Modelo Genetico

Modelo genético

Un modelo es un esquema teórico, generalmente en forma matemática, de un sistema o de una realidad compleja, que se elabora para facilitar su comprensión y el estudio de su comportamiento.

El valor que se observa cuando un carácter se mide sobre un individuo es el valor fenotípico de ese individuo.

El modelo que se utiliza para estudiar el valor fenotípico (P) es en componentes atribuibles a la influencia del genotipo (G) y del ambiente (E) es la ecuación:

P = G + E

En la que P es el valor fenotípico, G el valor genotípico y E la desviación ambiental.

Se define como genotipo como al arreglo particular de genes que presenta el individuo, y el ambiente como todas y cada una de las circunstancias no genéticas que afectan al valor fenotípico. Al englobar todas las circunstancias no genéticas dentro del término ambiente es claro que el genotipo y el ambiente son, por definición, los únicos dos determinantes del valor fenotípico, ya que todo lo que no es genotipo, por definición, es ambiente.

Los caracteres cualitativos tienen muy poca o nula influencia ambiental, por lo que el modelo que se aplica a ellos es:

P = G

Genotipo

El Genotipo de un individuo o Valor Genotípico se particiona en componentes atribuibles a diferentes causas:

Valor Genético Aditivo (Ga): como ya se mencionó, para los caracteres cuantitativos, cada gen hace un pequeño aporte individual al genotipo. Ese aporte se denomina valor aditivo del gen. El genotipo aditivo es la sumatoria de dichos efectos de todos los genes que determinan en genotipo de ese individuo para ese carácter. También se lo denomina Valor de Cría, Reproductivo o Mejorante. El valor representa, del valor genotípico, sólo la parte que puede ser transmitida de los padres a su descendencia.

Valor Genético por Dominancia (Gd): o desviación por dominancia que surge de la interacción entre alelos de un locus. Es la sumatoria de los efectos producidos debido a las interacciones alélicas entre todos los pares de genes que determinan el carácter en un individuo.

Valor Genético por Interacciones (Gi): con más de un locus determinando el carácter, se debe tener en cuenta también las interacciones entre loci (no alélicas), que se denominan epístasis. Es la sumatoria de los efectos producidos debido a las interacciones no alélicas entre todos los pares de genes que determinan el carácter en un individuo.

G = Ga + Gd + Gi

Aspectos básicos de la evolución

La evolución biológica es el conjunto de transformaciones o cambios a través del tiempo que ha originado la diversidad de formas de vida que existen sobre la Tierra a partir de un antepasado común.1 2 La palabra evolución para describir tales cambios fue aplicada por primera vez en el siglo XVIII por el biólogo suizo Charles Bonnet en su obra Consideration sur les corps organisés.3 4 No obstante, el concepto de que la vida en la Tierra evolucionó a partir de un ancestro común ya había sido formulado por varios filósofos griegos,5 y la hipótesis de que las especies se transforman continuamente fue postulada por numerosos científicos de los siglos XVIII y XIX, a los cuales Charles Darwin citó en el primer capítulo de su libro El origen de las especies.6 Sin embargo, fue el propio Darwin, en 1859,7 quien sintetizó un cuerpo coherente de observaciones que consolidaron el concepto de la evolución biológica en una verdadera teoría científica.2

La evolución como una propiedad inherente a los seres vivos, actualmente no es materia de debate entre la comunidad científica relacionada con su estudio.2 Los mecanismos que explican la transformación y diversificación de las especies, en cambio, se hallan todavía bajo intensa investigación científica. Dos naturalistas, Charles Darwin y Alfred Russel Wallace, propusieron en forma independiente en 1858 que la selección natural es el mecanismo básico responsable del origen de nuevas variantes genotípicas y, en última instancia, de nuevas especies.8 9 Actualmente, la teoría de la evolución combina las propuestas de Darwin y Wallace con las leyes de Mendel y otros avances posteriores en la genética; por eso se la denomina síntesis moderna o «teoría sintética».2 Según esta teoría, la evolución se define como un cambio en la frecuencia de los alelos de una población a lo largo de las generaciones. Este cambio puede ser causado por diferentes mecanismos, tales como la selección natural, la deriva genética, la mutación y la migración o flujo genético. La teoría sintética recibe en la actualidad una aceptación general de la comunidad científica, aunque también algunas críticas. Ha sido enriquecida desde su formulación, en torno a 1940, gracias a los avances de otras disciplinas relacionadas, como la biología molecular, la genética del desarrollo o la paleontología.10 Actualmente se continúan elaborando hipótesis sobre los mecanismos del cambio evolutivo basándose en datos empíricos tomados de organismos vivos.

Algoritmo genético

Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solución a un problema específico. En los años 1970, de la mano de John Henry Holland, surgió una de las líneas más prometedoras de la inteligencia artificial, la de los algoritmos genéticos.1 Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una Selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados. Es incluido dentro de los algoritmos evolutivos, que incluyen también las estrategias evolutivas, la programación evolutiva y la programación genética. Dentro de esta última se han logrado avances curiosos:

Un algoritmo genético también es un método de búsqueda dirigida basada en probabilidad. Bajo una condición muy débil (que el algoritmo mantenga elitismo, es decir, guarde siempre al mejor elemento de la población sin hacerle ningún cambio) se puede demostrar que el algoritmo converge en probabilidad al óptimo. En otras palabras, al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1 (uno)

Los algoritmos

...