آزمایشگاه آزاد؛ بدون نیاز به ورود
وقتی شانس، سهم یک دگره را جابه‌جا می‌کند
گاهی سهم یک دگره فقط به خاطر شانسِ نمونه‌گیری عوض می‌شه؛ لازم نیست آن دگره برتری داشته باشه. نمودار یک مسیر تصادفی رو نشان می‌ده، نه پیش‌بینی قطعی برای همه‌ی جمعیت‌ها.
آزمایش رو شروع کنبا جمعیت ۵۰ نفر، سهم شروع ۰٫۵ و ۵۰ نسل شروع کن؛ ۰٫۵ یعنی نیمی از نسخه‌های ژن. هر بار اجرای دوباره یک مسیر تصادفی تازه می‌سازه. بعد از هر اجرا، دکمه رو دوباره بزن تا مسیر بعدی رو ببینی.
آزمایشگاه در حال آماده شدنه…
حالا خودت امتحان کن
هر بار فقط یک چیز رو تغییر بده تا اثرش رو ببینی. قبل از اجرا، نتیجه رو حدس بزن.
یک مسیر از سهم نصفه
تنظیم شروع رو نگه دار و یک بار «اجرای آزمایش» رو بزن؛ خط رو از صفر تا انتهای نسل‌ها دنبال کن.
حدست چیه؟ فکر می‌کنی فراوانی دگره تا پایان نزدیک نصف می‌مونه یا به صفر یا یک می‌رسه؟
توضیح نتیجه رو ببین
در نمونه‌ی اجرای اولِ این مسیر، سهم از ۰٫۵ شروع شد و در نسل ۴۳ به یک رسید؛ دگره در این جمعیت تثبیت شد و تنوعِ محاسبه‌شده به صفر رسید. یک اجرای دیگه می‌تونه مسیر متفاوتی داشته باشه.
همان جمعیت، اجرای تازه
هیچ‌کدام از سه تنظیم رو تغییر نده و «اجرای آزمایش» رو بار دوم بزن.
حدست چیه؟ با ورودی‌های برابر، زمان رسیدن به یک دقیقاً مثل اجرای قبل می‌شه؟
توضیح نتیجه رو ببین
در نمونه‌ی اجرای دوم، دگره در نسل ۳۱ به یک رسید؛ اجرای اول در نسل ۴۳ به آن نقطه رسیده بود. اختلاف این مسیرها یادآوری می‌کنه که در یک جمعیت ثابت هم نتیجه‌ی هر اجرای تصادفی یکی نیست.
تعداد افراد رو کم کن
سهم شروع و ۵۰ نسل رو نگه دار، تعداد افراد رو از ۵۰ به ۲۰ کاهش بده و اجرای سوم رو انجام بده.
حدست چیه؟ در نمونه‌ی بعدی، کم شدن تعداد نسخه‌های ژن چه اثری روی اندازه‌ی نوسان‌ها می‌تونه داشته باشه؟
توضیح نتیجه رو ببین
در نمونه‌ی اجرای سوم، با جمعیت ۲۰ نفر، خط در نسل ۴۰ به یک رسید. این تک‌مسیر ثابت نمی‌کنه جمعیت کوچک همیشه زودتر تثبیت می‌شه؛ نوسان‌هایش معمولاً بزرگ‌ترند، اما مسیر دقیق باز هم شانسی است.
پشت این حرکت چه خبره؟
هر نسل یک نمونه‌ی تازه است
X ~ Bin(2N, f_t); f_(t+1) = X/(2N)
مدل برای جمعیت N نفری، دو برابرِ آن تعداد نسخه‌ی ژن را با احتمال برابرِ سهم فعلی دگره نمونه می‌گیره. تعداد نسخه‌های انتخاب‌شده سهم نسل بعد رو می‌سازه؛ برای همین حتی بدون انتخاب طبیعی، فراوانی می‌تونه بالا یا پایین بره.
جمعیت کوچک‌تر، نوسان نسبی بزرگ‌تر
Var(f_(t+1) | f_t) = f_t(1-f_t)/(2N)
با تعداد نسخه‌های کمتر، چند انتخاب شانسی سهم بزرگ‌تری از جمعیت رو تغییر می‌ده. پس در مدل‌های جمعیت کوچک‌تر نوسان‌های فراوانی معمولاً بزرگ‌ترند؛ این یعنی گرایش آماری، نه اینکه هر مسیر کوچک حتماً بیشتر بالا و پایین بره.
