Генетика та Еволюція — 3D Симуляції
🧬

Генетика та Еволюція

Від природного відбору та мутацій до рівнянь Лотки-Вольтерра — відкрийте механізми еволюції через симуляції. Ця категорія охоплює основні механізми генетики та еволюційної біології: менделівське успадкування, рівновагу Харді-Вайнберга, генетичний дрейф, природний відбір, транскрипцію ДНК і генні регуляторні мережі. Запускаючи кожну інтерактивну модель, ви побачите, як частоти алелів змінюються через покоління, як коливаються популяції хижак-жертва і як генетичні алгоритми запозичують біологію для розв’язання задач оптимізації. Це важливо, бо ті самі рівняння лежать в основі медицини, охорони природи, сільського господарства та інформатики — від антибіотикорезистентності до селекції культур і машинного навчання.

6 симуляцій Canvas 2D · WebGL GA · Lotka-Volterra · Емерджентність

Симуляції категорії

Цифрові організми, популяції, що еволюціонують, та екосистеми хижак-жертва

Еволюція — це алгоритм — пошук у ландшафтах пристосованості, керований випадковою мінливістю та невипадковим відбором. Генетичні алгоритми запозичують саме цю логіку для розв’язання задач оптимізації. Моделі хижак-жертва показують, як популяції коливаються без жодного центрального керівника, рухомі суто локальними взаємодіями.

🧬
★★☆ Помірна Нова
Генетичний дрейф
Випадкова зміна частот алелів (Райт-Фішер): скінченні популяції перевибирають алелі щопокоління, дрейфуючи до фіксації чи втрати — швидше в малих популяціях.
Генетичний дрейф Райт-Фішер Частота алелів Canvas 2D
🧬
★★★ Складна Нова
Генна регуляторна мережа
Будуйте генні схеми з ОДР на функціях Гілла: тумблер (бістабільний), репресилятор (осцилює), feed-forward петлі та авторепресія. Дивіться рівні білків.
Генна регуляціяФункція ГіллаРепресиляторCanvas 2D
🔀
★★☆ Середнє
Генетичний алгоритм
Популяція кандидатних рішень еволюціонує через турнірний відбір, одноточковий кросинговер та мутацію перевертанням бітів. Спостерігайте, як пристосованість збігається до цілі — змінюйте розмір популяції, швидкість мутацій та ймовірність кросинговеру в реальному часі.
Canvas 2D GA Відбір Кросинговер
🐇
★☆☆ Початковий
Лисиця та кролики
Агентна модель Лотки-Вольтерра: окремі лисиці полюють на кроликів на 2D-сітці. Налаштовуйте народжуваність, енергію та ємність середовища; спостерігайте, як класичне коливання хижак-жертва виникає з тисяч індивідуальних рішень.
Canvas 2D Агентна модель Lotka-Volterra Екологія
📉
★☆☆ Початковий
ЗДР хижак-жертва
Початкові звичайні диференціальні рівняння Лотки-Вольтерра, розв’язані в реальному часі методом RK4. Портрет у фазовому просторі показує замкнену орбіту; налаштовуйте α, β, γ, δ і спостерігайте, як популяційний цикл зростає, зменшується чи сходить до вимирання.
Canvas 2D ЗДР Фазовий простір RK4
♟️
★☆☆ Початковий
Гра Конвея «Життя»
Класичний клітинний автомат, у якому чотири правила народження/виживання породжують складну емерджентну поведінку — глайдери, осцилятори, гармати. Завантажуйте RLE-патерни з вбудованої бібліотеки або малюйте власні.
Canvas 2D Клітинний автомат Емерджентність Тюрінг-повнота
🌱
★★☆ Середнє
Природний відбір
Популяція істот зі спадковою швидкістю, радіусом відчуття та маскуванням. Хижаки полюють; ті, хто вижив, розмножуються. Спостерігайте, як ознаки зміщуються до ЕСС на живій гістограмі пристосованості.
Canvas 2D Спадкові ознаки ЕСС
🎲
★★☆ Середнє
Еволюційна теорія ігор
Яструб-Голуб, Дилема в’язня та КНП на просторовій сітці. Реплікаторна динаміка веде до рівноваг Неша та ЕСС в реальному часі.
Canvas 2D Реплікаторна динаміка Рівновага Неша
🧬
★★☆ Середнє Нове
Генетика Менделя
Інтерактивні квадрати Паннета для моно- та дигібридних схрещувань. Рівновага Гарді–Вайнберга з гістограмами частот алелів і симуляцією Монте-Карло нащадків.
Canvas 2D Квадрат Паннета Гарді–Вайнберг
🧬
Нове ★★ Середньо
Транскрипція ДНК
РНК-полімераза розкручує подвійну спіраль, зчитує матрицеву нитку та синтезує комплементарну мРНК нуклеотид за нуклеотидом. Спостерігайте відкриття транскрипційного пузиря та формування кодонів.
РНК-полімераза мРНК Кодон

