazioni, i principali adattamenti sono stati prodotti da mutazioni che hanno eliminato o degradato funzioni biologiche preesistenti.

La perdita del metabolismo del ribosio

Tutte le popolazioni hanno sviluppato mutazioni distruttive nei geni coinvolti nel metabolismo del ribosio — un sistema enzimatico complesso che nei batteri originali permetteva di utilizzare il ribosio come fonte di energia. Nell’ambiente sperimentale, dove solo il glucosio è disponibile, il ribosio non serve a nulla. Mantenere attivi i geni per il suo metabolismo è un costo energetico inutile. Una mutazione che elimina questi geni libera risorse per la crescita, conferendo un vantaggio immediato di circa l’1-2% nel tasso di crescita. La Selezione naturale l’ha favorita con la stessa efficienza con cui favorirebbe qualsiasi altra mutazione vantaggiosa — e, come descrive la Prima Regola, molto prima che qualsiasi alternativa costruttiva potesse comparire.

La degradazione del gene regolatore spoT

In otto ceppi separati, il gene regolatore spoT — che codifica per una proteina che controlla le risposte cellulari alla scarsità di nutrienti — ha subito mutazioni puntiformi che ne hanno degradato l’attività. La proteina era ancora presente, ma funzionava in modo meno efficiente. Questa degradazione risultava vantaggiosa nell’ambiente specifico dell’LTEE, dove il ciclo di abbondanza-scarsità di glucosio era prevedibile e costante. Il fatto che otto linee indipendenti abbiano trovato la stessa “soluzione” degradativa è un dato particolarmente significativo: la convergenza evolutiva verso la perdita di funzione in diverse popolazioni indipendenti suggerisce che questa sia la via di minor resistenza, non un’eccezione.

La disattivazione del flagello batterico

In tutte le linee, i geni per la sintesi del flagello batterico — il motore molecolare rotante di cui abbiamo discusso nel Percorso 4 — sono stati costantemente disattivati. Il flagello è un sistema molecolare straordinariamente sofisticato, composto da circa quaranta proteine coordinate, capace di ruotare a migliaia di giri al minuto. Ma è anche energeticamente costoso da costruire e mantenere. In un ambiente in cui il cibo è distribuito uniformemente nel mezzo di coltura e la mobilità non conferisce vantaggi, smettere di costruire il flagello risparmia energia e conferisce un vantaggio di crescita. La perdita del flagello — una delle strutture più complesse della biologia molecolare — è uno degli adattamenti più consistenti dell’intero esperimento.

La perdita della riparazione del DNA

Sei delle dodici linee hanno perso la funzionalità dei meccanismi di riparazione del DNA, diventando “mutatori” — batteri che accumulano mutazioni a un ritmo molto più elevato del normale. Questa perdita è particolarmente istruttiva per due ragioni. A breve termine, diventare mutatori accelera l’esplorazione di varianti genetiche, conferendo un vantaggio nella competizione per le risorse. A lungo termine, è una strategia autodistruttiva che accelera la degradazione genomica — un punto che lo stesso laboratorio di Lenski ha confermato in modo inequivocabile.

Il paper “Mutator Genomes Decay” (2017): la conferma dal laboratorio di Lenski

Nel 2017, un team guidato da Alejandro Couce e che includeva lo stesso Lenski ha pubblicato sui Proceedings of the National Academy of Sciences un paper dal titolo eloquente: “Mutator genomes decay, despite sustained fitness gains, in a long-term experiment with bacteria.” Il paper analizzava nel dettaglio molecolare le sei linee mutator dell’LTEE e documentava che i loro genomi — nonostante continuassero a guadagnare fitness nell’ambiente sperimentale — subivano un’erosione progressiva del contenuto informativo.

Due delle sei linee mutator avevano difetti nel sistema GO (gene mutT), che produce un bias verso le trasversioni AT→CG. Quattro avevano difetti nel sistema di riparazione dei mismatch (MMR), producendo un bias verso le transizioni AT→GC e GC→AT. In tutte le linee mutator, i bias mutazionali dominavano il segnale di Selezione — un risultato che i ricercatori hanno definito simile a quello che ci si aspetta in esperimenti di accumulo di mutazioni dove la Selezione è quasi assente. Il contenuto GC dei genomi mutator mostrava un’erosione progressiva, coerente con un decadimento del genoma verso composizioni AT-ricche.

Il risultato più significativo riguardava la Selezione purificante — il processo con cui la Selezione naturale elimina le mutazioni dannose. Nei ceppi naturali di E. coli, divergenti da milioni di anni, i geni essenziali e quelli altamente espressi mostrano un forte segnale di Selezione purificante. Nelle linee mutator dell’LTEE, questo segnale era drasticamente ridotto. Il forte legame genetico nelle popolazioni asexuali limitava la capacità della Selezione di purgare le mutazioni deleterie — un fenomeno chiamato “trascinamento genetico” (genetic draft).

In sintesi: le popolazioni guadagnavano fitness a breve termine, ma i loro genomi si degradavano. La fitness cresceva; l’informazione genomica diminuiva. È la Prima Regola in azione: il meccanismo darwiniano spende il patrimonio genetico per guadagni immediati.

Good et al. 2017: la dinamica molecolare di 60.000 generazioni

Un secondo paper fondamentale, pubblicato su Nature nel 2017 dal team di Benjamin Good, Michael Desai e lo stesso Lenski, ha fornito la più dettagliata analisi molecolare dell’LTEE fino a quel momento. I ricercatori hanno condotto il sequenziamento metagenomico di 1.431 campioni prelevati a intervalli di 500 generazioni lungo 60.000 generazioni in tutte e dodici le popolazioni, con una copertura mediana di circa 50×. Hanno tracciato le traiettorie di frequenza allelica di tutte le mutazioni de novo che raggiungevano almeno il 10% di frequenza nella popolazione.

I risultati confermano e approfondiscono il quadro emerso dalle analisi precedenti. Il tasso di guadagno di fitness diminuisce nel tempo — i rendimenti dell’adattamento sono decrescenti — ma l’evoluzione molecolare continua attivamente per tutte le 60.000 generazioni. Questo apparente paradosso si spiega con la dinamica di “interferenza clonale”: varianti multiple benefiche competono simultaneamente per il dominio nella popolazione, con traiettorie di frequenza allelica complesse che mostrano molte mutazioni che salgono e poi scendono senza mai fissarsi. La co-esistenza ecologica spontanea è emersa nella maggior parte delle popolazioni — cladi diversi che coesistono stabilmente nello stesso flacone.

Ma il dato più rilevante per il nostro argomento è questo: dopo 60.000 generazioni e trilioni di cellule, nessuna nuova interazione proteina-proteina è stata documentata, nessuna nuova macchina molecolare è emersa, nessun nuovo ripiegamento proteico è comparso. I batteri sono ancora E. coli. Sono E. coli più veloci, più grandi, più adattati al loro specifico ambiente — ma non hanno prodotto nulla di strutturalmente nuovo.

