Sakte evolusjon – Naturhistorisk museum

Forskeren løser evolusjonsgåte med kunstig intelligens

Kjetil Lysne Voje skal bruke tusenvis av gamle fossiler, statistiske modeller og kunstig intelligens til å finne svar på en av evolusjonens aller største gåter.

Et eksempel på rask evolusjon er hvordan nebbstørrelsen til Darwin-finkene endret seg.
Et eksempel på rask evolusjon er hvordan nebbstørrelsen til Darwin-finkene endret seg. (Foto: Pedro Szekely/Flickr)

Kjetil Lysne Voje skal bruke tusenvis av gamle fossiler, statistiske modeller og kunstig intelligens til å finne svar på en av evolusjonens aller største gåter.

  • biologi

Et av de store paradoksene i biologien er hvorfor evolusjonen utvikler seg raskt over kort tid, mens den ser ut til å gå sakte over lang tid.

– Det er et stort sprik i forståelsen av den raske evolusjonen mellom generasjoner og den sakte evolusjonen over millioner av år, forteller forsker Kjetil Lysne Voje på Naturhistorisk museum ved Universitetet i Oslo.

Han er evolusjonsbiolog og har fått 15 millioner kroner i støtte fra Det europeiske forskningsrådet for å finne svaret på dette merkelige paradokset i evolusjonens verden.

Et eksempel på rask evolusjon er Darwin-finkene på Galápagosøyene tusen kilometer utenfor kysten av Ecuador. Disse finkene stammer fra det latinamerikanske kontinentet. De har alle spesielle størrelser på nebbene sine. Noen har store nebb, andre små.

– Evolusjonære endringer skjer ofte gjennom naturlig seleksjon og genetisk variasjon, forklarer Voje.

– De finkene som ble født med feil nebbstørrelse, fikk ikke den samme tilgangen til mat. Da forsvant de. Det skyldtes naturlig seleksjon. Samtidig hadde finkene et stort genetisk mangfold, slik at noen av dem ble født med rett nebbstørrelse. Det var nettopp disse finkene som overlevde og kunne formere seg videre.

Et eksempel på sakte evolusjon er utviklingen av trilobitter, en stor gruppe krepslignende leddyr som fantes i havet fra tidlig kambrium til slutten av permtiden, en periode på vel 300 millioner år. Det fantes flere tusen arter av dem.

– Når vi studerer trilobitter og finner eksemplarer av den samme arten, noen millioner år eldre, er det liten forskjell på dem.

Et eksempel på sakte evolusjon er trilobittene. De endret seg lite gjennom millioner av år.
Et eksempel på sakte evolusjon er trilobittene. De endret seg lite gjennom millioner av år. Foto: Iulia Nemchinova, Colourbox.com

For å finne sammenhengen mellom evolusjonær utvikling over kort og lang tid, skal Voje sammenligne store mengder fossiler. Her kan han se hvordan hver enkelt art har endret seg over tusener eller millioner av år. En slik oversikt kalles en tidsserie.

– Med disse tidsseriene får vi muligheten til å forstå evolusjonen langt bedre enn tidligere.

Fossiler er spor av tidligere organismer som har levd på Jorda. Noen tror at fossiler bare dreier seg om store dyr som Tyrannosaurus rex. Det er feil. Mange av dem er små, encellete skapninger.

De beste dataene er fossiler av encellete alger fra innsjøer. De er hentet fra overalt i verden, slik som USA og Peru.

– Med disse tidsseriene kan vi følge evolusjonen over nesten 300.000 år.

Noen av oss lever i den villfarelsen at fossiler må være gamle. Det er også feil. De yngste fossilene i samlingen til Voje er bare noen få tusen år gamle. Disse fossilene er også av encellete dyr. Forskerne finner dem ved å ta kjerneprøver fra bunnen i innsjøer. Kjerneprøvene gjør det mulig å hente frem fossiler fra de ulike bunnlagene. De eldste eksemplarene er nederst i kjerneprøvene. De yngste er øverst. Noen ganger er det bare noen hundre år mellom hvert av funnene.

Foreløpig har Voje satt sammen noen hundre tidsserier. Alle fossilene er vitenskapelig beskrevet.

