演化、適應與適應度地景 Fitness Landscapes

一、問題背景：為什麼演化需要「地景」？

達爾文式自然選擇描述了變異、遺傳與差異繁殖成功，但它本身不直接告訴我們「所有可能變異之間的幾何關係」如何限制演化。若一個突變能提高繁殖成功，選擇會偏好它；但若兩個突變單獨有害、合在一起有利，族群是否能抵達那個組合？若一個蛋白質有二十個胺基酸位置可變，每個位置又有多種可能，演化搜尋的是一個天文數量級的組合空間。適應度地景的基本作用，就是把這種抽象問題視覺化、數學化，並轉成「搜尋問題」。

最簡形式可寫成：有一個狀態空間 X，其中每個點可以是基因型、表型、行為策略、企業組織設計或技術組合；再有一個函數 W: X → R，把每個點映射成適應度、存活率、增殖率、親和力、抗藥性或績效。若兩點之間只差一個突變或一個決策，就可視為鄰居。演化、學習或組織調整則成為在這張地圖上由一點移向另一點的過程。

這個框架的吸引力在於它提供了一個共同語言：生物學家討論基因互作，物理學家討論能量地景與自旋玻璃，計算科學家討論局部搜尋與 NP-complete 問題，經濟學與管理學者討論組織在相互依賴決策間如何卡在次佳解。聖塔菲研究所之所以與這個主題密切相連，正是因為 SFI 自 1984 年成立以來，就把「複雜適應系統」視為跨領域研究核心：多個相互作用單元透過局部規則、回饋與搜尋，產生宏觀秩序與歷史路徑。

二、Wright 的適應地景：從族群遺傳到 shifting balance

Sewall Wright 在 1931 年〈Evolution in Mendelian Populations〉與 1932 年〈The Roles of Mutation, Inbreeding, Crossbreeding and Selection in Evolution〉中，把演化想像為族群在一個多峰地形上移動。高處代表較高平均適應度，低處代表較低平均適應度。這個圖像不是單純美術比喻，而是為了說明 Wright 與 R. A. Fisher、J. B. S. Haldane 等早期族群遺傳學家關心的問題：在多基因互作、非線性選擇與有限族群大小下，演化不一定總是平滑地朝單一最佳點前進。

Wright 的 shifting balance theory 通常分成三個階段。第一，小型、半隔離族群因隨機遺傳漂變與近親繁殖，可能偏離原本的局部峰。第二，若某些族群越過低適應度谷地並爬上更高峰，自然選擇會在該局部族群內放大新組合。第三，透過遷移與基因流，較高適應度的組合可能擴散到更大的物種範圍。這個理論因此同時依賴漂變、選擇、族群結構與基因互作。

這套圖像的力量在於它讓「局部最佳」變成演化理論的核心問題。若地景只有一座富士山式單峰，選擇就像上坡爬山，長期結果大致可預測。若地景有多峰與谷地，則初始條件、族群大小、突變順序與漂變都會影響路徑。這種從唯一最佳走向多重歷史路徑的轉變，後來成為複雜系統思想的重要母題。

三、聖塔菲研究所脈絡：複雜適應系統與 Kauffman 的問題意識

聖塔菲研究所成立於 1984 年，定位為研究複雜適應系統的跨學科機構。其早期成員與外部網絡包含 Murray Gell-Mann、George Cowan、John Holland、Stuart Kauffman、Brian Arthur、Per Bak、Chris Langton、Melanie Mitchell 等不同領域人物。對 SFI 而言，演化不是只屬於生物學的現象；市場、技術、免疫系統、語言、組織與演算法也都可以被視為在某種空間中搜尋、適應與共同演化的系統。

Stuart Kauffman 是這條線上的關鍵人物。他早年研究基因調控網路與發育，後來把自組織、選擇與高維組合空間結合起來，提出生物秩序不應只被理解為自然選擇從外部「雕刻」出來的結果；系統本身的網路結構、互作模式與臨界性，也會決定可演化性 evolvability。Kauffman 在 SFI 早期擔任 resident researcher，其 1993 年《The Origins of Order》集中呈現了這種思想：演化在秩序與混沌邊緣運作，選擇與自組織共同塑造生命。