3. Il caso del citrato: innovazione o riarrangiamento?

Il risultato più celebrato dell’esperimento di Lenski — e quello più spesso citato come prova del potere creativo dell’evoluzione — è emerso intorno alla generazione 31.500, quando una delle dodici popolazioni ha sviluppato la capacità di metabolizzare il citrato in presenza di ossigeno. L’E. coli normale può utilizzare il citrato come fonte di carbonio solo in assenza di ossigeno: questo è uno dei criteri di classificazione usati in microbiologia per identificare la specie. Il fatto che una popolazione abbia “superato” questo limite è stato presentato da alcuni come un esempio di comparsa di una nuova funzione per via evolutiva.

L’analisi molecolare: un gene preesistente riposizionato

L’analisi molecolare dettagliata racconta una storia diversa da quella spesso presentata nei media.

Il gene per il trasporto del citrato (citT) esisteva già nel genoma batterico — era semplicemente spento nelle condizioni aerobiche, perché la sua regione di controllo permetteva l’espressione solo in assenza di ossigeno. La mutazione chiave che ha prodotto la capacità di utilizzare il citrato in presenza di ossigeno è stata una duplicazione genica: una copia del gene citT è stata accidentalmente spostata vicino a una regione promotrice attiva in condizioni aerobiche, consentendone l’espressione nel nuovo contesto. Nessuna nuova proteina, nessun nuovo ripiegamento molecolare, nessun nuovo sito di legame: il gene preesistente è stato semplicemente “spostato” sotto il controllo di una regione regolatoria diversa.

Per ottimizzare ulteriormente l’utilizzo del citrato, i batteri hanno poi subito altre mutazioni che hanno spento e rotto geni regolatori preesistenti — tra cui il danneggiamento di un enzima che normalmente produce citrato all’interno della cellula. Ancora una volta, degradazione di sistemi di controllo per ottenere un vantaggio immediato. I “semafori biochimici” sono stati bloccati sul verde attraverso la distruzione dei meccanismi che li regolavano.

Come scrive Behe, è una modifica di funzione, non una costruzione di funzione. Il framework FCT — introdotto da Behe nel suo paper del 2010 su The Quarterly Review of Biology — classifica questa mutazione non come un “guadagno di FCT” (un nuovo elemento funzionale codificato), ma come una riorganizzazione di materiale preesistente accompagnata da perdite di controllo regolatorio.

Van Hofwegen et al. 2016: il citrato in 100 generazioni

La vera portata — o meglio, la modestia — dell’innovazione del citrato è stata dimostrata in modo definitivo da un paper pubblicato nel 2016 sul Journal of Bacteriology da Dustin Van Hofwegen, Carolyn Hovde e Scott Minnich dell’Università dell’Idaho.

Van Hofwegen e colleghi hanno sottoposto diversi ceppi di E. coli (sia di tipo B, lo stesso dell’LTEE, sia di tipo K-12) a una Selezione diretta — cioè con il citrato come unica fonte di carbonio in condizioni aerobiche, una condizione “fai o muori” — invece del protocollo di trasferimento seriale giornaliero di Lenski, dove il citrato era presente insieme al glucosio e la Selezione per il suo utilizzo era intermittente.

Il risultato è stato sorprendente nella sua semplicità: 46 mutanti Cit+ indipendenti sono stati isolati, alcuni emersi in appena 12 generazioni, e tutti entro 100 generazioni. Tutti mostravano le stesse classi di mutazioni identificate nell’LTEE: amplificazione dei loci citT e dctA, inserzioni di elementi IS (come insL1) a monte di citT, e cattura di promotori (come il promotore uspG a citG) che consentivano l’espressione aerobica del trasportatore del citrato.

In altre parole, quello che nell’esperimento di Lenski aveva richiesto 31.000 generazioni e quindici anni — e che era stato presentato come un “evento raro, innovativo e presuntivo di speciazione” — poteva essere riprodotto in poche settimane con una pressione selettiva diretta. Lo studio seguiva lo stesso modello a tre fasi dell’LTEE: potenziamento (duplicazione/amplificazione della regione cit, entro ~12 generazioni), attualizzazione (cattura del promotore per l’espressione aerobica di CitT), e raffinamento (ottimizzazione del tasso di crescita sul citrato, entro ~100 generazioni).

John Roth e Sophie Maisnier-Patin, in un editoriale di accompagnamento sul Journal of Bacteriology, hanno proposto un’interpretazione che il ritardo nell’LTEE non era dovuto alla rarità o alla complessità delle mutazioni necessarie, ma al protocollo sperimentale: la Selezione pulsata dell’LTEE (con brevi finestre dove il citrato forniva un vantaggio) rendeva difficile per i primi mutanti Cit+ persistere nella popolazione, mentre la Selezione continua di Van Hofwegen permetteva un’evoluzione rapida.

Come ha commentato Dembski nel nuovo The Design Inference: “L’evoluzione di Cit+ di Lenski è poco impressionante. Suggerisce che Cit+ era facilmente evolvibile e comportava poca complessità specificata che non fosse già presente.” Minnich, coautore dello studio, ha sintetizzato: “E. coli possiede già questa capacità; si tratta solo di attivarla.”

4. L’esperimento di Gauger e Seelke: quando la perdita batte la costruzione

Un esperimento particolarmente istruttivo, condotto da Ann Gauger, Scott Ebnet, Pamela Fahey e Ralph Seelke e pubblicato nel 2010 su BIO-Complexity, ha testato direttamente la competizione tra percorsi evolutivi costruttivi e distruttivi.

Il disegno sperimentale

I ricercatori hanno lavorato con E. coli portatore di un gene trpA doppiamente mutato — il gene che codifica per la subunità alfa della triptofano sintasi, l’enzima necessario per l’ultimo passaggio nella biosintesi del triptofano, un amminoacido essenziale. Due mutazioni puntiformi erano state introdotte deliberatamente: una parzialmente inattivante (D60N, che sostituisce un aspartato con un’asparagina nel sito attivo) e una completamente inattivante (nella posizione E49). Insieme, le due mutazioni impedivano completamente la sintesi del triptofano.

Il Percorso costruttivo era teoricamente semplice: bastava invertire prima la mutazione completamente inattivante (ripristinando una debole funzione), poi quella parzialmente inattivante (ripristinando la piena funzionalità). Due mutazioni puntiformi, due passi — un Percorso che dal punto di vista darwiniano avrebbe dovuto essere accessibile.

I risultati

Quattordici popolazioni indipendenti sono state coltivate in terreno con triptofano limitato per oltre 9.000 generazioni — più di mille miliardi di batteri in totale. Nessuna ha preso il Percorso costruttivo. Tutte hanno adottato la scorciatoia distruttiva: hanno acquisito mutazioni che riducevano o eliminavano l’espressione del gene trpA doppiamente mutato, evitando così lo spreco energetico di produrre una proteina non funzionale.