– Jeg står på skuldrene til de store gigantene som har samlet inn dataene og publisert dem. Disse forskerne har som oftest ikke analysert dataene sine med tanke på evolusjonære endringer. De har først og fremst vært interessert i å se på mønstrene for å identifisere arten. Jeg vil derimot bruke dataene deres til å finne svar på spørsmål som tidligere ikke er besvart.

Statistikk-triks

Voje skal plotte inn alle de fossile tidsseriene i en statistisk modell. Da kan han teste ut de ulike eksisterende teoriene om hvordan evolusjonen kan ha foregått. Han skal med andre ord analysere tidsseriene av fossilene for å finne frem til de teoriene som kan passe til datamaterialet hans.

Evolusjonen kan ha foregått på forskjellige måter. Det trengs derfor flere modeller for å dekke bredden i hvordan evolusjonen har skjedd.

– Evolusjonen kan foregå raskt og spre seg i alle retninger, den kan være bundet og gjennomgå liten endring, og den kan være bundet en stund og så endre seg raskt og så være bundet igjen.

Spørsmålet er i hvilken grad de ulike modellene kan forklare de evolusjonære endringene og om modellene får problemer når tidsskalaene blir for lange.

– Kanskje klarer vi bare å forklare hvordan evolusjonen foregår over tusen år, men kanskje kan vi finne en modell som forklarer hvordan evolusjonen foregår over 100 000 år eller millioner av år. Det er nettopp det jeg skal finne ut av.

I den enkleste modellen hans ser han på kroppsstørrelsen og hvordan den endres over tid.

– Her skal jeg se om observasjonene mine er tilfeldige eller om det finnes et system. Kanskje er det evolusjonsmessig lurt å være stor. Da kan det tenkes at de evolusjonære endringene vi ser, ikke er tilfeldige.

Kjetil Lysne Voje vil forstå evolusjonen bedre ved å sammenligne store mengder fossiler over tusener og millioner av år.
Kjetil Lysne Voje vil forstå evolusjonen bedre ved å sammenligne store mengder fossiler over tusener og millioner av år. Foto: Ola Sæther

Denne problemstillingen kan løses med det matematikerne kaller for maksimum likelihood. Hvis du lurer på hva dette volapyket innebærer, er det lurt å lese forklaringen i halvt tempo: Maksimum likelihood er en velbrukt metode som brukes til å finne den sannsynlighetsfunksjonen der de observerte dataene er mest sannsynlige.

– Jeg forventer ikke at modellene skal kunne forklare alle tidsseriene våre, men jeg ønsker å finne ut om de modellene som kan forklare hva som skjer på kort tid, også fungerer over lang tid. Det er mange hypoteser. Utfordringen min er å luke ut de teoriene som vi mener ikke er gode nok og styrke dem vi tror på. Jeg ønsker med andre ord å rydde litt opp i jungelen.

Tyr til kunstig intelligens

Nå lurer du kanskje på hvor den kunstige intelligensen kommer inn. Kjetil Lysne Voje skal bruke kunstig intelligens på fossilene for å si noe om hvor stort potensial artene hadde for å endre seg. For å finne ut av dette er det viktig å skille mellom hvor mye av endringene som skyldes gener og hvor mye som skyldes miljø.

– Det er bare mengden av den genetiske variasjonen som styrer hvor mye en art kan endre seg.

Selv for biologer som studerer nålevende populasjoner, kan det være krevende å finne ut hvor mye av variasjonen innenfor en art som skyldes miljø og hvor mye som skyldes gener. Og da kan du kanskje tenke deg hvilket tilsynelatende umulig problem Kjetil Lysne Voje har rotet seg bort i. Forskere klarer bare svært sjeldent å hente ut DNA fra fossiler. Vanligvis fins ingen genetiske rester i fossiler.

– Det er nesten umulig å studere den genetiske variasjonen i fossiler, med ett eneste unntak: mosdyr!

Mosdyr er en gruppe virvelløse, flercellete dyr som har eksistert i 500 millioner år og som fortsatt finnes. De lever i vann. De fleste av dem holder til i havet.

– Mosdyr har et fantastisk rikt fossilt materiale.

