Новый метод идентификации ископаемой пыльцы с помощью микроскопии и машинного обучения

Исследователи из Университета Иллинойса и Калифорнийского университета в Ирвайне разработали новый метод идентификации ископаемой пыльцы, комбинируя сверхразрешающую микроскопию и машинное обучение. Команда под руководством доктора Суранги Пуньясены и аспирантки Ингрид Ромеро обучила три модели сверточных нейронных сетей для идентификации ископаемых образцов пыльцы из неизвестной группы бобовых.

Глобальная летопись ископаемой пыльцы — один из самых обширных наземных архивов, сохранивший историю экологических и экосистемных изменений за последние 470 миллионов лет. Она критически важна для понимания эволюции и распространения видов растений.

Однако корректное измерение и идентификация морфологических признаков пыльцевого зерна чрезвычайно сложны. Многие типы пыльцы из глубокого времени (старше ~100 тысяч лет) не имеют точной биологической идентификации, а традиционные методы, такие как сканирующая электронная микроскопия, разрушают образец и требуют много времени.

В отличие от них, метод Airyscan — это световая микроскопия, которая позволяет видеть ниже дифракционного предела света и неразрушающим способом собирать поперечные изображения изнутри и снаружи пыльцевого зерна. Это особенно полезно для редких образцов.

Новый подход позволяет обучать модели классификации на пыльце современных растений, а затем идентифицировать их ископаемых родственников, итеративно обучаясь на каждой идентификации. Это впервые позволило команде распознать роды внутри крупной морфологической группы ископаемой пыльцы бобовых.

Обученные модели классифицировали ископаемые образцы из Западной Африки и северной части Южной Америки, датируемые палеоценом (66–56 млн лет назад), эоценом (56–34 млн лет назад) и миоценом (23–5.3 млн лет назад). Наиболее точная модель, использовавшая комбинацию изображений экстерьера и интерьера пыльцевого зерна, достигла точности идентификации 90.3%.

Эти результаты показывают, что микроскопия Airyscan и методы машинного обучения могут не только помочь в идентификации неизвестных образцов, но и уточнить время происхождения или вымирания группы растений. Ключевое отличие и инновация моделей — способность обучить систему на современных таксонах, а затем использовать её для идентификации неизвестных и часто физически деформированных ископаемых типов, расширяя возможности человеческого анализа.