Phylogenetic estimation of diversity-dependent biogeographic rates using deep learning

Die Studie stellt DDGeoSSE vor, ein tiefes Lern-basiertes phylogenetisches Modell, das nachweist, dass die lokale Artenvielfalt die Diversifizierungs- und Ausbreitungsraten sowohl bei karibischen Anolis-Eidechsen als auch bei Viburnum-Pflanzen signifikant beeinflusst.

Das Wesentliche

Das große Rätsel: Warum gibt es nicht unendlich viele Arten?

Stell dir vor, du baust eine Stadt. Am Anfang ist sie leer. Dann kommen die ersten Leute. Sie vermehren sich, bauen Häuser, gründen Familien. Wenn die Stadt klein ist, ist das kein Problem. Aber was passiert, wenn die Stadt riesig wird? Plötzlich gibt es Streit um Wohnraum, um Essen, um Jobs. Die Geburtenrate sinkt, weil es zu teuer ist, eine Familie zu gründen, und die Sterberate steigt, weil die Konkurrenz hart ist. Irgendwann erreicht die Stadt eine Grenze, eine Art "Kapazitätsgrenze", bei der sie nicht mehr wächst.

In der Natur ist das genau so. Biologen wissen seit langem, dass es in manchen Regionen (wie auf einer Insel) mehr Arten gibt als in anderen. Aber warum hören die Arten auf, sich zu vermehren? Warum gibt es nicht unendlich viele Vögel oder Insekten? Die Theorie sagt: Wettbewerb. Je mehr Arten es gibt, desto schwieriger wird es für neue, und desto leichter wird es für das Aussterben.

Das neue Werkzeug: Ein digitaler Simulator namens DDGeoSSE

Bisher waren die Computermodelle, mit denen Biologen diese Prozesse nachbauen wollten, ziemlich starr. Sie konnten zwar berechnen, wie sich Arten ausbreiten, aber sie konnten die "Wettbewerbs-Grenze" nicht wirklich gut simulieren. Es war, als würde man versuchen, den Verkehr in einer Stadt zu simulieren, ohne zu wissen, dass Staus entstehen, wenn zu viele Autos auf der Straße sind.

Die Autoren dieses Papers haben ein neues, hochmodernes Modell entwickelt, das DDGeoSSE heißt.

• Was es tut: Es ist wie ein extrem detaillierter Simulator für die Evolution. Er kann berechnen, wie sich Arten in verschiedenen Regionen (z. B. auf verschiedenen Inseln) vermehren, aussterben oder wandern.
• Der Clou: Dieses Modell berücksichtigt die Anzahl der Arten vor Ort. Wenn eine Region voll ist, verlangsamt sich die Geburt neuer Arten und die Sterberate steigt. Das ist der "Wettbewerbseffekt".

Das Problem: Die Mathematik ist zu kompliziert

Normalerweise versucht man, solche Modelle zu lösen, indem man eine riesige mathematische Formel (eine "Likelihood-Funktion") aufstellt. Aber bei DDGeoSSE ist das so kompliziert, dass es wie ein Knoten in einem Seil aussieht, den man mit dem bloßen Auge nicht lösen kann. Die Mathematik versagt hier.

Die Lösung: Ein KI-Trainer (Deep Learning)

Statt die Formel zu lösen, haben die Forscher einen anderen Weg gewählt: Sie haben eine Künstliche Intelligenz (KI) trainiert.

Stell dir vor, du willst jemandem beibringen, wie ein Schachmeister zu denken. Du könntest ihm die Regeln der Schachtheorie erklären (die Mathematik), aber das ist schwer. Besser ist es, du lässt die KI 100.000 Schachpartien gegen sich selbst spielen (Simulationen).

1. Training: Die Forscher haben ihre KI mit dem DDGeoSSE-Modell gefüttert und ließen sie Millionen von simulierten Evolutionsgeschichten durchspielen.
2. Lernen: Die KI hat gelernt: "Aha! Wenn der Baum so aussieht und die Arten so verteilt sind, dann muss der Wettbewerb (die Diversitäts-Abhängigkeit) stark gewesen sein."
3. Anwendung: Jetzt kann die KI echte Daten von echten Tieren und Pflanzen analysieren und sagen: "Dieses Muster passt am besten zu einem Szenario, in dem der Wettbewerb eine große Rolle spielt."

Die echten Fälle: Eidechsen und Pflanzen

Die Forscher haben ihre KI dann auf zwei echte Fälle losgelassen:

1. Die Karibik-Eidechsen (Anolis): Diese sind berühmt für ihre Anpassung an verschiedene Inseln. Die KI hat bestätigt: Ja, auf den Inseln, wo es viele Eidechsen gab, wurde es schwerer, neue Arten zu bilden, und es starben mehr aus. Der Wettbewerb hat die Entwicklung gebremst.
2. Die Waldpflanzen (Viburnum): Diese Pflanzen wachsen in den Nebelwäldern Südamerikas. Auch hier zeigte die KI, dass der Wettbewerb um Platz und Ressourcen die Entstehung neuer Arten verlangsamt hat.

Zusammenfassung in einem Satz

Die Forscher haben eine neue Art von "Evolutionssimulator" gebaut, der den Wettbewerb zwischen Arten berücksichtigt, und haben eine KI trainiert, die wie ein Detektiv funktioniert, um herauszufinden, wie stark dieser Wettbewerb in der echten Welt die Vielfalt des Lebens geprägt hat.

Die Metapher:
Früher versuchten Biologen, den Verkehr in einer Stadt zu verstehen, indem sie nur die Anzahl der Autos zählten. Jetzt haben sie eine KI, die gelernt hat, wie sich Staus bilden, wenn die Straße voll ist, und kann damit genau vorhersagen, warum in manchen Städten (oder Inseln) mehr oder weniger Autos (Arten) fahren als in anderen.

