Wykorzystując potencjał uczenia maszynowego, naukowcy stworzyli ramy umożliwiające analizę czynników mających największy wpływ na różnorodność genetyczną gatunku.

Badanie, niedawno opublikowane w czasopiśmie Filogenetyka molekularna i ewolucjasugeruje, że zmienność genetyczna dwóch gatunków, Brazylijska żaba sybilatorowa I ropucha granulowanaoba płazy pochodzące z północno-wschodniej Brazylii, ukształtowały się w wyniku odmiennych procesów.

Wyniki pokazały, że zmienność genetyczna u żaby sybilatorowej kształtowana była głównie przez wydarzenia demograficzne dotyczące populacji w odpowiedzi na zmiany siedliskowe, które miały miejsce w ciągu ostatnich 100 000 lat. Natomiast różnorodność genetyczna ropuchy granularnej została ukształtowana głównie przez współczesne czynniki krajobrazowe – ropuchy, są stosunkowo bardziej odizolowane, czy to ze względu na odległość geograficzną, czy też niegościnne siedlisko, i częściej różnią się genetycznie.

Podczas gdy poprzednie dochodzenia badały wpływ historycznych czynników demograficznych i krajobrazowych na różnorodność genetyczną tych płazów; badania przeprowadzono na podstawie oddzielnych zestawów danych dla każdego z czynników, co utrudniło określenie, który z nich jest najważniejszy. Naukowcy biorący udział w tym badaniu jako pierwsi wykorzystali sztuczną inteligencję, aby zastanowić się, w jaki sposób oba procesy w równym stopniu wpływają na różnorodność genetyczną, zamiast ręcznie zakładać, który z nich może mieć większe znaczenie.

„Przed rozpoczęciem tej pracy musieliśmy zadawać pytania niezależnie, ponieważ nie można było badać obu wpływów w tych samych ramach” – powiedział Bryan Carstenswspółautor badania i profesor ewolucji, ekologii i biologii organizmów na Uniwersytecie Stanowym Ohio. „Dzięki sztucznej inteligencji możemy symulować procesy zachodzące zarówno ekologicznie w teraźniejszości, jak i w trakcie głębokich wydarzeń ewolucyjnych, a następnie porównywać te ustalenia z rzeczywistymi danymi, które zbieramy od tych żab”.

Ze względu na ogromną ilość danych, które stały się dostępne dla genetyków i innych biologów zajmujących się dziką przyrodą w ciągu ostatnich kilku dekad, dla badaczy może być trudne zidentyfikowanie konkretnych czynników, które mogą być ważne w niektórych eksperymentach, powiedział Carstens. Ale poprzez zintegrowanie dużych ilości informacji w symulacjach, które mogą uwzględnić te elementy w jednej analizie, możliwe jest uzyskanie o wiele bardziej kompletnej kroniki rozwoju gatunku.

„Budowanie i trenowanie naszych modeli sztucznej inteligencji zajmuje dużo czasu, ale chcieliśmy takiego, który mógłby uchwycić zakres potencjalnych zmienności w historii gatunków w sposób, który byłby jak najwierniejszy temu, co wiedzieliśmy o biologii systemu” – powiedział Carstens.

Na przykład, chociaż gatunki objęte badaniem zamieszkują ten sam region, istnieje wiele różnic w ich historii naturalnej. Pomimo że zarówno ich jaja, jak i larwy są w pełni wodne, żaba sybulatorna rozmnaża się nieprzerwanie przez cały sezon deszczowy i w podziemnych komorach, podczas gdy wydarzenia reprodukcyjne ropuchy granularnej mają miejsce gwałtownie, ponieważ są uzależnione od intensywnych opadów deszczu.

W połączeniu z metodą uczenia maszynowego symulacja przeprowadzona przez badaczy wykazała, że ​​ich scenariusze modelowe w 100% potwierdziły się w odniesieniu do historycznych wyjaśnień ekspansji żaby sybilatorowej oraz w ponad 99% potwierdziły się w odniesieniu do ropuchy granularnej.

Jednym z powodów, dla których ich model jest tak dokładny, jest jego zdolność do uwzględniania niedawnych wydarzeń demograficznych, w tym mierzenia wpływu takich zdarzeń, jak rozwój człowieka lub zmiana siedlisk na różnorodność genetyczną zwierząt w długim okresie czasu.

Jednak nawet korzystając ze sztucznej inteligencji, naukowcy muszą być ostrożni, aby w wynikach nie pojawiły się mylące wzorce – powiedział Carstens.

„Żadna analiza, którą wykonujemy, nie uwzględni każdego pojedynczego czynnika, który był ważny dla tych gatunków przez miliony lat” – powiedział. „Musimy więc uwzględnić szereg możliwości, nie czyniąc ich tak szerokimi, aby zasadniczo każdy model mógł dopasować dane”.

Jak stwierdził Carstens, ponieważ postęp technologiczny pozwala naukowcom odpowiadać na niszowe pytania ekologiczne i testować nowe hipotezy, ich praca jest wstępem do stworzenia ulepszonego modelu uczenia maszynowego, który mógłby zostać zastosowany do unikalnych badań innych gatunków.

„Prawdopodobnie kontynuować używając różnych kombinacji tych narzędzi AI na różne sposoby, aby spróbować zrozumieć historię ewolucji”, powiedział Carstens. „A w miarę jak będziemy się uczyć, narzędzia, których używamy, będą się zmieniać i ewoluować, aby być jeszcze lepszymi”.

Emanuel M. Fonseca, który uzyskał doktorat na Ohio State w 2022 r., był współautorem. Badanie było wspierane przez Ohio Supercomputer Center, US National Science Foundation i Coordenação de Aperfeiçoamento de Pessoal de Nível Superior w Brazylii.