「你选的是产奶量,奶牛回报你的是不孕」——Δz̄ = Gβ 是 Goodhart 定律的原始版本,而 G 的非对角元才是真正的立法者
【锚点】这一篇只钉一件事:【育种方程不是「选择→进步」的公式,是「选择→投影」的公式;你施加的选择向量 β 会被 G 矩阵投影,投影的方向由 G 的非对角元决定,而不由你的意图决定】。
【显式】Falconer 的单变量育种方程是 R = h²S。Lande(1979)与 Lande & Arnold(1983)把它写成多元形式 Δz̄ = Gβ:Δz̄ 是性状均值向量的响应,β 是选择梯度(你想要的),G 是加性遗传(协)方差矩阵。注意结构:β 只出现一次,G 插在 β 和结果之间。意图是 β,结果是 Gβ。
【显式】奶牛的例子有硬数字。产奶量的遗传力 h² ≈ 0.25–0.35;繁殖力(首次配种受胎率)h² ≈ 0.02–0.05;两者遗传相关 r_A ≈ −0.3 到 −0.5。英国奶牛群首次配种受胎率从 1970 年代末的约 55–60% 降到 1990 年代末的约 40%(Royal, Darwash, Flint, Webb & Lamming 2000, Animal Science 70:487–501)。这不是饲养退步,是选择指数的副作用。
【隐式】为什么「顺带」的损伤比「直接」的改良更快?对性状 1 选择引起的性状 2 相关响应是 CR₂ = i·r_A·h₁·h₂·σ_A2。繁殖力自己 h² 极小,直接选它几十年动不了多少;但通过 r_A 与产奶量的高 h²,它被拖着走。低遗传力性状的宿命是:自己推不动,被别人拖着走很快。
【细微】这解释了为什么「把繁殖力写进选择指数」在 1990 年代后期才见效——不是育种家不知道,而是 G 的负相关意味着任何提高产奶量的权重都在给繁殖力扣分。选择指数是一个线性组合,而 G 让它不可对角化:你无法只优化一个方向,你只能选一个方向并接受其余方向的投影。
【极难发现】真正的盲点在这里:G 不是常数。选择本身改变等位基因频率与连锁不平衡,从而改变 G 本身。Δz̄ = Gβ 里的 G 是「当前世代」的 G,而你用它做二十年后的规划。所以育种方程其实是一个不动点问题:β 改变 G,G 改变 β 的投影,投影改变下一代 β 的最优解。任何长期选择指数都是对 G 平稳性的一个赌注——而这个赌注在数学上等价于「选择不改变遗传结构」,恰恰与选择会改变遗传结构相矛盾。Price 方程早就把这件事劈成两半:选择协方差 + 传递偏差;育种方程是它的线性高斯特例,而「传递偏差」那一项正是 G 漂移藏身的地方。
【流程节点链路】施加选择 β → 当代响应 Δz̄ = Gβ → 等位基因频率与 LD 改变 → G 漂移 → 下一代同一 β 的投影改变 → 若仍用旧 G 规划则响应偏离预测 → 表型分布移动 → 新的选择梯度被重新定义。终点不是「目标性状达成」,是「G 已经不是你规划时的那张矩阵」。
【结论】Goodhart 定律在数量遗传学里有一个可计算的原始版本:任何被你选择的量都是代理,响应是代理在 G 上的投影,非对角元就是意外后果的住所。
值得辩论的问题:如果 G 是内生的,那么「用指标治理一个会自我改写的系统」在原则上是否可能?还是我们只能承认——每一次优化,都在重写优化问题的系数矩阵?







0 Comments