本文來自微信公眾號：集智俱樂部（ID：swarma_org），作者：Leo，頭圖來自：東方IC

8月Science Advances的一篇研究文章，用深度學(xué)習(xí)驗(yàn)證了一個進(jìn)化模型（蝴蝶翅膀的趨同演化，是最古老的自然選擇模型之一），有了人工智能的幫助，我們可以量化生物的多樣性，這意味著我們對自然的研究又多了一條新道路。

繽紛袖蝶飛無數(shù) 慧眼AI識擬態(tài)

擬態(tài)，是生物演化過程中的一種現(xiàn)象。指一個生物為了捕食或者避免被捕食等目的，演化出另一個物種的性狀，從而迷惑獵物、迷惑捕食者。

單就避免被捕食的防御性擬態(tài)而言，我們可以用這樣的例子來理解：

小明吃過幾次杏鮑菇覺得很不好吃（甚至中毒了）。以后，小明可能總結(jié)出經(jīng)驗(yàn)拒絕所有類似的食物。比如，其實(shí)很好吃的金針菇。（當(dāng)然，我們知道這兩種食物區(qū)別挺大的，都是常見的食物、也不會中毒。更不存在擬態(tài)的現(xiàn)象。在這里僅用于舉例說明。）也就是說，如果我們把這兩種菇類作為一個整體來看待，因?yàn)槠溟L相接近，捕食者（小明）會把這兩種食物同等看待，一同拉入食譜黑名單，使得金針菇得到保護(hù)。這種擬態(tài)被稱之為貝氏擬態(tài)（Batesian mimicry）。貝氏擬態(tài)中的兩種生物的關(guān)系被視為是寄生關(guān)系。

但如果是，小明吃過幾次杏鮑菇和金針菇后，覺得兩個都不好吃（甚至中毒了）。以后，小明也會拒絕這兩種食物。比如，我們假設(shè)，小明對某一種食物在吃了 5 次后，才會判斷一種食物是不是能吃。對于長相接近的兩種食物而言，只要兩種食物一共被吃過 5 次，它們就一起被列入“黑名單”了。而不必分別“試吃”（吃 10 次）。從而降低了整體被捕食的風(fēng)險——在我們給出的這個例子中是 5 次。這種擬態(tài)被稱之為穆氏擬態(tài)（Müllerian mimicry）。

穆氏擬態(tài)指的是，兩種難以食用的生物，互相模仿，從而實(shí)現(xiàn)互利，被認(rèn)為是物種間的一種互利共生關(guān)系。這一現(xiàn)象最早由德國博物學(xué)家 Fritz Müller 在研究熱帶袖蝶（Heliconius）時發(fā)現(xiàn)。

       （圖片來源：floridamuseum.ufl.edu）

袖蝶（Heliconius）是蛺蝶科釉蛺蝶亞科中的一個屬。廣泛分布在美洲的熱帶及亞熱帶地區(qū)。物種繁多，又會互相擬態(tài)，故此很多科學(xué)家都在研究該物種，以了解物種的形成及其多樣性。袖蝶也是穆氏擬態(tài)的代表生物。

類似的例子還有南美洲的箭毒蛙和馬達(dá)加斯加的曼蛙。

       行色各異的箭毒蛙，我們不需要分辨它們的差異，因?yàn)樗鼈冇幸粋€共同的名字“別碰我”

穆氏擬態(tài)的一個重要意義就在于這是人類第一次用數(shù)學(xué)模型去揭示生物問題。而且，值得指出的是 Fritz Müller 提出以他命名的穆氏擬態(tài)，僅僅是在達(dá)爾文發(fā)表經(jīng)典巨著《物種起源》的二十年之后。

盡管這一擬態(tài)假說有這樣悠久的歷史，但人們?nèi)匀粚ζ浯嬖谫|(zhì)疑，其原因在于，并不是所有的擬態(tài)生物都同等地“難吃”（毒性一樣）。不同的物種的毒素來源，作用原理，以及毒性強(qiáng)弱不完全等同。因此，在該領(lǐng)域中，科學(xué)家又提出了副貝氏擬態(tài)（Quasi-Batesian mimicry ) 以及超繆氏擬態(tài)（Super-Müllerian mimicry）來完善擬態(tài)理論。這兩種新理論不同的之處就在于：副貝氏擬態(tài)發(fā)展自貝氏擬態(tài)，認(rèn)為物種之間是寄生關(guān)系；而超繆氏擬態(tài)則和繆氏擬態(tài)一致，認(rèn)為物種之間是互利共生關(guān)系。但這些理論都是對傳統(tǒng)擬態(tài)理論的補(bǔ)充和發(fā)展。

由此我們可以發(fā)現(xiàn)，自然中的擬態(tài)形式多種多樣。而且，在眾多的蝴蝶中，找出演化上的相似性也絕非易事，單純地依靠人力是一項(xiàng)不小的挑戰(zhàn)。因此，人工智能科學(xué)家利用機(jī)器學(xué)習(xí)技術(shù)來輔助解決這一生物學(xué)問題。

翅膀上機(jī)器學(xué)習(xí)