La logica è brutale nella sua semplicità: il gene rotto veniva comunque trascritto e tradotto, consumando risorse cellulari per produrre una proteina inutile. Una mutazione che silenziava l’espressione del gene eliminava questo costo, conferendo un vantaggio immediato. Le mutazioni di silenziamento — che possono colpire il promotore, il sito di legame ribosomiale, o qualsiasi altro punto della regione di controllo — sono molto più numerose delle due specifiche mutazioni di reversione necessarie per riparare il gene. La Prima Regola prevale: la perdita arriva prima.

Come ha scritto Ann Gauger: “Quasi tutte le cellule hanno inattivato i geni (solo una su un trilione non l’ha fatto). Alcune li hanno addirittura cancellati, perdendo definitivamente la capacità di produrre triptofano… L’evoluzione darwiniana viaggia per la via più breve, senza riguardo per la destinazione. E se la via più breve è rompere una funzione esistente — perdere informazione — quello è il Percorso che sceglie.”

Questo esperimento è particolarmente significativo perché dimostra che la competizione tra percorsi costruttivi e distruttivi non è un confronto ad armi pari: anche quando il Percorso costruttivo è breve (solo due mutazioni), il Percorso distruttivo vince sistematicamente perché le mutazioni degradative sono statisticamente molto più frequenti.

5. L’esperimento di Gauger e Axe sulla via della biotina: la conversione impossibile

Un secondo esperimento del Biologic Institute, pubblicato nel 2011 sempre su BIO-Complexity da Ann Gauger e Douglas Axe, ha affrontato un problema diverso ma complementare: è possibile per il meccanismo darwiniano convertire un enzima da una funzione a un’altra funzione correlata?

Il disegno sperimentale

Gauger e Axe hanno scelto due enzimi che appartengono alla stessa superfamiglia di trasferasi PLP-dipendenti e condividono un’elevata similarità strutturale — sono classificati come omologhi stretti dagli standard tassonomici: Kbl2 (2-amino-3-chetobutirrato CoA ligasi), che catalizza la scissione reversibile del 2-amino-3-chetobutirrato in glicina e acetil-CoA, e BioF2 (8-amino-7-ossonanoato sintasi, o AONS), che catalizza un passaggio nella via biosintetica della biotina.

Nonostante la loro somiglianza strutturale, i due enzimi hanno chimiche di reazione distinte e circa 250 differenze amminoacidiche tra di loro. I ricercatori hanno identificato 29 posizioni amminoacidiche critiche nel sito attivo — organizzate in tre gruppi di 6-7 amminoacidi ciascuno — più una singola posizione cruciale (H152) situata sulla superficie dell’enzima, lontano dal sito attivo.

I risultati

Convertendo tutte le posizioni del sito attivo identificate per farle corrispondere a quelle di BioF2, i ricercatori non sono riusciti a produrre un’attività BioF2-simile rilevabile in vivo — testata mediante complementazione in E. coli privo del gene BioF nativo. Particolarmente significativo è il ruolo della posizione H152: questo residuo è vitale per la funzione BioF ma si trova sulla superficie della proteina, lontano dal sito attivo — il che sfida l’assunzione che solo le posizioni del sito attivo siano rilevanti per la conversione funzionale.

La conclusione dei ricercatori è che la conversione richiederebbe almeno sette sostituzioni nucleotidiche coordinate — e probabilmente molte di più, dato che le posizioni non testate potrebbero essere altrettanto importanti. Per la genetica delle popolazioni, innovazioni che richiedono così tante modifiche coordinate sarebbero “straordinariamente rare, diventando probabili solo su scale temporali molto più lunghe dell’età della vita sulla Terra.”

Questo esperimento è importante per una ragione specifica: testa la plausibilità della cooptazione — l’ipotesi darwiniana secondo cui le proteine possono essere “riciclate” da una funzione a un’altra attraverso modifiche graduali. Se anche due enzimi strettamente imparentati non possono essere convertiti l’uno nell’altro con le modifiche del sito attivo, l’idea che la cooptazione sia un meccanismo facile e comune perde molta della sua plausibilità.

6. Il Mostro di Spiegelman: la Selezione naturale al suo stato puro

Un esperimento condotto negli anni Sessanta dal biologo Sol Spiegelman fornisce una delle dimostrazioni più dirette e visive del carattere degradativo dell’evoluzione in condizioni ideali. L’esperimento è più vecchio di quelli che abbiamo esaminato finora, ma la sua chiarezza concettuale lo rende un classico che merita un posto centrale in questo Modulo.

Spiegelman pose molecole di RNA di un fago (un virus batterico) in provetta con l’enzima replicasi necessario per copiarle, e le sottopose a pressione selettiva per la velocità di replicazione — un sistema evolutivo ridotto alla sua essenza: variazione (errori di copiatura), Selezione (le molecole più rapide dominano), ereditarietà (le copie portano le varianti avanti).

Il risultato fu sorprendente nella sua chiarezza: le molecole di RNA non svilupparono maggiore complessità nel Percorso delle generazioni. Al contrario, le varianti che si replicavano più velocemente erano quelle che avevano perso segmenti di materiale genetico — molecole più corte richiedono meno tempo per essere copiate. Generazione dopo generazione, le molecole di RNA si accorciarono progressivamente, perdendo quasi tutto il loro contenuto informativo originale e conservando solo la sequenza minima necessaria per essere riconosciuta dall’enzima replicasi. Il risultato finale — chiamato il “Mostro di Spiegelman” — era una molecola di RNA di poche centinaia di nucleotidi, ridotta da un genoma virale originale di oltre 4.000 nucleotidi, funzionalmente inerte al di fuori della provetta.

Come ha commentato Dembski nel Design Inference, citando il biologo Brian Goodwin: “L’evoluzione guidata dalla Selezione naturale… è andata in una sola direzione: verso una maggiore semplicità.” L’esperimento di Spiegelman mostra con brutale chiarezza cosa fa la Selezione naturale quando opera su sistemi molecolari in condizioni di pura competizione per la velocità di riproduzione: non costruisce complessità, la distrugge.

7. Il caso della nylonasi: un “nuovo enzima” che non è nuovo

Uno dei presunti controesempi più citati dai critici del Disegno Intelligente riguarda la cosiddetta “nylonasi” — un enzima scoperto in batteri giapponesi capaci di digerire sottoprodotti del nylon. Il caso merita un’analisi dettagliata perché è frequentemente usato nei dibattiti online come “prova” che l’evoluzione può creare proteine genuinamente nuove.

La storia

Nel 1975, ricercatori giapponesi scoprirono che batteri del genere Flavobacterium (oggi riclassificato come Paenarthrobacter ureafaciens KI72) isolati dalle acque di scarico di una fabbrica di nylon erano in grado di digerire il dimero ciclico dell’acido 6-aminoesanoico e gli oligomeri lineari — sottoprodotti della manifattura del nylon 6. Poiché il nylon è stato inventato nel 1935, questi composti esistevano nell’ambiente da appena quarant’anni. L’idea che un “nuovo enzima” fosse emerso in soli quarant’anni fu presentata come una dimostrazione drammatica del potere creativo dell’evoluzione.