John Holland 的遺傳演算法與 classifier systems 也提供了平行背景。Holland 關心的是通用的適應過程：由候選解構成族群，經由重組、突變與選擇在搜尋空間中改進。Kauffman 的地景問題與 Holland 的適應計算在 SFI 內自然會合：若搜尋空間的形狀很粗糙，任何演化演算法都可能被局部峰、互作限制與歷史路徑困住。

四、NK 模型：把「粗糙地景」變成可調參數的數學機器

Kauffman 與 Simon Levin 在 1987 年討論 rugged landscapes 上的 adaptive walks；Kauffman 與 Edward Weinberger 在 1989 年系統提出 NK 模型，並應用於免疫反應中的抗體親和力成熟。NK 模型的簡潔之處在於它用兩個參數控制組合空間與互作強度：

• N：序列長度或決策元件數。例如 N 個基因位點、N 個蛋白質位置、N 個組織決策。
• K：每個位置的適應度貢獻受多少其他位置影響。K 越大，互作越多，地景通常越粗糙。

當 K = 0，每個位置獨立貢獻，地景接近平滑單峰：每個有利突變可獨立累積。當 K 接近 N - 1，每個位置幾乎與所有其他位置互作，一個突變的效果高度依賴背景，地景變得像多峰崎嶇的 badlands。此時局部峰數量增加，適應步行變短，找到全域最佳的機率下降。這不是因為自然選擇變弱，而是因為「選擇能看見的鄰近改良」與「全域最佳」之間出現深層落差。

這裡的關鍵不是 NK 模型本身是否精確描述某個物種，而是它提供了一個可調節的理論實驗室。研究者可以問：互作強度如何影響可演化性？重組在粗糙地景上是幫助還是破壞？小步局部搜尋能否抵達高峰？環境改變時，原本的峰會如何失效？這些問題都很符合 SFI 的研究風格：用簡潔模型抓住跨領域機制，再把同一套概念遷移到免疫、技術、經濟與組織。

NK 模型的三個技術重點

五、從比喻到實驗：實際測量地景

二十世紀後半，適應度地景多半作為理論與隱喻使用。真正困難在於：生物的基因型空間極大，要測量每個點幾乎不可能。以一段 100 個胺基酸的蛋白質為例，若每個位置有 20 種胺基酸，空間大小是 20 的 100 次方。即使只考慮少數已知突變，組合數也會快速爆炸。

2000 年後，合成生物學、定點突變、深度定序與高通量測量讓局部地景成為可實驗估計的對象。代表性案例是 Daniel Weinreich、Nigel Delaney、Mark DePristo 與 Daniel Hartl 2006 年在 Science 發表的 beta-lactamase 抗藥性研究。他們關注 TEM-1 beta-lactamase 對 cefotaxime 抗藥性相關的五個突變，重建 2⁵ = 32 種突變組合，並分析從起點到終點的 5! = 120 條直接路徑中，哪些每一步都提高適應度。結果顯示只有少數路徑是單調可達的。這使「演化可預測性」不再只是哲學問題，而成為可用局部地景與突變順序檢驗的實驗問題。

後續 empirical fitness landscapes 研究擴展到 RNA、病毒、酵母、抗體、酵素、轉錄調控序列與抗藥性。de Visser 與 Krug 2014 年的綜述指出，基因型到適應度映射長期只是表面比喻，但實驗地景正在讓研究者量化表觀遺傳、可達路徑與可預測性。然而，這些地景通常仍是局部、低維、環境特定的切片，不應被誤讀為整個生物演化空間的完整地圖。

