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
- 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.
- 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.
- 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.
- 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.
- 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.
- 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.