L’ipotesi del frameshift di Ohno (1984) — e la sua smentita

Nel 1984, il genetista Susumu Ohno propose che l’enzima nylonasi (gene nylB) fosse nato attraverso una duplicazione genica seguita da una mutazione frameshift — uno spostamento della finestra di lettura che avrebbe creato un’intera proteina nuova da una sequenza casuale. Questa ipotesi divenne la narrativa popolare per decenni: un gene interamente nuovo, con un ripiegamento e una funzione del tutto inediti, nato da una singola mutazione.

Ma la ricerca successiva ha demolito questa interpretazione. Nel 1991, Kato e colleghi dimostrarono che le differenze tra nylB (l’enzima con attività nylonasi elevata) e nylB’ (un omologo con attività debole) consistevano in 47 differenze amminoacidiche, ma che sole due sostituzioni amminoacidiche erano sufficienti per convertire l’enzima debole in quello forte — con un aumento di attività di 153 volte. Le due mutazioni erano individualmente selezionabili — ciascuna conferiva un vantaggio misurabile da sola.

Il colpo di grazia all’ipotesi di Ohno è arrivato dalla cristallografia a raggi X. I lavori di Negoro e colleghi (2005, 2007) hanno risolto la struttura tridimensionale della nylonasi, rivelando che possiede un ripiegamento beta-lattamasico — una piega proteica antica e diffusa, presente in molte famiglie di enzimi, in particolare nelle carbossil-esterasi. L’enzima conservava inoltre la sua attività esterasica originale. Come scrivevano gli autori: i modelli illustrano “perché una nuova attività contro l’oligomero di nylon si è evoluta in un’esterasi con ripiegamenti di beta-lattamasi, mantenendo le funzioni esterolitiche originali.”

La risposta dell’ID

Ann Gauger ha analizzato il caso in una serie di tre articoli nel 2017. La sua conclusione è che la nylonasi è “la storia di un enzima preesistente con un basso livello di attività nylonasica promiscua, che ha migliorato la sua attività verso il nylon prima con una, poi con un’altra mutazione selezionabile.” Le carbossil-esterasi sono enzimi intrinsecamente “promiscui” — con specificità di substrato ampia — il che significa che una debole attività verso substrati nuovi è una caratteristica della famiglia, non un’innovazione.

Il caso della nylonasi illustra un pattern ricorrente: un risultato sperimentale viene inizialmente presentato come prova di innovazione radicale, poi — quando l’analisi molecolare dettagliata diventa disponibile — si rivela essere una modifica incrementale di una funzione preesistente all’interno di un ripiegamento proteico già esistente. Non un nuovo enzima: un vecchio enzima leggermente ottimizzato.

8. Thornton e il cricchetto dell’evoluzione: la “legge di Dollo simmetrica nel tempo”

Un caso sperimentale particolarmente illuminante — e proveniente da un laboratorio mainstream, non affiliato all’ID — è quello del lavoro di Joseph Thornton dell’Università di Chicago sulla ricostruzione di proteine ancestrali.

Gli esperimenti

Thornton ha utilizzato la ricostruzione di sequenze ancestrali (ASR) per “resuscitare” in laboratorio antichi recettori steroidei — specificamente il recettore glucocorticoide (GR) e il recettore mineralocorticoide (MR), che si sono separati da un recettore corticosteroide ancestrale comune circa 450 milioni di anni fa.

In un paper del 2006 su Science, Thornton e colleghi hanno ricostruito il recettore ancestrale (AncCR) e hanno mostrato che era sensibile all’aldosterone — anche se l’aldosterone non esisteva ancora a quel punto della storia evolutiva. Due sole modifiche amminoacidiche bastavano per ricapitolare l’evoluzione della specificità del GR: la perdita di sensibilità all’aldosterone mantenendo quella al cortisolo. L’evoluzione della specificità del GR era, in altre parole, un processo di perdita — una riduzione della gamma di ligandi riconosciuti.

In un secondo paper, pubblicato nel 2009 su Nature, Thornton ha dimostrato che il GR non poteva facilmente invertire la sua evoluzione per tornare alla funzionalità simile all’MR. Il motivo: nel frattempo si erano accumulate diverse mutazioni neutre — individualmente innocue — che collettivamente impedivano la reversione. Thornton ha chiamato questo meccanismo un “cricchetto epistatico” (epistatic ratchet): mutazioni neutre che bloccano il Percorso inverso, rendendo l’evoluzione irreversibile.

In un terzo studio (2014, Nature), il laboratorio di Thornton ha testato migliaia di percorsi evolutivi alternativi dal GR ancestrale ricostruito. Il risultato: nessuna delle mutazioni alternative poteva sostituire le effettive mutazioni permissive storiche. L’evoluzione di questo recettore era “criticamente dipendente da eventi rari e non deterministici.”

L’interpretazione di Behe: la legge di Dollo simmetrica nel tempo

Behe ha proposto un’interpretazione di questi risultati che ne rovescia le conclusioni a favore del darwinismo. Il suo argomento — che chiama la “legge di Dollo simmetrica nel tempo” (TSDL, Time-Symmetric Dollo’s Law) — è il seguente: poiché la mutazione casuale e la Selezione naturale sono processi che non guardano né al futuro né al passato, gli ostacoli che Thornton ha documentato per invertire l’evoluzione si applicano con la stessa forza quando si procede in avanti.

“La Selezione naturale affina una proteina per il suo lavoro attuale, senza riguardo né per l’uso futuro né per la funzione passata,” scrive Behe. “Pertanto, basandosi sul lavoro di Thornton, non ci si aspetterebbe in generale che una proteina selezionata per una funzione possa essere facilmente modificata dalla mutazione casuale e dalla Selezione naturale per assumerne un’altra.” Se tra le moltissime vie che l’evoluzione casuale potrebbe prendere, solo percorsi estremamente rari conducono a un risultato funzionale specifico, allora la probabilità di raggiungere quel risultato per caso diventa trascurabile.

Il paradosso è che il laboratorio di Thornton — che non è affiliato all’ID e le cui motivazioni sono mainstream — ha prodotto dati che, nell’interpretazione di Behe, confermano i limiti dell’evoluzione. L’evoluzione del recettore glucocorticoide è avvenuta attraverso la perdita di sensibilità (degradazione), ed era dipendente da eventi rari — esattamente il pattern che la Prima Regola prevede.

Un ulteriore risultato del laboratorio di Thornton (Finnegan et al., 2012), riguardante l’anello della V-ATPasi nei funghi, ha mostrato che la “complessità aumentata” dell’anello è derivata da mutazioni degradative — perdita di capacità di legame. Come nell’esperimento di Lenski, l’evoluzione per degradazione.

9. La resistenza ai farmaci: miliardi di organismi, nessuna novità strutturale

Oltre agli esperimenti di laboratorio controllati, la biologia offre esperimenti naturali su scala ancora più grande: la resistenza ai farmaci nei patogeni. Questi sistemi hanno prodotto popolazioni di organismi che superano in numero qualsiasi esperimento di laboratorio, sotto pressioni selettive intense e misurabili.

