El artículo 'Biological Evolution and Information Acquisition', del blog Construction Physics, analiza cómo la evolución biológica adquiere información genética mediante simulaciones que comparan estrategias reproductivas. La premisa parte de la simulación de evolución tecnológica del economista Brian Arthur, donde componentes simples como puertas NAND se combinan aleatoriamente para formar circuitos complejos. De manera análoga, la evolución biológica combina módulos genéticos a través de mecanismos como la reproducción sexual y la transferencia horizontal de genes.
El texto presenta dos simulaciones con una población de 100 criaturas, cada una con un genoma de 200 genes binarios (1 = bueno, 0 = malo). En la reproducción asexual, cada progenitor produce dos hijos con una tasa de mutación del 0,2% por gen. La aptitud se mide como la suma de genes buenos. Tras cada generación, se seleccionan los 100 hijos más aptos. La mutación tiende a reducir la aptitud promedio de la descendencia cuando los progenitores están por encima de la media, lo que ralentiza el progreso. En la simulación asexual, tras 200 generaciones la aptitud promedio alcanza 187 sobre 200.
En la reproducción sexual, los hijos heredan genes de dos padres, con un 50% de probabilidad de cada gen, sin mutación. La variación genética proviene solo de la recombinación. En solo 33 generaciones, la población alcanza la aptitud máxima de 200. La clave es que la recombinación no reduce la aptitud promedio de la descendencia, ya que los hijos tienen en promedio la misma aptitud que los padres. Esto permite que la selección natural actúe sobre una distribución más favorable, acelerando la fijación de genes beneficiosos.
El artículo también discute la modularidad genética y cómo mecanismos como el sexo aumentan la tasa de adquisición de información, análogo a cómo la combinación de módulos funcionales acelera la innovación tecnológica. Las simulaciones demuestran que la reproducción sexual es una estrategia evolutiva eficiente para explorar el espacio de genotipos, superando las limitaciones de la mutación aleatoria. El texto, aunque incompleto al final, ofrece una base sólida para entender la dinámica evolutiva desde una perspectiva computacional.