Ключові концепції

Математика еволюції та популяційної динаміки

Генетичний алгоритм
Кодуйте кандидатів як хромосоми (рядки бітів, перестановки, дерева). Оцінюйте пристосованість. Більш пристосовані особини мають вищу ймовірність розмноження (турнір, рулетка). Кросинговер рекомбінує дві батьківські хромосоми. Мутація перевертає біти з імовірністю p_m. Теорема про схеми: будівельні блоки з вищою за середню пристосованістю зростають експоненційно.
ЗДР Лотки-Вольтерра
dx/dt = αx − βxy (жертва); dy/dt = δxy − γy (хижак). Замкнені орбіти у фазовому просторі: популяції безперервно коливаються. Додавання ємності середовища (логістична жертва) уможливлює стабільні спіралі. Стохастична агентна версія додає демографічний шум — популяції можуть вимерти.
Ландшафт пристосованості
Відображення з простору генотипів → значення пристосованості. Гладкі ландшафти легкі для градієнтних методів; пересічені (NK-ландшафти Кауфмана) потребують дослідження. Еволюція піднімається на пагорби, але може застрягти; статева рекомбінація стрибає через долини. Розуміння топології ландшафту скеровує проєктування алгоритмів.
Клітинний автомат
Сітка клітин, кожна зі скінченним станом (жива/мертва). На кожному кроці: кожна клітина рахує живих сусідів і застосовує правило (B3/S23 для Конвея). Локальні правила → глобальна складність. Класифікація Вольфрама: КА варіюються від нерухомих точок (Клас I) до складної життєподібної поведінки (Клас IV) і хаосу (Клас III).

Навчальні ресурси

Статті про еволюцію та популяційну динаміку

Ключові Концепції

Теми та алгоритми, які ви досліджуєте в цій категорії

Рівновага Харді-ВайнбергаСтабільність частот алелів за ідеальних умов
Генетичний ДрейфВипадкові зміни частот алелів у скінченній популяції
Природний ВідбірДиференційоване розмноження на основі пристосованості
Швидкість МутаціїЙмовірність заміни пари основ на реплікацію
Кросинговер / РекомбінаціяОбмін генетичним матеріалом між гомологами
Популяційна ГенетикаТраєкторії частот алелів через покоління

🧬 Перевір свої знання з генетики

П'ять швидких запитань для перевірки розуміння генетики та ДНК

Вікторина з генетики

Часті Запитання

Поширені запитання про цю категорію симуляцій

Що таке рівновага Харді-Вайнберга?
У нескінченно великій, випадково схрещуваній популяції без відбору, мутації чи міграції частоти алелів залишаються постійними через покоління. Рівновага передбачає частоти генотипів: p² + 2pq + q² = 1.
Як генетичний дрейф відрізняється від природного відбору?
Генетичний дрейф — випадковий: частоти алелів коливаються через скінченний розмір популяції незалежно від пристосованості. Природний відбір — спрямований: корисні алелі збільшують частоту, бо носії розмножуються більше.
Чи можна симулювати еволюцію резистентності до антибіотиків?
Так — симуляція моделює бактеріальну популяцію з випадковими швидкостями мутацій. Застосування антибіотичного 'тиску' показує, як швидко резистентність поширюється — це безпосередньо моделює глобальну кризу антибіотикорезистентності.

Про Симуляції Генетики та Еволюції

ДНК, природний добір, генетичний дрейф та ландшафти пристосованості

Симуляції генетики моделюють механізми спадковості та еволюції. Від подвійної спіралі ДНК та реплікації до природного добору та генетичного дрейфу — кожна симуляція показує, як генетична інформація передається між поколіннями.

Ландшафти пристосованості візуалізують, як популяції еволюціонують на багатовимірних поверхнях пристосування. Моделі Харді-Вайнберга показують умови генетичної рівноваги та фактори, що її порушують.

Кожна симуляція побудована з акцентом на точність. Генетичні моделі базуються на тих самих принципах популяційної генетики, що використовуються в академічних дослідженнях.

Інші категорії

Кожна симуляція генетики (Genetics simulation) на цій сторінці перетворює абстрактну теорію еволюції на щось, що можна спостерігати й контролювати. Запустіть інтерактивну модель генетики (interactive Genetics model), щоб побачити дрейф частот алелів, тиск відбору на популяцію чи транскрипцію ДНК у реальному часі. Незалежно від того, чи ви студент, викладач, чи допитливий самоучка, ці браузерні інструменти дозволяють вивчати генетику онлайн (learn Genetics online) без жодного встановлення. Та сама математика популяційної генетики застосовується в реальному житті — від відстеження еволюції варіантів COVID-19 до моделювання антибіотикорезистентності та програм селекції культур.