六、關鍵人物與貢獻

七、時間線

1. 1930：R. A. Fisher 出版《The Genetical Theory of Natural Selection》，建立現代族群遺傳與自然選擇數學基礎之一。
2. 1931：Sewall Wright 發表〈Evolution in Mendelian Populations〉，系統處理突變、選擇、漂變、遷移與近親繁殖。
3. 1932：Wright 在遺傳學會議論文〈The Roles of Mutation, Inbreeding, Crossbreeding and Selection in Evolution〉中公開適應地景圖像。
4. 1950s-1970s：分子生物學興起，蛋白質序列、基因調控與分子演化逐漸提供新的地景詮釋對象。
5. 1984：聖塔菲研究所成立，以複雜適應系統為核心方向，吸引物理、生物、經濟、計算與社會科學研究者。
6. 1987：Kauffman 與 Levin 發表 rugged landscapes 上 adaptive walks 的一般理論雛形。
7. 1989：Kauffman 與 Weinberger 發表 NK 模型與免疫親和力成熟應用，建立可調粗糙度地景的標準模型。
8. 1993：Kauffman 出版《The Origins of Order》，將自組織、選擇、發育、生命起源與複雜地景放入同一宏觀框架。
9. 1997-2004：Gavrilets 發展 holey adaptive landscapes 與高維物種形成理論，對低維峰谷直覺提出修正。
10. 2006：Weinreich 等人在 Science 發表 beta-lactamase 實驗地景研究，量化可達突變路徑。
11. 2010s：高通量基因型-表型測量、深度突變掃描與抗藥性研究推動 empirical fitness landscapes 成為活躍領域。
12. 2020s：地景概念持續與機器學習、蛋白質設計、演化預測、癌症抗藥性與多目標優化結合；同時，環境依賴與尺度問題成為更顯著的限制。

八、理論細節：表觀遺傳、可達性與高維幾何

1. 表觀遺傳互作與符號表觀遺傳

在沒有互作的地景中，一個突變的效果可以獨立評估；A 突變有利，無論 B 是否存在都大致有利。但在真實生物中，一個突變可能在某背景下有利、在另一背景下有害，這就是 sign epistasis。若兩個突變單獨有害、合併有利，稱 reciprocal sign epistasis，這通常是多峰地景的必要條件之一。這種現象直接限制演化路徑：自然選擇偏好逐步增加適應度的變化，因此需要先下降才能上升的路徑，在大族群強選擇條件下較難通過。

2. 可達路徑與歷史偶然性

可達路徑 accessible path 指從起點到終點的突變排序中，每一步都不降低或提高適應度的路線。若可達路徑很多，演化結果較可能重複；若只有少數路徑，則早期偶然突變會大幅約束後續可能性。Stephen Jay Gould 關於「重播生命錄影帶」的歷史偶然性問題，可在這裡得到較精確的局部版本：在特定地景、族群大小與突變供給下，多少路徑真正可走？

3. 高維地景與近中性網路

低維地形圖容易讓人想像成山峰與山谷，但真實基因型空間通常是高維圖。高維空間有反直覺性質：即使可行或高適應度點很稀疏，也可能透過中性或近中性鄰接形成巨大網路。Gavrilets 的 holey landscapes 強調，高維地景中物種形成與演化探索未必需要穿越低適應度谷地；族群可能沿著高適應度或中性通道漂移，最後在遺傳上彼此不相容。

4. 地景不是靜態背景

在共同演化中，一個物種的適應度地景會因其他物種改變而變形。捕食者、獵物、寄生者、宿主、免疫系統與病毒都在彼此改寫地景。環境變遷、頻率依賴選擇與生態工程也會讓地景時間化。這點對 Kauffman 之後的「adjacent possible」與技術演化思想尤其重要：演化不只是在既有地圖上找峰，也會透過創新開出新的可行鄰域。

九、影響與後續發展

分子演化與蛋白質工程

適應度地景成為理解蛋白質演化的重要工具。蛋白質設計者關心的是如何在序列空間中找到高穩定性、高活性或高親和力序列；演化生物學家則關心自然突變、選擇與漂變實際能抵達哪些區域。深度突變掃描讓研究者能測量大量單突變或雙突變效果，進而估計地景局部曲率與互作結構。這對抗生素抗藥性、病毒逃逸突變與疫苗設計有直接意義。

免疫系統

Kauffman 與 Weinberger 早期就把 NK 地景連到抗體親和力成熟。B 細胞在生發中心中經歷體細胞高突變與選擇，類似在抗原親和力地景上進行局部搜尋。這個類比不是逐字等同，因為免疫系統有細胞群體動力學、選擇閾值與組織微環境，但它讓「演化搜尋」能進入免疫學語言。