L’HIV: il laboratorio più grande del mondo

Il virus dell’immunodeficienza umana muta a tassi straordinari — molto più rapidamente di qualsiasi batterio — e in un singolo individuo infetto possono essere presenti miliardi di varianti diverse del virus in qualsiasi momento. In decenni di studio intensivo, con popolazioni virali che superano in numero tutti i mammiferi mai esistiti sulla Terra, il virus ha sviluppato resistenza a ogni classe di farmaci antiretrovirali attraverso singole mutazioni puntiformi o piccole combinazioni di mutazioni. Non è mai emersa nessuna proteina virale fondamentalmente nuova, nessun ripiegamento molecolare nuovo, nessuna funzione virale che non fosse già presente nel genoma originale.

La resistenza agli antibiotici: un meccanismo degradativo

La resistenza agli antibiotici nei batteri segue lo stesso schema. Un batterio può acquisire resistenza alla penicillina eliminando l’enzima che la penicillina blocca, o modificando quel sito in modo da renderlo irriconoscibile al farmaco. Può acquisire resistenza alle tetracicline eliminando le pompe di membrana che permettono l’ingresso del farmaco nella cellula. Può acquisire resistenza agli aminoglicosidi mutando il ribosoma in modo da ridurne l’affinità per il farmaco — modificando una macchina molecolare preesistente senza costruirne una nuova. In ogni caso documentato, il meccanismo è degradativo o modificativo, mai costruttivo nel senso di generare nuove strutture molecolari.

Un esempio particolarmente dettagliato, documentato in Darwin Devolves: la resistenza alla penicillina in alcuni batteri è avvenuta attraverso la deModulo di 108 basi di DNA che ha eliminato completamente la fessura enzimatica che la penicillina utilizza per bloccare la sintesi della parete cellulare. Nessuna nuova struttura, nessun nuovo enzima: solo la rimozione di una parte del meccanismo già esistente.

Il paragone è vivido: acquisire resistenza agli antibiotici è come “buttare via il parabrezza per alleggerire l’auto”, o come “sacrificare un dito infetto per salvare la vita”. Il risultato funziona — il batterio sopravvive — ma il costo è la perdita di una componente che in condizioni diverse sarebbe preziosa.

La malaria: un esperimento naturale su scala planetaria

Abbiamo già discusso in dettaglio nei Moduli precedenti il caso della resistenza alla clorochina nel Plasmodium falciparum. Vale la pena ricordare che questo caso funziona come punto di riferimento quantitativo — un CCC (Chloroquine Complexity Cluster) richiede circa 10²⁰ cellule per emergere — e che le mutazioni che conferiscono resistenza alterano la normale funzione della proteina di trasporto PfCRT, rendendola meno efficiente nel suo ruolo originale. I ceppi resistenti pagano un costo biologico: nelle aree in cui l’uso della clorochina è stato abbandonato, i ceppi sensibili tendono a riprendere il sopravvento.

10. L’evoluzione diretta: intelligenza travestita da caso

Una categoria di esperimenti che merita attenzione separata è quella dell’evoluzione diretta (directed evolution) — la tecnica sviluppata dalla chimica Frances Arnold, vincitrice del Premio Nobel per la Chimica nel 2018, che utilizza cicli ripetuti di mutazione e Selezione artificiale per ottimizzare enzimi con proprietà desiderate.

Risultati impressionanti — ottenuti con l’intelligenza

L’evoluzione diretta ha prodotto risultati genuinamente impressionanti negli ultimi anni. Il laboratorio di Arnold ha sviluppato enzimi capaci di formare legami carbonio-silicio (2016) e legami carbonio-boro — legami chimici che non esistono in natura. Nel 2018, ha prodotto batteri capaci di sintetizzare biclobutani — anelli di carbonio con tensione molecolare estrema. Nel 2024, il gruppo ha evoluto un citocromo P450 capace di spezzare legami silicio-carbonio nei silossani — la prima scissione enzimatica documentata di questo tipo di legame. Le applicazioni più recenti (2024-2025) integrano l’intelligenza artificiale nel processo di Selezione, combinando modelli linguistici proteici con apprendimento attivo.

Perché l’evoluzione diretta non dimostra l’evoluzione non guidata

Questi esperimenti producono risultati impressionanti — ma sono, per definizione, tutt’altro che non guidati. In ogni ciclo sperimentale, i ricercatori stabiliscono l’obiettivo, manipolano i tassi di mutazione per raggiungere la variabilità desiderata, selezionano artificialmente le varianti che si avvicinano all’obiettivo, e scartano tutto il resto. Partono quasi sempre da enzimi preesistenti con strutture e funzioni già stabilite, ottimizzando ciò che esiste anziché costruire qualcosa di nuovo. Il processo intero è guidato, dall’inizio alla fine, da menti intelligenti che sanno dove vogliono arrivare.

Come ha notato la stessa Arnold nella sua Modulo Nobel, è lei che “decide chi è idoneo a passare alla generazione successiva” — l’evoluzione opera su strutture preesistenti usando attività promiscue come trampolino. Questa non è Selezione naturale cieca: è Selezione intelligente con obiettivo predefinito.

L’evoluzione diretta ha inoltre limitazioni intrinseche che rivelano i vincoli fondamentali della biologia molecolare. Richiede sempre un’attività di partenza — un enzima con almeno una traccia dell’attività desiderata (“promiscuità catalitica”). Non può creare funzione dal nulla. L’accumulo di mutazioni per migliorare l’attività tende a destabilizzare la proteina: la diminuzione media di stabilità per mutazione è di circa 1 kcal/mol, con un margine totale di soli 3-10 kcal/mol prima del collasso strutturale. E soprattutto: l’evoluzione diretta non ha mai prodotto un nuovo ripiegamento proteico. Modifica enzimi esistenti; non genera architetture molecolari nuove.

Lungi dal dimostrare che i processi non guidati possono produrre novità molecolare, l’evoluzione diretta dimostra esattamente il contrario: per produrre innovazione molecolare significativa in tempi ragionevoli, è necessario l’intervento di agenti intelligenti che stabiliscono obiettivi e guidano la Selezione. È, involontariamente, una dimostrazione pratica del principio del Disegno Intelligente.

11. Cosa gli esperimenti non hanno mai prodotto

Le sezioni precedenti hanno documentato cosa gli esperimenti di laboratorio hanno prodotto. È altrettanto importante documentare cosa non hanno mai prodotto — perché questa assenza è scientificamente significativa quanto la presenza.

In decenni di esperimenti evolutivi, con popolazioni che si contano in trilioni, in condizioni di forte pressione selettiva e con strumenti di analisi molecolare di precisione crescente, non è mai stato osservato in laboratorio:

Un nuovo ripiegamento proteico

I ripiegamenti proteici — le strutture tridimensionali che le proteine assumono quando si piegano su se stesse — sono considerati la più piccola unità di innovazione strutturale biologica. Ne esistono circa mille tipi diversi negli esseri viventi. Nessun esperimento evolutivo in laboratorio ha mai prodotto un ripiegamento genuinamente nuovo.

