Для того чтобы лучше понимать принципы передачи признаков по наследству, Гальтон изучал связь между ростом взрослых детей и их родителей. Довольно быстро стало очевидно, что точно предсказать рост отдельного человека, опираясь на рост его родителей, невозможно. Никакие формулы не работали. Да и жизненный опыт подсказывал, что дети одних родителей, даже одного пола, растут очень по-разному. Значило ли это, что рост не относится к факторам, которые передаются по наследству?

Гальтон составил таблицу соотношения роста родителей и их детей. Вот как она выглядела. Цифры в таблице указывают, сколько людей в исследуемой Гальтоном группе из 928 человек имели указанный в верхней строке рост при указанном в левой колонке усредненном росте родителей.

Распределение роста участников исследования Гальтона, как и вообще всех взрослых людей, населяющих Землю, было близко к нормальному. Как уже говорилось выше, нормальное распределение характерно для параметров, являющихся суммой большого числа независимых воздействий. Рост – типичный пример, поскольку формируется под разнонаправленным влиянием многих генов, эпигенетических факторов [98] , факторов среды, перенесенных травм и болезней.

Интересно, что, если мы построим графики, используя цифры внутри каждой строки, мы тоже увидим колоколообразные кривые: рост детей, родившихся у родителей определенного роста, тоже распределен нормально. Но вершины этих колоколов находятся в разных местах: наиболее вероятный рост ребенка тем выше, чем выше средний рост его родителей. Если связать эти вершины, мы получим близкую к прямой линию.

Получается, что хотя точное вычисление роста человека по росту его родителей невозможно, связь между этими значениями существует. И ее можно описать достаточно простым уравнением, применяемым для линейных графиков. А затем использовать это уравнение для того, чтобы на основе одного из параметров предсказать наиболее вероятное значение второго. Гальтон назвал такую статистическую взаимосвязь корреляцией (от англ. co-relation, “взаимосвязь”).

Сейчас статистическую связь вычисляют, например, в эпидемиологии. Если заболевание и определенные факторы риска [99] коррелируют, то мы можем предположить, что этот фактор и является причиной болезни.

Но важно помнить, что статистическая связь не обязательно равна причинно-следственной. Оба коррелирующих параметра могут меняться под воздействием третьего фактора, называемого спутывающей переменной. Если мы исследуем два параметра – заболеваемость раком легких и наличие зажигалки в кармане – то наверняка обнаружим, что они взаимосвязаны: окажется, что люди с зажигалкой чаще болеют раком легких. Но это не значит, что рак легких вызывают зажигалки в кармане. Оба параметра будут зависеть от третьего – курения, который и является в этом примере спутывающей переменной [100] .

А что насчет контролируемых клинических экспериментов? В них мы тоже имеем дело со сложными биологическими системами, а значит, исходы в каждой из групп не детерминированы и носят вероятностный характер. Значит, состояние пациентов в сравниваемых группах может меняться по-разному исключительно в силу случая. Как же тогда определить, случайна разница или вызвана действием лекарства?

Прекрасным летним вечером 1919 года сотрудники Ротамстедской экспериментальной станции [101] собрались в комнате отдыха. Было время традиционного для Англии вечернего чая – время отдохнуть и поговорить с коллегами о не связанных с работой пустяках. Новичок в компании, недавно принятый на работу молодой математик, вежливо наполнил чашку чаем, добавил в него молоко и протянул сидевшей рядом леди.

– Спасибо, Рональд, но я предпочитаю сначала наливать молоко и лишь потом добавлять чай, – сказала та.

– Вот ерунда, – удивился математик, которого звали Рональд Фишер, – уверен, что разницу почувствовать невозможно, что бы я ни налил первым, чай или молоко.

Конец ознакомительного фрагмента.