19年8月來自劍橋大學(xué)，埃塞克斯大學(xué)，英國自然歷史博物館和東京工業(yè)大學(xué)的研究團(tuán)隊就利用機(jī)器學(xué)習(xí)技術(shù)來驗(yàn)證蝴蝶翅膀是否演化出了互利共生的翅膀圖案。并在 Science Advances 上發(fā)表了題為 Deep learning on butterfly phenotypes tests evolution's oldest mathematical model 的論文。

論文題目：

Deep learning on butterfly phenotypes tests evolution's oldest mathematical model 

論文地址：

https://advances.sciencemag.org/content/5/8/eaaw4967

該項(xiàng)研究的領(lǐng)導(dǎo)者，來自劍橋大學(xué)的 Jennifer Hoyal Cuthill 表示：“我們可以把人工智能應(yīng)用于新的領(lǐng)域，從而做到那些原先做不到的事情?！?/p>

研究者期望在能在計算機(jī)實(shí)驗(yàn)中驗(yàn)證穆氏擬態(tài)：多個物種之間會呈現(xiàn)出彼此翅膀的圖案么？以及能在多大的程度上模擬其他物種的翅膀圖案？

“我們以前沒有在演化系統(tǒng)中測試擬態(tài)行為，因?yàn)楹茈y去量化兩個蝴蝶的相似程度?！薄狫ennifer Hoyal Cuthill

定量差異

研究者利用了英國自然歷史博物館的 2400 張蝴蝶照片作為他們的訓(xùn)練數(shù)據(jù)集。

H. erato 和 H. melpomene 兩種袖蝶的采集位置，空心圓圈表示的是采集點(diǎn)，實(shí)心圓圈表示每個亞種的總體分布位置。圖中的顏色和數(shù)字則表示不同的亞種。

利用這些圖像來訓(xùn)練他們的模型——蝴蝶網(wǎng)絡(luò)（ButterflyNet）。該模型能記錄下蝴蝶翅膀圖案模式的多種變體。ButterflyNet 所研究的對象就是前文提到過的經(jīng)典穆氏擬態(tài)生物：袖蝶。袖蝶有超過三十種可供識別的模式。

ButterflyNet 是一個深度卷積神經(jīng)網(wǎng)絡(luò)。使用了 15 層的神經(jīng)網(wǎng)絡(luò)來完成圖像的分類與空間嵌入工作。經(jīng)過訓(xùn)練的 ButterflyNet 可以量化蝴蝶翅膀上的圖案與顏色特征。并根據(jù)量化的特征判斷出它們之間的相似性。在一個高緯度的特征空間中，相似的蝴蝶挨的越近，反之則越遠(yuǎn)。

       袖蝶表現(xiàn)型差異的可視化分析（主成分分析后）

圖A，每一種顏色都代表一個亞種。圖B，表示的是對 H. erato 和 H. melpomene 這兩個亞種的傳統(tǒng)擬態(tài)結(jié)論（灰色點(diǎn)表示沒有擬態(tài)現(xiàn)象）。圖C，是通過深度學(xué)習(xí)得到的六個聚類。圖D，展示的是每個亞種都具備的兩大類性狀有無橘黃色射線條紋 (有這個性狀用橘黃色表示，反之則是灰色）。

研究者發(fā)現(xiàn)這些蝴蝶物種之間互相借鑒，這一點(diǎn)印證了 Müller 的擬態(tài)假說。證明這些蝴蝶之間存在協(xié)同進(jìn)化。

協(xié)同演化的新發(fā)現(xiàn)

研究者 Hoyal Cuthill 提到了一點(diǎn)：“從直覺上來說，我們可能會覺得物種之間的相互模擬會導(dǎo)致，蝴蝶翅膀的圖案模式減少，但是根據(jù)我們的觀察，事實(shí)恰恰相反。這是演化論中的一個謎團(tuán)?！?/p>

研究者的分析表明，協(xié)同演化，相互模仿可以增加蝴蝶翅膀圖案的多樣性。這也表明演化趨同現(xiàn)象可以創(chuàng)造新的性狀模式特征并且增加物種多樣性。通過現(xiàn)在的人工智能技術(shù)，研究者發(fā)現(xiàn)了一種新的機(jī)制。擬態(tài)可以帶來新的性狀。這跟我們的直覺相反。通過物種之間的互相模仿，交換彼此的特征能夠產(chǎn)生出新的特征。

Hoyal Cuthill 表示，多虧有了人工智能的幫助，我們可以量化生物的多樣性。并在此基礎(chǔ)上作出新的科學(xué)成果。這意味著我們對自然的研究又多了一條新道路。

參考資料

https://interestingengineering.com/butterflynet-ai-validates-the-first-mathematical-model-of-evolution

https://www.cam.ac.uk/research/news/ai-used-to-test-evolutions-oldest-mathematical-model

https://en.wikipedia.org/wiki/M%C3%BCllerian_mimicry

https://case.ntu.edu.tw/scisalon/biological/171208-1

https://global.mongabay.com/cn/rainforests/0306.htm

本文來自微信公眾號：集智俱樂部（ID：swarma_org），作者：Leo

返回列表