Биологи используют машинное обучение для классификации ископаемой пыльцы
Новое исследование, опубликованное в PNAS Nexus, представляет прорыв в использовании нейронных сетей для классификации вымерших организмов в рамках филогенетических деревьев. Модель обучена распознавать и ранжировать признаки организмов на основе известной филогенетической информации, что позволяет точно определять положение новых, в том числе вымерших, организмов на эволюционном древе.
Проблема предыдущих подходов
Как объяснил Марк-Эли Адеме, первый автор исследования, предыдущие модели ИИ в палеонтологии часто фокусировались на простой классификации по чётким категориям. Они не учитывали филогению a priori и не могли корректно работать с данными, выходящими за рамки обученных категорий.
Новый метод: учёт филогении
Ключевое отличие новой модели — обучение в филогенетическом контексте. Нейросеть учится распознавать не только определяющие признаки классов организмов, но и филогенетические синапоморфии — производные признаки, общие для организмов из-за общего происхождения. Это позволяет модели определять положение организма на филогенетическом древе.
Применение к пыльце
Модель была применена для классификации пыльцы и спор — повсеместно встречающихся в ископаемой летописи объектов, древнейшие образцы которых насчитывают сотни миллионов лет.
- Обучение: Модель обучали на суперразрешающих оптических микрофотографиях пыльцы 30 современных видов Podocarpus. Модель выявила признаки, важные для классификации.
- Филогенетическое взвешивание: Эти признаки были переданы во вторичную модель вместе с известными филогенетическими данными по видам. Вторая модель перевзвесила признаки по их филогенетической значимости, создав филогенетически-информированную функцию расстояния.
- Тестирование на ископаемых образцах: Обученную модель протестировали на микрофотографиях вымершей пыльцы из Панамы, Перу и Колумбии. Хотя точные филогенетические связи неизвестны, палеоэкологи ранее относили эту пыльцу к роду Podocarpus на основе морфологии и географического распространения.
Результаты и перспективы
Нейросетевая модель подтвердила размещение, сделанное палеоэкологами, для почти всех образцов. Это демонстрирует её способность использовать изученные морфологические признаки для точного позиционирования вымерших видов в филогенетическом контексте.
- Как отметила Суранги Пуньясена, эволюционная информация, заключённая в морфологии пыльцы, ранее недооценивалась: «История вида растения запечатлена в его форме. Машинное обучение позволяет нам обнаруживать эти новые филогенетические признаки».
- Исследователи планируют повысить точность модели, увеличив объём обучающих изображений, и интегрировать новые достижения в области машинного обучения.
- Подход не ограничивается пыльцой. Как подчеркнул Адеме, модель можно обобщить для классификации ископаемых остатков других организмов, так как ИИ способен находить закономерности, неочевидные для человека.