15:19 2024-03-20 science - citeste alte articole pe aceeasi tema
Comentarii Adauga Comentariu

_ Biologii folosesc învățarea automată pentru a clasifica fosilele de polen dispărut

_ Biologii folosesc machine learning pentru a clasifica fosilele de polen dispărut

În încercarea de a descifra relațiile evolutive ale organismelor dispărute din fosile, cercetătorii se confruntă adesea cu provocări în discernerea caracteristicilor cheie din fosilele deteriorate sau cu prioritizarea caracteristicilor organismelor pentru cea mai precisă plasare într-un arbore filogenetic. Introduceți rețele neuronale, algoritmi sofisticați care stau la baza tehnologiei actuale de recunoaștere a imaginilor.

În timp ce încercările anterioare de a utiliza rețelele neuronale în clasificarea organismelor dispărute în arbori filogenetici au avut probleme, un nou studiu, publicat în PNAS Nexus, anunță o descoperire semnificativă. . Modelul a fost antrenat pentru a recunoaște și a clasifica caracteristicile organismului pe baza informațiilor filogenetice cunoscute și poate plasa cu precizie noi organisme, inclusiv cele dispărute, în ramurile complicate ale copacilor evoluționari.

Echipa include Surangi Punyasena. (CAIM), profesor asociat de biologie vegetală la Universitatea din Illinois Urbana-Champaign, Shu Kong, profesor asistent de știință și tehnologie la Universitatea din Macao și Marc-Élie Adaimé, student absolvent în laboratorul lui Punyasena și primul autor pe studiu.

Conform lui Adaimé, motivul pentru care rețelele neuronale au probleme în a clasifica cu exactitate organismele dispărute, spre deosebire de cele vii, este adesea o chestiune de modul în care sunt antrenate.

„Cele mai paleontologice. Studiile AI se concentrează de obicei pe sarcini simple de clasificare, cum ar fi distincția între diferitele tipuri de fosile”, a explicat Adaimé.

„Această abordare funcționează bine în cadrul unor categorii clar definite, dar mai puțin cu date care nu se potrivesc acestor categorii. Gândiți-vă la un model care a fost antrenat doar pentru a clasifica imagini cu câini sau pisici. Dacă i s-ar prezenta o imagine a unui șarpe, modelul ar încerca să-l clasifice fie ca câine, fie ca pisică, deoarece se limitează la ceea ce a fost dresat.

„În mod similar, anterior nu exista nicio metodă prin care să se asigure. a inclus filogenia a priori în model, astfel încât modelele nu au învățat să dea sens caracteristicilor într-un context evolutiv sau filogenetic. Scopul cercetării noastre a fost de a crea o nouă abordare de modelare care să fie instruită pe imagini într-un context filogenetic."

Pentru a poziționa cu precizie organismele într-un cadru filogenetic, rețelele neuronale trebuie să fie antrenate nu numai pentru a discerne trăsăturile definitorii ale diferitelor clase de organisme, ci și pentru a recunoaște sinapomorfiile filogenetice - caracteristici derivate împărtășite între organisme datorită ascendenței lor comune. Acest lucru permite rețelei să determine plasarea organismelor într-un arbore filogenetic.

Echipa a ales să-și aplice modelul la clasificarea polenului și a sporilor - o entitate ubicue și străveche găsită în înregistrările fosile, cu cele mai vechi fosile care datează de sute de milioane de ani.

Cercetătorii au adunat mai întâi imagini optice de super-rezoluție ale polenului modern și fosil care fuseseră luate la Institutul Carl R. Woese pentru Biologie Genomică Core Facility. Ei și-au antrenat modelul folosind imagini micrografice ale 30 de specii de Podocarpus existente (vii). În timpul acestui proces, modelul a identificat caracteristici pe care le-a considerat importante pentru clasificarea polenului în diferite clase.

Ulterior, aceste caracteristici au fost introduse într-un model secundar, împreună cu date filogenetice stabilite asupra speciei, care apoi a reponderat caracteristici bazate pe semnificația lor filogenetică. Această abordare a permis modelului să genereze o funcție de distanță informată filogenetic, aplicabilă noilor imagini cu polen furnizate modelului.

Pentru a valida eficacitatea modelului, cercetătorii l-au testat pe specimene micrografice de polen dispărut din Panama, Peru și Columbia. Deși relațiile filogenetice exacte nu erau cunoscute definitiv, paleoecologii au plasat anterior polenul în Podocarpus pe baza trăsăturilor morfologice și a distribuției geografice.

În mod impresionant, modelul rețelei neuronale a reflectat plasările făcute de paleoecologi pentru aproape toate specimenele. , subliniind capacitatea sa de a valorifica caracteristicile morfologice învățate în timpul antrenamentului pentru a poziționa cu precizie speciile dispărute într-un context filogenetic.

Punyasena a remarcat că laboratorul ei colaborează cu colegii de la Muzeul Național de Istorie Naturală Smithsonian și de la Smithsonian Tropical Research. Institutul pentru a extinde această activitate și a le aplica la un set mai larg de date despre polenul fosil.

„Proiectele internaționale de foraj continentale produc în prezent cantități inimaginabile de material vegetal fosil”, a spus Punyasena.

„Exploarea pe deplin a acestor noi surse de date înseamnă schimbarea modului în care analizăm și interpretăm polenul fosil. Ca comunitate, trebuie să profităm de progresele în învățarea profundă și viziunea computerizată. Această lucrare demonstrează că cantitatea de informații evolutive capturate în morfologia polenului a fost anterior subestimată. Istoria unei specii de plante este surprinsă în forma și forma sa. Învățarea automată ne permite să descoperim aceste trăsături filogenetice noi.”

Cercetătorii intenționează să îmbunătățească acuratețea și adaptabilitatea modelului lor prin extinderea dimensiunii eșantionului de imagini utilizate pentru antrenament. În plus, urmăresc să se asigure că modelul rămâne actual. prin integrarea progreselor emergente în învățarea automată. Adaimé subliniază versatilitatea modelului dincolo de clasificarea polenului, prevăzând aplicația sa potențială în clasificarea diferitelor organisme fosile.

„Modelele de învățare automată pot facilita găsirea de caracteristici informative, deoarece modul în care modelele de învățare automată gândesc este, evident, foarte diferit de modul în care gândesc oamenii”, a spus Adaimé.

„Va fi capabil să găsească modele care au sens, dar care probabil nu sunt intuitive pentru oameni. Și beneficiul acestei abordări nu se limitează doar la polen, ne așteptăm ca aceste modele să fie generalizabile și la clasificarea fosilelor altor organisme.”

(Fluierul)

Inapoi