管理學與技術演化

Daniel Levinthal 1997 年〈Adaptation on Rugged Landscapes〉將地景框架引入組織理論，分析企業在相互依賴決策中如何搜尋。若產品、流程、供應鏈、人事與市場定位彼此耦合，改動一項決策會改變其他決策的價值，組織就可能卡在局部最佳。這條線後來延伸到模組化、組織架構、策略調整與創新管理。

計算複雜度與最佳化

NK 模型也成為理論計算科學的對象。尋找全域最佳通常非常困難；即使尋找局部最佳，在某些設定下也可與 PLS-complete 問題相連。這給演化論一個重要警告：自然選擇不是全能最佳化器。它是由突變供給、族群結構、選擇強度、重組與時間共同限制的局部搜尋過程。

十、爭議與局限

1. 地景可能混淆層次

Wright 原始地景、分子基因型地景、表型地景、策略地景與生態地景不是同一物件。若不明確說明橫軸代表等位基因頻率、基因型、表型或組織設計，討論很容易滑成漂亮但空泛的隱喻。Massimo Pigliucci 等歷史與哲學研究者特別指出，Wright 1932 與後來用法之間存在重要差異。

2. 適應度本身難以定義

適應度可指瞬時增殖率、長期繁殖成功、競爭實驗中的相對增長、抗生素最低抑菌濃度、蛋白質活性或多性狀加權分數。不同定義會產生不同地景。尤其在自然環境中，適應度常受季節、族群密度、物種互作與空間結構影響，並非固定高度。

3. 實驗地景通常很小

beta-lactamase 的 32 點地景極具啟發性，但它是已知重要突變的局部切片。局部地景不能自動外推到整個蛋白質空間，也不能代表所有可能環境。深度突變掃描雖然擴大了資料量，仍常受限於讀出指標、實驗條件、組合階數與測量誤差。

4. Kauffman 式自組織主張的邊界

Kauffman 對自組織與「秩序自發出現」的強調影響深遠，但也引發批評：某些宏觀論述難以直接實證，且容易被過度推廣成「選擇不重要」。較穩健的讀法是：自組織提供可供選擇作用的結構與約束；自然選擇仍是解釋適應性設計不可替代的核心機制。

5. 地景視覺化可能誤導

山峰與谷地的 3D 圖像容易讓人想像空間是連續、低維、靜態且可全覽的。但基因型空間通常是離散高維圖，鄰接關係由突變、重組或發育可達性定義；地景可能隨時間與族群狀態改變。高維「洞狀」或中性網路情境下，低維山谷圖反而會低估演化可繞路的能力。

十一、與其他思想發展的關聯

自旋玻璃與能量地景：物理學中的自旋玻璃有大量局部能量谷，系統會因淬火、溫度與歷史路徑陷入 metastable states。Kauffman 借用這類直覺來思考基因互作與多峰適應地景。

人工生命與演化計算：Chris Langton 的人工生命、Holland 的遺傳演算法與 Mitchell 的複雜系統研究，共同把「演化」從自然史現象轉為可在計算機中模擬與實驗的過程。

可演化性 evolvability：地景研究讓問題從「哪個型態最適應」轉向「哪些系統結構使未來適應更容易」。模組化、冗餘、中性網路、重組與發育約束都會改變地景上的搜尋效率。

機器學習損失地景：深度學習中的 loss landscape 與適應度地景不同，但共享局部/全域、鞍點、粗糙度、維度與搜尋動力學語言。兩者的差別在於演化沒有反向傳播梯度，且候選變異由生物機制產生；類比有用，但不能混同。

癌症與抗藥性：腫瘤演化可被看作細胞族群在藥物壓力與組織微環境中的地景搜尋。組合療法的一個理論目標，是改變地景，使抗藥路徑變少、代價變高或陷入可控制狀態。

十二、結論：地景作為精確化的隱喻

適應度地景最有價值之處，不在於它給出一張完整生命地圖，而在於它迫使研究者把三件事說清楚：狀態空間是什麼、鄰接規則是什麼、適應度如何測量。Wright 用它描述族群如何在漂變、選擇與結構中越過峰谷；Kauffman 與 SFI 把它變成複雜適應系統的計算語言；實驗演化與深度突變掃描則把它拉回可測量的分子現實。

