演化生物学研究是一场旷日持久的理论与经验的对话。理论引导研究者去寻找经验性的证据，经验性证据反过来推进和修正理论。《物种起源》本身就是这一学科特征的最好证明——在这本书中，达尔文将大量经验性的证据与概念性的论证紧密交织在一起，所提出的自然选择理论成为了演化生物学的基石。此后，群体遗传学模型、中性学说为演化生物学进一步发展了理论框架，而与此同时，遗传学、古生物学、比较生物学、生物地理学和控制实验也在拓展经验性证据的边界。在这一理论和经验交织的学术传统下，演化生物学已经发展成为了一门致力于以定量的方式解释与预测生物多样性格局的学科。
然而，演化生物学研究也一直面临一个无法回避的困难：演化跨越了很长的时间尺度，而我们只能研究恰好存续至今的生物和化石——这使得许多关于演化的核心观点难以得到检验。可喜的是，近年来，高通量测序、基因组编辑、祖先序列重建和实验演化等技术的发展，使我们能够主动构建遗传变异、重建历史分子状态，并在受控条件下研究演化过程，开启了演化生物学理论与经验对话的新篇章。
2026年10月1日，北京师范大学李雪莹讲师和欧洲分子生物学实验室（EMBL）的博士后Paco Majic 以及洛桑联邦理工学院（EPFL）的研究员Cauã Westmann在Genome Biology and Evolution期刊上共同发表了题为“合成实验方法为检验演化理论提供经验性工具（Synthetic approaches as empirical tools for testing evolutionary theory）”的综述，系统梳理了合成式研究方法如何使经典演化问题接受直接的实验检验。
首先，为了区分本文中综述的“合成实验方法（synthetic approaches）”与狭义的“合成生物学（synthetic biology）”，作者们将合成实验方法定义为“创造、重建、系统性干扰、或者着意探索自然界既有变异之外的生物学状态的实验策略（experimental strategies that create, reconstruct, systematically perturb, or deliberately explore biological states beyond the variation directly available from observation of extant natural systems）”。在这里，“合成”指的是“人为构建”，而不仅限于合成生物学的手段。事实上，本文综述的研究往往处于跨学科的范畴，经常使用到合成生物学、遗传学、基因组学、演化生物学等多个学科的研究方法。这些研究手段大致可以分成四类：高通量图谱绘制（high-throughput mapping）、祖先重建（reconstruction）、受控演化（controlled evolution）和狭义的合成生物学（synthetic biology in the narrower sense）。它们互有重叠，也相互补充。
图1 合成式研究方法拓展演化研究的实证范围
文章综述了合成方法如何能够推动我们对演化生物学关键理论问题的理解。在“突变与选择如何形塑演化过程”的话题下，高通量突变扫描实验作为一项新兴的技术手段，为我们理解突变的性质提供了重要的经验性证据。近年来，多项突变扫描的研究共同揭示出突变的适合度效应的分布是动态化的，受到分子背景（molecular context）、环境、演化历史等多重因素的影响。此外，人为改变突变谱的研究揭示出突变谱的改变可以重塑适应性演化的路径，因此突变虽然具有一定的随机性，产生突变的过程是否存在偏倚（mutational bias）对于演化的结果也是至关重要的。还有，通过人为构建复制基因以及对复制基因的突变扫描，研究者们探讨了基因复制在演化创新中的角色，为Ohno的理论模型提供了更精细化的视角——基因复制的结果受到选择、调控背景以及突变发生的顺序所影响。
适合度地形（fitness landscapes）是演化生物学理论中的核心概念。自Wright在1930年代提出这个概念，长久以来“适合度地形”都以一个比喻的形式存在，而近期高通量实验技术的发展使得绘制经验性的适合度地形成为可能。在微生物体系中，可以构建涵盖大量基因型（105）的文库，并用测序的方式测量不同基因型的适合度。此类研究揭示出，真实的适合度地形可能是高度崎岖但可通达的（rugged yet navigable）。同时，将微生物置于不同环境中，可以绘制出“适合度海景（fitness seascapes）”，即适合度地形随着环境改变，揭示出适合度地形的动态性。然而，以上的适合度地形研究需要受到谨慎的解读，因为这些人为构建的基因型可能未曾在真实的演化历史中受到过检验，或者说它们的效应可能高度依赖于它出现时的基因组背景、环境和受观测的表型。
