진화는 생명체가 세대를 거치며 환경에 적응하고 변화해 나가는 과정을 의미합니다. 이 복잡한 생물학적 변화는 겉보기에 무작위처럼 보이지만, 그 속에는 수학적으로 분석 가능한 통계적 패턴이 존재합니다. 이번 글에서는 통계학이 어떻게 진화 과정을 해석하는 데 활용될 수 있는지를 살펴보겠습니다.
자연선택과 확률
찰스 다윈의 자연선택 이론은 특정 형질이 환경에 유리할 경우 후세에 더 많이 유전된다는 내용을 담고 있습니다. 이는 통계적으로 다음과 같이 해석할 수 있습니다:
\[ P(A_{t+1}) = P(A_t) + s \cdot P(A_t)(1 – P(A_t)) \]
여기서 \( P(A_t) \)는 t세대에서 특정 유전형 A의 빈도, \( s \)는 선택 계수(selection coefficient)입니다. 이 수식은 유리한 유전자가 세대를 거치며 확산되는 과정을 수치적으로 예측할 수 있게 합니다.
유전자 부동과 통계 분산
자연선택 외에도 유전자 빈도는 무작위 변동(drift)에 의해 바뀔 수 있습니다. 유전자 부동(genetic drift)은 다음과 같이 확률분포로 모델링됩니다:
\[ Var(p_{t+1}) = \frac{p_t(1 – p_t)}{2N} \]
여기서 \( p_t \)는 현재 유전자 빈도, \( N \)은 개체군 크기입니다. 개체 수가 적을수록 무작위성의 영향이 커지며, 이는 진화의 불확실성을 수학적으로 정량화할 수 있는 중요한 지표가 됩니다.
계통수와 베이즈 추론
DNA 염기서열의 변화 데이터를 분석하면 서로 다른 종의 진화적 관계를 추정할 수 있습니다. 이때 베이즈 추론(Bayesian inference)이 사용됩니다. 각 계통수(phylogenetic tree)의 확률은 다음과 같이 계산됩니다:
\[ P(Tree | Data) \propto P(Data | Tree) \cdot P(Tree) \]
즉, 관측된 유전자 데이터를 기반으로 가장 가능성 높은 진화 경로를 확률적으로 계산하게 됩니다. 이 방식은 진화 역사에 대한 불확실성을 수학적으로 포함할 수 있다는 장점이 있습니다.
표준 통계 테스트로 진화 가설 검증
진화 생물학에서는 특정 유전자의 선택 여부를 검정하기 위해 다양한 통계 검정 기법이 사용됩니다. 예를 들어, 중립 진화 이론(neutral theory)을 검정하는 테지마 검정(Tajima’s D)은 다음과 같은 통계량을 사용합니다:
\[ D = \frac{\pi – \theta}{\sqrt{Var(\pi – \theta)}} \]
여기서 \( \pi \)는 염기쌍 차이의 평균, \( \theta \)는 다형성 수준으로 추정된 값입니다. 이 검정을 통해 진화 압력이 존재하는지를 확인할 수 있습니다.
시뮬레이션과 모델 기반 예측
통계적 진화 모델은 실제 데이터를 기반으로 시뮬레이션을 수행할 수 있습니다. 대표적인 예로, Wright-Fisher 모델이나 Moran 모델은 확률 기반으로 유전자 빈도 변화 과정을 반복 계산하여, 진화의 다양한 경로를 예측합니다. 이러한 시뮬레이션은 통계적 검정, 모델 비교, 예측 정확도 향상에 사용됩니다.
결론
진화는 단순한 우연의 결과가 아니라, 통계적으로 분석 가능한 확률적 시스템입니다. 유전자 빈도, 개체군의 크기, 선택 압력, 돌연변이율 등의 요소들이 수학적으로 모델링됨으로써, 진화의 경로와 가능성을 수치화할 수 있습니다.
통계는 생명의 역사를 해석하는 렌즈이며, 수학은 진화가 만들어내는 복잡한 패턴 속에 숨겨진 질서를 밝혀내는 도구입니다.