O código genético é altamente conservado e está presente na maior parte dos organismos vivos. Uma questão que tem intrigado os cientistas é se o código genético é fruto do acaso ou de um processo evolutivo. Se qualquer associação entre aminoácidos e códons é possível, então existem cerca de 1, 51 × 1084 códigos possíveis. A hipótese de que o código genético evoluiu é suportada por sua robustez frente a mutações. Duas metodologias tem sido utilizadas para estudar esta hipótese: a abordagem estatística, que estima o número de códigos aleatórios melhores que o código genético padrão, e a abordagem por engenharia, que compara o código padrão com os melhores códigos hipotéticos obtidos por meio de um algoritmo de otimização. A utilização de ambas abordagens têm sido feita considerando-se apenas uma função objetivo, baseada na robustez frente a mutações quando uma determinada propriedade dos aminoácidos é considerada. Neste trabalho, propõe-se considerar mais de um objetivo simultaneamente para a avaliação dos códigos genéticos. Para isso, três abordagens multiobjetivo utilizando Algoritmos Genéticos são empregadas. São elas: abordagem lexicográfica, ponderada e de Pareto. Os resultados indicam que a utilização de mais de um objetivo é promissor, sendo os códigos hipotéticos gerados mais similares ao código genético padrão, quando comparados com os resultados obtidos por outros autores.

The genetic code is highly preserved and it is present in most living organisms. If we consider all codes mapping the 64 codes into 20 amino acids and one stop codon, there are more than 1.51 × 1084 possible genetic codes. The main question related to the organization of the genetic code is why exactly the standard code was selected among this huge number of possible genetic codes.The hypothesis that the genetic code has evolved is supported by its robustness against mutations. Many researchers argue that the organization of the standard code is a product of natural selection and that the codes robustness against mutations would support this hypothesis. Two methodologies have been used to investigate this hypothesis: the first one is the statistical approach which estimates the number of random codes which are better than the standard genetic code. The second is the engineering approach, which compare the standard code with the best hypothetical codes obtained by an optimization algorithm. Both approaches have been used considering only one objective function, which is usually based on the robustness against changes using the polar requirement. In this research, we propose to consider more than one objective simultaneously for the evaluation of genetic codes. For this purpose, three approaches using multi-objective genetic algorithms were employed, are they: lexicographic, weighted, and Pareto-based. The results indicate that considering more than one objective function is promising: the hypothetical codes generated are more similar to the standard genetic code, when compared with the results obtained by the monoobjective approach.