图2 通过高通量映射与祖先序列重建，探索演化的可达路径和历史约束
可演化性（evolvability）指的是生物产生可遗传变异并形成适应性变化的潜力。“可演化性本身是否能够演化”是道金斯提出的经典问题。细菌中的突变积累实验直接检验了隐秘变异（cryptic variation）对于可演化性的作用，表明在特定环境下积累的隐秘突变可以为另一环境提供适应性突变，同时也证明了演化的历史可以对未来的适应产生深远的影响。其次，长期实验室演化研究发现细菌基因组可以演化出高突变率的序列（hypermutable DNA sequence），提高菌株的可演化性，因此“可演化性”本身是可以演化的；同时，实验室演化的证据表明选择的强度和方式不仅会改变当下演化的结果，也会改变种群未来演化的潜能。
遗传变异并不会以完全随机的方式转化为表型，发育过程能够使某些形态比其他形态更容易出现，即“发育制约（developmental constraints）”。在发育-演化研究中，顺式调控序列被认为对形态学演化至关重要，对于顺式调控序列的突变扫描可以解答发育制约的相关问题。此前，酵母中的突变扫描揭示了顺式调控突变通常具有较温和的适合度效应和较低的多效性。最近，借助高通量成像技术，研究者得以对果蝇增强子的突变扫描文库进行时空表达对分析，发现增强子具有极高的信息编码密度，即使是单个碱基的突变也可以影响靶基因表达水平与格式，挑战了此前所认为的调控区突变效应温和、具有较低多效性的观点。随机DNA序列在果蝇胚胎中也展示出一定的调控活性，但受到胚胎发育阶段及染色质可及性的制约。因此，目前的实验证据暗示发育调控网络可能受到较强的演化约束，但仍需要更多实验来得出确切的结论。
即使面临相似的选择压力，不同种群也不一定沿着相同路径演化。因此，与认为选择压是演化最重要驱动力的“选择主义者”相对，Gould与Lewontin等人提出，历史依赖性（historical contingency）等因素也对演化结果有重要作用。祖先序列重建（ancestral sequence reconstruction, ASR）的方法是回答该问题的关键手段，它能够帮助研究者恢复历史分子状态，并检验不同突变及其发生顺序对功能演化的影响。相关研究发现，某些突变只有在另一个突变发生后才能被容忍，说明过去积累的突变会影响未来可以实现的演化路径。祖先重建还使古代基因型—表型关系的映射成为可能。总体而言，ASR 为演化生物学家提供了一台时间机器，使我们不再只是推断过去，还能对过去开展实验，填补了演化生物学研究中往往缺失的“中间步骤”。
最后，狭义的合成生物学方法使研究者能够主动设计基因调控网络、构建简化基因组，并利用随机DNA序列探索自然界尚未充分利用的功能潜力。合成基因回路和最小基因组为演化实验提供了受控平台，比如精简的细菌基因组（JCVI-syn3.0）和打乱的酵母基因组（sc2.0），能够使我们检验关于基因组稳健性、模块性等理论问题。EvolvR、TF-HighEvo等人工诱变系统使变异与自然突变过程解耦，使得我们可以探索突变率、突变谱对适应性演化的影响。关于随机序列的研究则揭示许多未经自然选择的 DNA、RNA 和蛋白质序列也具有潜在的生物学活性，包括具有调控基因表达的活性，提示我们自然选择很可能需要通过消除或抑制不必要的序列活性来产生新功能，更新了我们对调控序列演化的认知。
图3 利用合成回路、最小基因组和随机序列研究演化，并将高通量数据用于预测
综合以上的研究进展，作者们认为现在正是演化生物学经验性研究的黄金时代。分子生物学、合成生物学的技术革新使得我们可以展开一场过去与未来的对话，也是一场经典理论与当代技术的对话。作者们发现，演化生物学中很多奠基性的概念在方向上大体正确，但现实往往比早期模型所假设的在定量上更加微妙，且各因素之间的相互联系也更加紧密。未来，机器学习等计算方法的参与有望能使我们进一步综合这些数据，产生可预测的演化模型，但同时，作者们也认为追求绝对的“预测演化”是难以实现的，研究的目标或许是预测不同演化结果的相对可能性。随着合成方法的“工具箱”不断扩展，作者们期待这样的对话越发深远、愈发持久。
本文由北京师范大学李雪莹讲师和欧洲分子生物学实验室（EMBL）的博士后Paco Majic 以及洛桑联邦理工学院（EPFL）的研究员Cauã Westmann共同发表，三位作者贡献相同，Cauã Westmann为通讯作者。本工作获得中央高校基本科研业务费、国家自然科学基金青年科学基金（32400495）、欧洲分子生物学实验室跨学科博士后计划及玛丽·斯克沃多夫斯卡-居里行动 COFUND，以及洛桑联邦理工学院ELISIR 基金的支持。
文章链接： https://academic.oup.com/gbe/article/18/10/evag245/8857683