Per comprendere la portata di questa assenza, occorre considerare le dimensioni dello spazio delle sequenze e la rarità delle proteine funzionali al suo interno. Come abbiamo visto Nel Modulo 3, i dati di Douglas Axe indicano che circa 1 sequenza amminoacidica su 10⁷⁷ produce un ripiegamento enzimatico stabile e funzionale per un dominio di 150 amminoacidi. Questa stima è stata corroborata dal lavoro di Tian e Best (2017), che hanno analizzato la “capacità di sequenza” per dieci diverse strutture proteiche e hanno stimato che per un dominio di 50 amminoacidi la frazione di sequenze che si ripiegano in una struttura specifica è circa 3 × 10^-36. Per sette dei dieci domini studiati, le probabilità scendevano sotto 10^-38 — al di sotto del numero massimo di prove disponibili nell’intera storia della vita sulla Terra.

Il dibattito Keefe-Szostak vs. Axe: legare non è catalizzare

Un presunto controevsempio ai calcoli di Axe è l’esperimento di Keefe e Szostak (2001, Nature), che ha generato una libreria di 6 × 10¹² proteine casuali di 80 amminoacidi ciascuna e ne ha trovate quattro capaci di legare l’ATP — stimando una frequenza di proteine funzionali di circa 1 su 10¹¹.

L’obiezione è seria e va presa nella sua forma più forte: se le proteine funzionali sono così comuni (1 su 10¹¹), i calcoli di Axe (1 su 10⁷⁷) sarebbero sbagliati di 66 ordini di grandezza, e la ricerca casuale nello spazio delle sequenze sarebbe molto più facile di quanto l’ID sostiene.

La risposta dei ricercatori ID si articola su diversi punti. Primo: legare l’ATP è una funzione molecolare debole e di base — un’interazione non specifica che non richiede un ripiegamento tridimensionale complesso. Catalizzare una reazione chimica specifica — la funzione che una proteina deve svolgere per essere biologicamente utile — è incomparabilmente più esigente. L’esperimento di Keefe e Szostak misurava il binding passivo di piccoli polipeptidi di 80 amminoacidi; Axe misurava la catalisi enzimatica attiva in proteine di 150 amminoacidi con un ripiegamento tridimensionale complesso. La differenza di 66 ordini di grandezza riflette la differenza tra queste due attività.

Secondo: alcune delle proteine identificate da Keefe e Szostak utilizzavano l’mRNA ancora legato nella funzione di binding — il che significa che l’unità funzionale era un ribonucleoproteina, non puramente una proteina. Terzo: i domini proteici reali — quelli che compongono le proteine funzionali negli esseri viventi — mostrano probabilità molto più basse di quelle misurate per il semplice binding dell’ATP. Analisi del database Pfam mostrano che le famiglie proteiche reali hanno probabilità dell’ordine di 1 su 10¹⁰⁰ per domini di lunghezza paragonabile.

Una macchina molecolare multicomponente genuinamente nuova

Il flagello batterico, la cascata della coagulazione, il sistema di trasporto intracellulare — nessuno di questi sistemi, o di sistemi comparabili per complessità, è mai emerso in un esperimento di laboratorio attraverso mutazione casuale e Selezione naturale. Le macchine molecolari presenti in laboratorio erano già presenti prima dell’inizio degli esperimenti.

Una nuova rete di regolazione genica dello sviluppo (dGRN)

Le reti di regolazione genica dello sviluppo — chiamate dGRN, dall’inglese developmental gene regulatory networks — sono i circuiti di controllo che governano lo sviluppo embrionale degli organismi multicellulari. Il biologo Eric Davidson, in un paper fondamentale del 2006 su Science scritto insieme a Douglas Erwin, ha dimostrato che queste reti sono strutturate gerarchicamente e sono straordinariamente resistenti al cambiamento.

Al livello più alto della gerarchia si trovano i “kernel” — piccoli circuiti di geni regolatori collegati da interazioni positive ricorsive, che controllano la specificazione delle principali parti del corpo. Davidson li ha descritti come “i più impervi al cambiamento” — la perturbazione di qualsiasi gene kernel è “disastrosa per la funzione tissutale”. Al di sotto dei kernel ci sono i “plug-in” (che specificano le differenze tra organismi), gli “interruttori I/O” (che collegano i sottocircuiti), e le “batterie di geni di differenziamento” (gli output terminali).

Come ha scritto Davidson in un paper del 2011 su Developmental Biology: “Nessuna dGRN moderna fornisce un modello” per come nuove reti regolatorie dello sviluppo possano evolversi. Meyer ha utilizzato estensivamente questo dato in Darwin’s Doubt, paragonando le dGRN a circuiti integrati ingegnerizzati: “Gli ingegneri hanno da tempo compreso che più un sistema è funzionalmente integrato, più è difficile cambiarne qualsiasi parte senza danneggiare o distruggere il sistema nel suo complesso.”

Non esiste nessun esperimento in cui una nuova rete dGRN — capace di produrre un piano corporeo diverso — sia emersa per via evolutiva. Questo non è sorprendente alla luce dei dati di laboratorio: se il meccanismo darwiniano fatica a produrre anche una singola nuova proteina funzionale, la probabilità che produca una rete integrata di centinaia di geni coordinati è al di là di qualsiasi orizzonte probabilistico ragionevole.

12. La conferma dal mainstream: Hottes et al. 2013

Una delle conferme più significative della Prima Regola di Behe proviene non dal campo dell’ID, ma da un paper pubblicato nel 2013 su PLOS Genetics da Andrea Hottes e colleghi — ricercatori mainstream senza affiliazione con il Disegno Intelligente.

Hottes e colleghi hanno utilizzato esperimenti di Selezione su librerie di E. coli mutagenizzati con trasposoni — inserzioni casuali che eliminano la funzione dei geni in cui si inseriscono — sotto più di 100 condizioni ambientali diverse. L’obiettivo era quantificare in quante condizioni l’eliminazione di un gene potesse conferire un vantaggio di fitness.

Il risultato: almeno una mutazione benefica di perdita di funzione è stata identificata in 139 delle 144 condizioni testate — il 96% dei casi. Le mutazioni nulle (che eliminano completamente la funzione di un gene) compaiono a un tasso di circa 10^-8 per gene per divisione cellulare — un tasso enormemente superiore a quello di qualsiasi specifica mutazione costruttiva.

Come scrivono gli autori: “Mentre sia le mutazioni nulle sia l’acquisizione di nuove funzioni proteiche possono causare alterazioni diffuse ai fenotipi cellulari, la probabilità comparativamente più alta con cui le mutazioni nulle si verificano amplifica la loro importanza nell’evoluzione adattativa.”