Denne fossilen er en underart av mosdyrslekten Steginoporella. Kjetil Lysne Voje skal sammenligne mange fossiler over et langs tidsspenn fra hver av disse underartene for å forstå hvordan evolusjonen har skjedd. For å klare dette må han ty til kunstig intelligens.
Denne fossilen er en underart av mosdyrslekten Steginoporella. Kjetil Lysne Voje skal sammenligne mange fossiler over et langs tidsspenn fra hver av disse underartene for å forstå hvordan evolusjonen har skjedd. For å klare dette må han ty til kunstig intelligens. Foto: Paul Taylor, Naturhistorisk museum, London

Kloner seg selv

Sammen med kollegaer fra Naturhistorisk museum har Voje samlet inn fossiler fra flere tusen kolonier. Mange av dem er fra New Zealand. Noen av fossilene er opptil to og en halv million år gamle. Fossiler av mosdyr er de siste 30 årene brukt som et bevis på at arter har endret seg svært lite over millioner av år og at evolusjonen først og fremst skjer når nye arter oppstår. Voje er spent på om de nye dataene hans kan bevise eller motbevise dette.

Alle mosdyr-individer lever i kolonier. Innad i en koloni er alle individene kloner av hverandre. Det betyr at alle individene i en koloni er genetisk identiske med hverandre. Likevel har de ulike oppgaver i kolonien. Noen av dem forsvarer kolonien. Andre skaffer mat.

– Så selv om individene er genetisk like i kolonien, har de ulike oppgaver og utseende. Dette handler om hvilke gener som er slått av og på.

Voje skal derfor bare sammenligne individer med de samme oppgavene i ulike kolonier.

Takket være denne besynderlige evnen hos mosdyr til å klone seg selv, kan forskerne estimere hva den genetiske variasjonen betyr for evolusjonen over lang tid ved å sammenligne fossilene med dem som lever akkurat nå.

Les også

– Historisk tidsmaskin

Spørsmålet Voje stiller seg, er om arter med små mengder genetisk variasjon endrer seg lite sammenlignet med arter med mye genetisk variasjon, eller om mengden med genetisk variasjon spiller liten rolle for evolusjonshastigheten over millioner av år.

– Dette er vanskelig å se med dagens dyr, men vi finner svaret i fossilene. Du kan derfor si at mosdyr er en historisk tidsmaskin.

For å kunne estimere den genetiske variasjonen i de fossile mosdyrene, trenger forskerne mye data.

– Det har vi heldigvis. Og det er her maskinlæringen kommer inn.

Maskinlæring er kunstig intelligens.

– Vi samler inn mange fossile mosdyr, tar bilder av dem og bruker maskinlæring til å studere detaljer i utseendet på dyrene.

Maskinen gjenkjenner mosdyrene

Maskinlæringen har lært seg å gjenkjenne de ulike individene i kolonien. De skal altså bruke maskinlæring til å måle ulike deler av utseendet til de enkelte mosdyr-individene for å se hvor mye av variasjonen over tid som skyldes den genetiske variasjonen.

For å komme i mål har Voje samarbeidet med noen av verdens ledende mosdyr-forskere, både på New Zealand, i London og ved Naturhistorisk museum i Oslo.

Teknikken som de bruker i maskinlæringen, er den samme som brukes for å kunne skille hunde- og kattebilder.

– Vi skanner alle mosdyrene. Algoritmene våre ser så etter bestemte trekk hos de individene i koloniene som vi ønsker å se nærmere på. Akkurat som vi kan trene opp dataprogrammer til å gjenkjenne hva som er et øye, munnvik eller nesetipp hos hunder og katter, kan vi trene opp dataprogrammet vårt til å gjenkjenne de trekkene som vi er interessert i hos mosdyrene.

Etter å ha testet algoritmene på noen tusen bilder, er algoritmene blitt flinkere enn oss mennesker til å finne de fysiske trekkene hos mosdyr.

– Vi utviklet denne programvaren for å måle egenskapene til mosdyr, men den virker uavhengig av organismer. Vi har testet programmet på både fluevinger og fisk. Og vi har fått henvendelser fra biologer over hele verden om å få bruke denne programvaren, forteller Kjetil Lysne Voje.

– Programvaren er blitt en viktig bærebjelke i evolusjonsforskningen vår.

Artikkelen ble først publisert i Apollon.

Les også

Kommentarer (0)

Kommentarer (0)

Eksklusivt for digitale abonnenter

På forsiden nå