6.2 长期实验进化

6.2 长期实验进化：可重放的演化史

本节摘要：1988 年启动的大肠杆菌长期实验（LTEe）把进化装进了摇瓶：12 个重复群体、每天转接 1:100、每 500 代冻结一批样本，至今数万代。它给出三个层级的结果——适应度先快后慢的收益递减、突变供给与重复性、以及一次罕见的代谢创新（有氧利用柠檬酸）的重放检验。本节用最小模型复现收益递减曲线，并讨论"历史 contingency"如何被实验直接证明。

实验设计：为什么每个细节都有用

• 12 个重复系：同一祖先，同样环境（葡萄糖限量培养）。进化若高度可重复，12 条线应殊途同归；若历史偶然重要，它们应当分岔。答案是两者都成立——适应度轨迹高度趋同，基因层面的路径部分分歧。
• 每天 1:100 转接：每一瓶经历约 6.6 代瓶颈期生长，构成"世代"的节拍器。
• 定期冻结：−80°C 的甘油菌是"化石"，随时可以复苏与任意后代同台竞技——进化史变成可以重放、可以做对照实验的对象，这是任何古生物学都无法提供的操作。

适应度用"竞争实验"测量：把某代样本与标记过的祖先混合回接，数比例变化，直接得到相对适应度。这是第 1 章"适合度是计数"的实验室版本。

收益递减：适应度增长的主旋律

数千代后适应度仍在涨，但越来越慢——早期一步突变拿到大头（细胞变大、代谢调度优化），后来的突变只能在越来越窄的余地里抠。这一"先快后慢"的幂律式减速在多个实验体系（病毒、酵母、细菌）中反复出现，是适应性进化的普适动态之一。

演练一：收益递减的最小模型

import random

def diminishing_returns(gens=20000, steps_per_gen=1, seed=0,
                        n_beneficial=5, alpha=0.06):
    """有效突变的优势与其效应大小排序挂钩：最大的先被抓走"""
    rng = random.Random(seed)
    log_fitness = 0.0
    history = []
    remaining = sorted((rng.expovariate(1.0) for _ in range(n_beneficial)),
                       reverse=True)          # 大效应在前
    idx = 0
    for g in range(gens):
        if idx < len(remaining) and rng.random() < 5e-4:
            effect = remaining[idx] / (1 + alpha * idx)**2   # 递减折算
            log_fitness += effect
            idx += 1
        history.append(log_fitness)
    return history

h = diminishing_returns()
for g in (100, 500, 2000, 5000, 10000, 20000):
    print(f"第{g:>6}代 累计对数适应度 {h[g-1]:.2f}")
print(f"后半程（1万-2万代）增量仅占总增量 "
      f"{(h[-1]-h[9999])/h[-1]:.0%}")
​

前五百代贡献了大部分增益，两万代时曲线已近平台——与实验测得的相对适应度轨迹形状一致。机理表述成一句话：可蹭的"低垂果实"有限，每摘一个，剩下的都更高更小。

演练二：重放历史——偶然性与必然性

import random

def replay_innovation(n_replays=1000, seed=0,
                      pot_rate=1e-5, final_rate=1e-9):
    """稀有创新需要"铺垫突变 + 终突变"两步：重放各系命运如何"""
    rng = random.Random(seed)
    innovated = 0
    for _ in range(n_replays):
        # 每系每代有 pot_rate 概率获得铺垫（potentiating）突变
        # 获得铺垫后，终突变概率从背景值升到 1e-4
        primed = False
        for gen in range(20000 // 100):        # 稀疏化时间步
            if not primed and rng.random() < pot_rate * 100:
                primed = True
            if primed and rng.random() < 1e-4:
                innovated += 1
                break
    return innovated / n_replays

print(f"重放 1000 个平行宇宙，创新出现比例: {replay_innovation():.0%}")
​

比例取决于参数，但定性结论稳定：创新在重放中只在部分平行宇宙出现。这正是真实事件的结构：LTEe 的一个群体在约三万代左右获得了在有氧条件下利用柠檬酸的能力——培养基里一直有柠檬酸，但利用它需要一个罕见的多步骤事件（先获得一个基因重复把柠檬酸转运蛋白接到有氧启动子下）。把三万代前的冻结样本复苏重放，大多数重放线没有再现该创新；从创新发生前一两千代的样本重放，再现率则显著更高——历史依赖（contingency）第一次被做成了可重复实验。

💡 方法论要点：实验进化学的力量不在"证明进化发生"（6.1 的野外数据已足够），而在把三个变量拆开——重复性（12 条线）、重放性（冻结样本）、可归因性（全基因组测序定位每一步的突变）。任何一门历史科学梦寐以求的三个旋钮，这里全齐。

野外观察与实验进化的能力对照

本节要点回顾

• LTEe 的设计三件套：重复、节拍、冻结，把进化史变成实验材料
• 适应度收益递减是跨体系普适动态，最小模型十几行可复现
• 柠檬酸事件证明历史依赖：重放只在部分宇宙再现重大创新
• 适应的大轨迹可重复、具体的分子路径部分偶然——必然与偶然分层共存

微观进化到此齐装满员。第 7 章追问：这些频率变化累积到哪里，才算是"新的物种"？

图6-2 适应度的收益递减曲线