数学与生物

兔子多，狐狸繁盛；狐狸多，兔子被吃光；兔子少，狐狸挨饿；狐狸少，兔子回升。回路不会停在平衡点上，因为每环反馈都滞后：狐狸此刻的数量由它此前吃到的兔子决定。带延迟的负反馈不产生静止，产生振荡。

$x,y$ 是猎物与捕食者密度；$\alpha$ 是猎物固有增长率，$\gamma$ 是捕食者无食物时的死亡率，$\delta$ 是猎物转化为后代的效率。$\beta xy$ 是相遇项——假设两者随机混合，相遇次数正比于密度之积，与化学的质量作用定律同一个假设。

系统藏着守恒量 $V = \delta x - \gamma\ln x + \beta y - \alpha\ln y$，沿轨道恒定，作用如同力学里的能量，于是轨道都是闭曲线。这种中性稳定同时意味着结构不稳定——给猎物加一点密度制约，闭轨立刻塌成螺旋。模型美得太干净，常正说明它太理想。

而同一句假设写成一年一代的 $x_{n+1}=rx_n(1-x_n)$，随 $r$ 增大便倍周期分岔直至混沌。离散还是连续不是建模细节，它决定系统属于哪一类。

• Volterra 原理：无差别杀伤（杀虫剂同杀害虫与天敌）平均使猎物增加、捕食者减少——广谱杀虫剂常引发害虫二次爆发即出于此。
• 同族方程：SIR 的阈值定理 $R_0>1$ 是同一种分岔分析；复制子方程与 Lotka–Volterra 等价，物种竞争与策略竞争共用一套动力学。

扩散是抹平差异的力量：墨水滴进水里终归均匀。1952 年图灵证明了相反的事——两种能互相反应的物质同时扩散、且扩散速度不同时，均匀态会自发崩溃成斑点或条纹。

机制一句话说得清：激活剂促进自己也促进抑制剂，抑制剂压制激活剂，而抑制剂扩散得快得多。于是随机小凸起在原地被自我放大，同时把抑制信号远远撒出去压住邻近的凸起——局部激活 + 长程抑制，峰只能隔一定距离出现。

$u,v$ 是激活剂与抑制剂浓度，$f,g$ 描述局部反应，$D$ 是扩散系数。$\nabla^2$ 度量某点与邻域平均之差——为正说明此处是「坑」、物质将流入，这正是扩散。

图灵不稳定要求一对看似矛盾的条件：均匀定态在没有扩散时稳定，加入扩散后却有某个非零波数 $k$ 的扰动增长率转正。这需要 $D_v \gg D_u$，被选中的 $k^*$ 对应波长 $\lambda \sim \sqrt{D/\text{反应速率}}$。

两个各自稳定的机制耦合出了不稳定，负责失稳的还恰是那个以「抹平」为天职的项——所以它叫扩散驱动不稳定性。更漂亮的是尺度的来源：波长只由局部参数决定，与容器大小无关，是介质自带的内禀长度而非边界画出来的，豹和家猫的斑点因此大小相仿。形态不需要蓝图，只需一组会自发失稳的规则。

• 斑马鱼条纹是被实验证实的图灵系统：近藤滋用激光烧掉部分色素细胞，重新长出的条纹走向与模型预测一致，而非简单复原。指头数目则由 BMP/Sox9/Wnt 图灵网络设定（Sharpe 组，2014）——按模型调低参数，小鼠长出更多更细的指头。
• 同款非生物：沙丘间距、干旱区植被条带、BZ 反应；计算上的回响是 neural cellular automata。

你手上只有今天活着的物种（或今天采到的病毒）的序列，要反推家谱：谁与谁最晚分家、分在多久以前。祖先没留下样本，只能从「表兄弟有多像」倒推。难处有两层：候选树的数量在爆炸，而且像不等于亲——独立演化的两支也可能碰巧相似。