Questo paper è particolarmente significativo per tre ragioni. Prima di tutto, conferma la Prima Regola da una fonte completamente indipendente dall’ID — ricercatori che non avevano alcun interesse a supportare gli argomenti di Behe. In secondo luogo, il dato del 96% è straordinariamente convergente con le osservazioni dell’LTEE di Lenski. Terzo, il paper stabilisce quantitativamente l’asimmetria tra mutazioni distruttive e costruttive che è alla base della Prima Regola: le mutazioni di perdita di funzione compaiono a tassi centinaia di volte superiori.

Behe ha citato questo paper come “ulteriore e massiccia prova che il meccanismo darwiniano opera tipicamente in maniera autolimitante.”

13. Le obiezioni scientifiche: un esame onesto

Un’analisi onesta richiede di presentare anche le obiezioni più forti che i biologi evoluzionisti hanno mosso all’interpretazione di questi dati da parte dell’ID. Alcune di queste obiezioni meritano considerazione seria.

L’obiezione del paesaggio adattativo navigabile

Un paper importante pubblicato nel 2023 su Science da Papkou e colleghi ha mappato il fitness di oltre 260.000 genotipi dell’enzima DHFR in E. coli sotto Selezione antibiotica (trimetoprim). Il paesaggio adattativo risultante era altamente rugoso — con 514 picchi di fitness — ma circa il 75% delle popolazioni simulate raggiungeva comunque picchi elevati grazie all’abbondanza di percorsi che aumentano la fitness.

Questa è un’obiezione seria che va presa nella sua forma più forte: suggerisce che l’evoluzione può navigare paesaggi complessi anche quando il terreno è accidentato. Se i percorsi adattativi sono abbastanza numerosi, la Selezione naturale potrebbe trovare soluzioni anche in assenza di rampe lisce.

La risposta dell’ID a questa obiezione si articola su due livelli. Il primo è che l’esperimento di Papkou riguarda l’ottimizzazione di un enzima già esistente sotto una pressione selettiva specifica — non la creazione di un enzima o di un ripiegamento proteico nuovo. Navigare un paesaggio adattativo all’interno di una famiglia di varianti di un singolo enzima è un’operazione di microevoluzione — esattamente il tipo di adattamento che l’ID riconosce come alla portata del meccanismo darwiniano. Il problema della macroevoluzione non riguarda la navigazione all’interno di un paesaggio, ma il passaggio da un paesaggio (un ripiegamento, una funzione) a un altro completamente diverso — un salto attraverso vaste regioni di sequenze non funzionali.

Il secondo livello è che il dato di Papkou, paradossalmente, rafforza piuttosto che indebolire l’argomento dal margine dell’evoluzione: anche nel caso più favorevole (un singolo enzima sotto forte Selezione antibiotica), il 25% delle popolazioni simulate rimane intrappolato in picchi di fitness subottimali. Se un quarto delle popolazioni non raggiunge l’ottimo nemmeno per un singolo enzima, le probabilità di successo per strutture che richiedono la coordinazione di decine di enzimi sono incomparabilmente inferiori.

L’obiezione dell’ambiente artificiale

Una critica frequente all’LTEE è che l’ambiente sperimentale — glucosio limitato, temperatura costante, nessun predatore, nessun parassita — sia troppo semplice rispetto agli ambienti naturali, e che in ambienti più complessi il meccanismo darwiniano mostrerebbe un potere creativo maggiore.

Questa obiezione coglie un punto reale: l’ambiente dell’LTEE è certamente più semplice di un ecosistema naturale. Ma la risposta è che ambienti più complessi impongono più vincoli e più pressioni selettive simultanee — il che dovrebbe rendere l’evoluzione costruttiva più difficile, non più facile. Un batterio che deve adattarsi simultaneamente a predatori, parassiti, fluttuazioni di temperatura, competitori e variabilità delle risorse ha meno “margine” per esplorare varianti costruttive rispetto a uno che affronta una sola pressione selettiva costante. L’ambiente dell’LTEE è, se mai, un caso ottimistico per il darwinismo.

L’obiezione della scala temporale insufficiente

Un’altra obiezione è che anche 80.000 generazioni siano poche rispetto ai tempi geologici. L’evoluzione opera su miliardi di anni; l’LTEE copre l’equivalente di pochi milioni di anni di evoluzione dei mammiferi.

La risposta è che il parametro rilevante non è il tempo assoluto, ma il numero di organismi e di mutazioni esplorate. I batteri dell’LTEE hanno prodotto trilioni di cellule, esplorando un numero di varianti genetiche che supera di molti ordini di grandezza quello disponibile per qualsiasi linea di mammiferi nell’intera era cenozoica. Se il meccanismo darwiniano non produce novità strutturale in queste condizioni, aggiungere più tempo non risolve il problema — perché il problema è probabilistico, non temporale.

14. Dall’esperimento all’inferenza: il passaggio al Disegno Intelligente

Come si connette il quadro emerso dagli esperimenti di laboratorio con l’argomento del Disegno Intelligente? Il passaggio logico segue il principio dell’inferenza alla miglior spiegazione — lo stesso principio usato nelle scienze storiche, dalla geologia all’archeologia alla cosmologia.

Il ragionamento si struttura in tre passi.

Il primo è l’osservazione empirica: gli esperimenti di laboratorio — dall’LTEE agli studi di Gauger e Axe, da Spiegelman alla nylonasi, da Thornton alla resistenza ai farmaci — documentano che i processi naturali non diretti producono adattamenti attraverso la degradazione e la modifica di funzioni preesistenti, ma non producono nuovi ripiegamenti proteici, nuove macchine molecolari multicomponente o nuove reti di regolazione dello sviluppo. La conferma indipendente di Hottes et al. (2013) stabilisce che questo è il pattern dominante nel 96% delle condizioni ambientali testate.

Il secondo passo è il principio di uniformità causale: dalla nostra esperienza uniforme e ripetuta, conosciamo una sola causa in grado di produrre sistemi con informazione complessa specificata, codice digitale funzionale, macchine multicomponente integrate, algoritmi di controllo sofisticati. Quella causa è una mente intelligente. I programmi informatici, le macchine industriali, i libri, i circuiti elettronici — tutte le strutture che mostrano queste caratteristiche nell’esperienza umana — sono prodotti da agenti intelligenti, non da processi non guidati.

Il terzo passo è l’inferenza: poiché i sistemi biologici mostrano esattamente le caratteristiche che nella nostra esperienza sono prodotte da menti intelligenti — e poiché gli esperimenti di laboratorio documentano l’incapacità dei processi non guidati di produrre queste caratteristiche — la spiegazione più coerente con i dati disponibili è che una causa intelligente abbia operato nella storia della vita.

Coerentemente con la posizione editoriale di questo sito — dichiarata nell’articolo fondativo — questa inferenza va inquadrata come una deduzione logica, filosofica e metafisica basata su dati scientifici. I dati sperimentali esaminati in questo Modulo sono fatti scientifici misurabili, pubblicati su riviste peer-reviewed come Nature, PNAS, PLOS Genetics, The Quarterly Review of Biology e Journal of Bacteriology. L’osservazione che il meccanismo darwiniano degrada più che costruisce è una conclusione empirica che emerge da quei dati. Il passo ulteriore — l’identificazione di una causa intelligente come spiegazione dell’origine della complessità biologica — è un’inferenza che va oltre la scienza sperimentale in senso stretto. Il progettista resta un’entità non osservabile — un limite reale che questo sito riconosce onestamente.