رسیدن به مرز، یعنی تثبیت یا حذف
min(f, 1-f) = 0
اگر سهم دگره به یک برسد، همه‌ی نسخه‌های ژنِ مدل همان دگره‌اند و می‌گیم تثبیت شده؛ اگر به صفر برسد، از این جمعیت حذف شده. هر دو حالت دیگر با نمونه‌گیری همین مدل تغییر نمی‌کنند.
بیشترین تنوع نزدیک سهم نصفه است
H = 2f(1-f)
تنوع ژنتیکیِ انتظاریِ این مدل با دو برابرِ سهم دگره در سهم دگره‌ی دیگر سنجیده می‌شه. وقتی سهم نزدیک نصف است مقدارش بیشتره؛ در صفر یا یک، تنوعِ این جایگاه به صفر می‌رسه.
سؤالت رو بپرس، جوابش رو هم ببین
وقتی توی چت دربارهٔ یک مفهوم درس می‌خونی، دستیار هوش مصنوعی می‌تونه شبیه‌سازی مرتبط رو کنار توضیحش نشون بده. پارامترها رو تغییر می‌دی و با کمک توضیح بعدی، نتیجه رو بهتر می‌فهمی.
شروع یادگیری با چتبرای ادامه در چت، وارد مسیر شروع و ورود می‌شی. نتیجهٔ این آزمایش به چت منتقل نمی‌شه.
نمونهٔ نمایشی از آموزش در چت
اگر فراوانی دگره به یک رسید، یعنی آن دگره از بقیه بهتر بوده؟
نه لزوماً. این مدل انتخاب طبیعی رو وارد نمی‌کنه؛ دگره فقط با نمونه‌گیری شانسی زیاد شده و به همه‌ی نسخه‌های ژن رسیده. در طبیعت، انتخاب و عوامل دیگه هم می‌تونن هم‌زمان اثر بذارن.
سؤال‌های رایج
رانش ژنتیکی یعنی چه؟
یعنی فراوانی دگره‌ها از نسلی به نسل بعد به خاطر شانسِ نمونه‌گیری عوض می‌شه. ممکنه دگره‌ای زیاد یا کم بشه، حتی وقتی هیچ دگره‌ای برتری انتخابی نداره.
چرا جمعیت کوچک بیشتر نوسان می‌کنه؟
در جمعیت کوچک نسخه‌های ژن کمتری وارد نسل بعد می‌شن؛ چند انتخاب شانسی می‌تونه سهم بزرگ‌تری بسازه. ولی هر مسیر تکی تضمین نمی‌کنه نوسانش از مسیر جمعیت بزرگ بیشتر باشه.
عدد ۰٫۵ یعنی نیم درصد؟
نه؛ این عدد نسبت بین صفر و یکه. ۰٫۵ یعنی نیمی از نسخه‌های ژن همان دگره‌اند، پس برابر با ۵۰٪ است.
تثبیت یعنی دگره مفید بوده؟
نه. تثبیت فقط یعنی در این جمعیت همه‌ی نسخه‌های آن جایگاه یکسان شده‌اند. در مدل، این می‌تونه فقط با شانس رخ بده و به معنی مفیدتر بودن نیست.
عددِ نسل‌های تا ثابت شدن را چطور بخونم؟
اگر خط به یک برسد، تثبیت شده؛ اگر به صفر برسد، دگره حذف شده. اگر تا انتهای بازه به هیچ‌کدام نرسد، عدد این شاخص فقط کل نسل‌های شبیه‌سازی را نشان می‌دهد. پس برای فهمیدن نتیجه، خود خط را هم نگاه کن.
چرا اجرای دوباره با همان تنظیم‌ها فرق می‌کنه؟
چون در هر اجرا، یک مسیر تصادفی تازه نمونه‌گیری می‌شه. این تفاوت بخشی از موضوع آزمایش است، نه اینکه همه‌ی جمعیت‌ها باید دقیقاً یک روند داشته باشند.
می‌شه از این نمودار نتیجه‌ی یک گونه‌ی واقعی رو پیش‌بینی کرد؟
نه. این فقط یک مدل ساده با اندازه‌ی ثابت و بدون انتخاب، جهش و مهاجرته؛ جمعیت واقعی عامل‌های بیشتری دارد و از یک مسیر شبیه‌سازی‌شده نمی‌شه نتیجه‌ی قطعی گرفت.