$n$ 个叶子的无根二叉树共有 $(2n-5)!!$ 棵：$n=20$ 已约 $2\times 10^{20}$，穷举无望。

最大似然法把碱基替换建成连续时间马尔可夫链：速率矩阵 $Q$，沿长度 $t$ 的枝转移概率为 $P(t)=e^{Qt}$；$t$ 的单位是「期望替换数」而非年数。每个位点的似然要对所有祖先状态求和，朴素做法有 $4^{\text{内部节点数}}$ 项，Felsenstein 剪枝算法则自底向上折叠，每节点只存长度 4 的条件似然向量，一次后序遍历即得。这与概率图模型中树上的置信传播是同一个算法。

四点条件：距离矩阵 $d$ 能被某棵带权树精确实现，当且仅当对任意四点，三个配对和 $d_{ij}+d_{kl}$、$d_{ik}+d_{jl}$、$d_{il}+d_{jk}$ 中最大的两个相等。纯组合的对象（树）竟被一组连续距离的不等式完全刻画——这就是「树度量」。

反面同样深刻：最大简约法在两支演化特别快、且在真实树上不相邻时统计不一致，数据越多越确信一棵错树。一个估计量可以直觉上无懈可击、计算上高效，却在极限下收敛到错误答案；一致性必须证明，不能靠感觉。

• 病毒溯源：SARS-CoV-2 的谱系划分与分子钟定年就是实时最大似然建树；奥密克戎是树上一条突兀的超长枝，正是它提示了「在慢性感染者体内演化」的假说。
• 此外：把活检位点的体细胞突变当「物种」可重建肿瘤克隆树；HIV 传播链的同类重建已被法庭采信；语言谱系与古抄本校勘用的也是这套算法——只要「垂直遗传 + 随机改变」成立即可。

一条氨基酸链刚合成出来，几毫秒内自己蜷成精确的三维形状，每次都是同一个。Levinthal 1969 年算过一笔账：100 个残基、每个保守取 3 种构象共 $3^{100}\approx 10^{47}$ 种，即使每 $10^{-13}$ 秒试一个也要 $10^{27}$ 年。结论只能是：折叠不是在搜索，而是在下坡。

把构象空间想成地貌，高度是自由能。若它像高尔夫球场——大片平坦、洞藏在某处——盲搜无望；若它是漏斗，四面八方朝同一底部倾斜，从任何起点滑下去都会到底。

能量地形理论：在构型空间上定义自由能 $F(x)$，天然态是全局极小。关键量是受挫程度——随机序列的相互作用彼此冲突（一处接触最优，另一处就吃亏），地形崎岖多陷阱；进化选出的序列则满足「最小受挫原理」：天然态里几乎所有接触同时接近各自最优，地形整体呈漏斗形。

Levinthal 悖论的解不是更快的搜索，而是指出：难度是地形的性质，不是维数的性质。那 $10^{47}$ 个构象照样存在，只是从未被访问。

这个洞见在人工智能里一字不改地重现：深度网络的损失函数高维非凸，按经典优化理论本该无望，梯度下降却照样训得动——因为过参数化的损失地形同样接近漏斗，鞍点而非局部极小占主导。「高维非凸」不是困难的充分条件，地形的几何才是；而几何可以选择——生物用进化选，我们用架构与初始化选。

AlphaFold2 的核心并非模拟物理，而是读共进化信号：两个残基若在三维结构中接触，其一突变往往需要另一个补偿，于是跨物种的多序列比对里这两列取值相关。麻烦在于相关会传递（$i$–$j$ 与 $j$–$k$ 相关会伪造出 $i$–$k$ 相关），解法是拟合 Potts 模型并取耦合矩阵的逆——正是概率图模型里从「相关」走向「条件独立」的标准动作，AlphaFold 把它换成了可学习的注意力。RFdiffusion 则把扩散模型建在结构空间上做从头设计，生成自然界不存在的酶。