Ma lo stesso limite si ritrova in molte teorie accettate dal mainstream scientifico. La teoria delle stringhe non ha prodotto in decenni una singola previsione verificabile. L’ipotesi del multiverso postula universi per definizione inosservabili. Le teorie sull’abiogenesi non hanno mai riprodotto in laboratorio la formazione di una cellula funzionale. Nessuna di queste teorie viene esclusa dal dibattito per i suoi limiti di verificabilità. Il doppio standard con cui l’ID viene trattato rispetto a queste teorie è un problema di equità intellettuale, non un indicatore del suo valore..

Per approfondire

• Quando l’evoluzione distrugge — cosa hanno in comune gli adattamenti osservati in laboratorio.
• La Prima Regola dell’Evoluzione Adattativa — la regola che questi esperimenti mettono alla prova.
• La genetica delle popolazioni e le barriere matematiche — perché i risultati di Lenski erano prevedibili.
• Il margine dell’evoluzione: casi di studio specifici — dai batteri ai sistemi complessi.
• Cosa può e cosa non può fare la selezione naturale — il bilancio conclusivo del Percorso.

Riferimenti

Axe, D. D. (2004). “Estimating the Prevalence of Protein Sequences Adopting Functional Enzyme Folds.” Journal of Molecular Biology, 341(5), 1295–1315. DOI: 10.1016/j.jmb.2004.06.058

Axe, D. (2016). Undeniable: How Biology Confirms Our Intuition That Life Is Designed. HarperOne.

Arnold, F. H. (2019). “Innovation by Evolution: Bringing New Chemistry to Life.” Nobel Lecture. The Nobel Prize in Chemistry 2018.

Behe, M. J. (2007). The Edge of Evolution: The Search for the Limits of Darwinism. Free Press.

Behe, M. J. (2010). “Experimental evolution, loss-of-function mutations, and ‘the first rule of adaptive evolution’.” The Quarterly Review of Biology, 85(4), 419–445. DOI: 10.1086/656902

Behe, M. J. (2019). Darwin Devolves: The New Science About DNA That Challenges Evolution. HarperOne.

Blount, Z. D., Borland, C. Z., & Lenski, R. E. (2008). “Historical contingency and the evolution of a key innovation in an experimental population of Escherichia coli.” Proceedings of the National Academy of Sciences, 105(23), 7899–7906. DOI: 10.1073/pnas.0803151105

Bridgham, J. T., Carroll, S. M., & Thornton, J. W. (2006). “Evolution of Hormone-Receptor Complexity by Molecular Exploitation.” Science, 312, 97–101. DOI: 10.1126/science.1123348

Bridgham, J. T., Ortlund, E. A., & Thornton, J. W. (2009). “An epistatic ratchet constrains the direction of glucocorticoid receptor evolution.” Nature, 461, 515–519. DOI: 10.1038/nature08249

Couce, A., Caudwell, L. V., Feinauer, C., et al. (2017). “Mutator genomes decay, despite sustained fitness gains, in a long-term experiment with bacteria.” PNAS, 114(43), E9026–E9035. DOI: 10.1073/pnas.1705887114

Davidson, E. H., & Erwin, D. H. (2006). “Gene Regulatory Networks and the Evolution of Animal Body Plans.” Science, 311(5762), 796–800. DOI: 10.1126/science.1113832

Dembski, W. A. (2023). The Design Inference: Eliminating Chance through Small Probabilities. 2nd ed. Discovery Institute Press.

Gauger, A. K., & Axe, D. D. (2011). “The Evolutionary Accessibility of New Enzyme Functions: A Case Study from the Biotin Pathway.” BIO-Complexity, 2011(1). DOI: 10.5048/BIO-C.2011.1

Gauger, A. K., Ebnet, S., Fahey, P. F., & Seelke, R. (2010). “Reductive Evolution Can Prevent Populations from Taking Simple Adaptive Paths to High Fitness.” BIO-Complexity, 2010(2), 1–9. DOI: 10.5048/BIO-C.2010.2

Good, B. H., McDonald, M. J., Barrick, J. E., Lenski, R. E., & Desai, M. M. (2017). “The dynamics of molecular evolution over 60,000 generations.” Nature, 551(7678), 45–50. DOI: 10.1038/nature24287

Hall, B. G. (1978). “Experimental evolution of a new enzymatic function.” Genetics, 89(3), 453–465.

Harms, M. J., & Thornton, J. W. (2014). “Historical contingency and its biophysical basis in glucocorticoid receptor evolution.” Nature, 512, 203–207. DOI: 10.1038/nature13410

Hottes, A. K., Freddolino, L., Khare, A., et al. (2013). “Bacterial Adaptation through Loss of Function.” PLOS Genetics, 9(7), e1003617. DOI: 10.1371/journal.pgen.1003617

Kato, K., et al. (1991). “Amino acid alterations essential for increasing the catalytic activity of the nylon-oligomer-degradation enzyme.” European Journal of Biochemistry, 200, 165–169.

Keefe, A. D., & Szostak, J. W. (2001). “Functional proteins from a random-sequence library.” Nature, 410, 715–718. DOI: 10.1038/35070613

Lenski, R. E. et al. (1991). “Long-Term Experimental Evolution in Escherichia coli.” The American Naturalist, 138(6), 1315–1341.

Meyer, S. C. (2013). Darwin’s Doubt: The Explosive Origin of Animal Life and the Case for Intelligent Design. HarperOne.

Negoro, S., et al. (2005). “X-ray crystallographic analysis of 6-aminohexanoate-dimer hydrolase.” Journal of Biological Chemistry, 280, 39644–39652.

Ohno, S. (1984). “Birth of a unique enzyme from an alternative reading frame of the preexisting, internally repetitious coding sequence.” PNAS, 81, 2421–2425.

Papkou, A., Garcia-Pastor, L., Escudero, J. A., & Wagner, A. (2023). “A rugged yet easily navigable fitness landscape.” Science, 382(6673), eadh3860.

Spiegelman, S. et al. (1967). “The synthesis of a self-propagating and infectious nucleic acid with a purified enzyme.” PNAS, 54(3), 919–927.

Tian, P., & Best, R. B. (2017). “How Many Protein Sequences Fold to a Given Structure? A Coevolutionary Analysis.” Biophysical Journal, 113(8), 1719–1730.

Van Hofwegen, D. J., Hovde, C. J., & Minnich, S. A. (2016). “Rapid Evolution of Citrate Utilization by Escherichia coli by Direct Selection Requires citT and dctA.” Journal of Bacteriology, 198(7), 1022–1034. DOI: 10.1128/JB.00831-15