今天看來，fitness landscapes 既不是過時比喻，也不是萬能理論。它是一套需要謹慎使用的建模工具。當它被明確定義、局部測量並與族群動力學結合時，可以揭示演化路徑為何可預測或不可預測；當它被模糊使用時，則容易把複雜生物過程壓成一張漂亮山水圖。聖塔菲研究所傳統中的最佳貢獻，正是讓這個概念保持在兩者之間：足夠抽象，能跨領域遷移；足夠形式化，能被計算、質疑與實驗修正。

參考來源清單

1. Fisher, R. A. (1930). The Genetical Theory of Natural Selection. Clarendon Press.
2. Wright, Sewall. (1931). “Evolution in Mendelian Populations.” Genetics, 16(2), 97-159. Oxford Academic.
3. Wright, Sewall. (1932). “The Roles of Mutation, Inbreeding, Crossbreeding and Selection in Evolution.” Proceedings of the Sixth International Congress of Genetics. PDF reprint.
4. Provine, William B. (1986). Sewall Wright and Evolutionary Biology. University of Chicago Press.
5. Skipper, Robert A. Jr. (2004). “The Heuristic Role of Sewall Wright's 1932 Adaptive Landscape Diagram.” Philosophy of Science, 71, 1176-1188. Cambridge Core.
6. Pigliucci, Massimo. (2008). “Sewall Wright's adaptive landscapes: 1932 vs. 1988.” Biology & Philosophy. PhilArchive.
7. Kauffman, Stuart A., & Levin, Simon. (1987). “Towards a general theory of adaptive walks on rugged landscapes.” Journal of Theoretical Biology, 128(1), 11-45. ScienceDirect.
8. Kauffman, Stuart A., & Weinberger, Edward D. (1989). “The NK model of rugged fitness landscapes and its application to maturation of the immune response.” Journal of Theoretical Biology, 141(2), 211-245. ScienceDirect.
9. Kauffman, Stuart A. (1993). The Origins of Order: Self-Organization and Selection in Evolution. Oxford University Press. Google Books.
10. Holland, John H. (1992). Adaptation in Natural and Artificial Systems. MIT Press, expanded edition.
11. Gell-Mann, Murray. (1994). The Quark and the Jaguar: Adventures in the Simple and the Complex. W. H. Freeman.
12. Santa Fe Institute. “About.” Founded in 1984; first research institute dedicated to complex adaptive systems. SFI About.
13. Santa Fe Institute. “A Celebration of Stuart Kauffman's Contributions to the Field of Complex Systems.” SFI event page.
14. Weinberger, Edward D. (1996). “NP Completeness of Kauffman's N-k Model, a Tuneably Rugged Fitness Landscape.” Santa Fe Institute Working Paper 96-02-003. SFI working paper.
15. Levinthal, Daniel A. (1997). “Adaptation on Rugged Landscapes.” Management Science, 43(7), 934-950.
16. Gavrilets, Sergey. (1997). “Evolution and speciation on holey adaptive landscapes.” Trends in Ecology & Evolution, 12(8), 307-312. ScienceDirect.
17. Gavrilets, Sergey. (2004). Fitness Landscapes and the Origin of Species. Princeton University Press. Author book page.
18. Orr, H. Allen. (2005). “The genetic theory of adaptation: a brief history.” Nature Reviews Genetics, 6, 119-127. Nature.
19. Weinreich, Daniel M., Delaney, Nigel F., DePristo, Mark A., & Hartl, Daniel L. (2006). “Darwinian evolution can follow only very few mutational paths to fitter proteins.” Science, 312(5770), 111-114.
20. Poelwijk, Frank J., Kiviet, Daniel J., Weinreich, Daniel M., & Tans, Sander J. (2007). “Empirical fitness landscapes reveal accessible evolutionary paths.” Nature, 445, 383-386.
21. de Visser, J. Arjan G. M., & Krug, Joachim. (2014). “Empirical fitness landscapes and the predictability of evolution.” Nature Reviews Genetics, 15, 480-490. Wageningen record.
22. Bank, Claudia. (2022). “Epistasis and adaptation on fitness landscapes.” Related contemporary review literature on empirical landscapes and predictability.