Technische Zusammenfassung

Titel: Phylogenetische Schätzung diversitätsabhängiger biogeografischer Raten mittels Deep Learning

1. Problemstellung

Die ökologische Theorie sagt voraus, dass die lokale Artenvielfalt (Species Richness) die Raten von Artbildung (Speziation), Aussterben (Extinktion) und Ausbreitung (Dispersal) beeinflusst. Mit zunehmender Konkurrenz in einer Region sollten Speziation und Dispersal sinken, während die Extinktionsrate steigt, was zu einer tragfähigen Kapazität (Carrying Capacity) für die lokale Artenvielfalt führt.

Bisherige phylogenetische Modelle zur Diversifizierung haben jedoch oft folgende Einschränkungen:

• Sie lassen ein unbegrenztes Wachstum der Artenvielfalt zu, was der Gleichgewichtstheorie der Inselbiogeografie widerspricht.
• Bestehende diversitätsabhängige Modelle (z. B. DAISIE oder modifizierte MuSSE-Modelle) sind oft deterministisch, verwenden die Inselgröße als Proxy für Konkurrenz statt der tatsächlichen Artenzahl oder beschränken sich auf einfache Mainland-Insel-Systeme.
• Sie können oft nicht unterscheiden, ob Diversität unterschiedliche Auswirkungen auf Speziation, Extinktion und Dispersal hat, da sie meist von einem einzigen gemeinsamen Tragfähigkeitsparameter ausgehen.
• Für komplexe, diversitätsabhängige biogeografische Modelle sind analytische Likelihood-Funktionen oft nicht ableitbar, was herkömmliche statistische Inferenzmethoden (Maximum Likelihood, Bayes) unmöglich macht.

2. Methodik

Die Autoren stellen ein neues, vollständig generatives, ereignisbasiertes phylogenetisches Diversifizierungsmodell vor, das DDGeoSSE (Diversity-Dependent GeoSSE) genannt wird.

A. Das DDGeoSSE-Modell:

• Erweiterung von GeoSSE: Das Modell erweitert das GeoSSE-Framework (Goldberg et al., 2011), indem es lokale Artenzahlen in jeder Region explizit berücksichtigt.
• Logarithmische Abhängigkeit: Die Raten für Extinktion, innerhalb-Region-Speziation, Dispersal und zwischen-Region-Speziation werden durch einen Basisparameter ($\rho$) und einen diversitätsabhängigen Faktor ($m^D$) bestimmt.
• Mathematische Formulierung: Der Faktor $m^D$ hängt vom natürlichen Logarithmus der Anzahl der koexistierenden Arten ($n_i(t)$) ab: $Rate = \rho \times (\log(n_i(t)) + 1)^{p^D}$.
  • Ein negativer Exponent ($p^D < 0$) führt zu einer Verringerung der Rate bei steigender Diversität (z. B. bei Speziation).
  • Ein positiver Exponent ($p^D > 0$) führt zu einer Erhöhung der Rate (z. B. bei Extinktion).
• Gleichgewichtsdichte: Das Modell definiert eine lokale Gleichgewichtsdichte ($n^*_i$) als emergente Eigenschaft des Prozesses, die sich aus dem Gleichgewicht zwischen Zufluss (Speziation, Dispersal) und Abfluss (Extinktion) ergibt, anstatt als festes Modell-Parameter.

B. Deep Learning für die Inferenz:
Da die Likelihood-Funktion für DDGeoSSE nicht analytisch lösbar ist, verwenden die Autoren einen likelihood-freien Inferenzansatz mittels Deep Learning:

• Software: Nutzung der Pipeline phyddle (Landis & Thompson, 2025).
• Trainingsdaten: Simulation von 50.000 phylogenetischen Bäumen pro Submodell (insgesamt 8 Submodelle mit verschiedenen Kombinationen von diversitätsabhängigen Effekten auf Speziation, Extinktion und Dispersal).
• Neuronale Netze:
  • Parameterschätzung: CNNs (Convolutional Neural Networks) werden trainiert, um die Basisraten ($\rho$) und die Diversitätseffekt-Parameter ($w^D, e^D, d^D$) aus den simulierten Bäumen und den Zuständen der Endknoten (Tip States) vorherzusagen.
  • Modellauswahl: Separate Netze werden trainiert, um zu klassifizieren, welche Prozesse diversitätsabhängig sind (d. h. ob die Parameter ungleich Null sind).
• Validierung: Die Genauigkeit wird durch Konformalisierte Vorhersageintervalle (CPI) und Vergleich mit simulierten Testdaten bewertet.

3. Wichtige Beiträge

1. Neues Modell (DDGeoSSE): Erstmalige Einführung eines allgemeinen Geburts-Tod-Modells, das historische Biogeografie, Zustandsabhängigkeit und lokale Artenzahlen in einem flexiblen Rahmen kombiniert, ohne Mainland-Regionen vorzugeben.
2. Theoretische Herleitung: Mathematische Herleitung der lokalen Gleichgewichtsdichte ($n^*$) für verschiedene Szenarien (analytisch unter Annahmen, numerisch im allgemeinen Fall).
3. Deep Learning Pipeline: Demonstration der Anwendbarkeit von Deep Learning (phyddle) für komplexe biogeografische Modelle, bei denen traditionelle Likelihood-Methoden versagen.
4. Statistische Eigenschaften: Analyse der Auswirkungen diversitätsabhängiger Prozesse auf Baumstatistiken (z. B. Baumungleichgewicht $\beta$, $\gamma$-Statistik für Verzweigungszeiten, mittlere Reichweiten).

4. Ergebnisse

Simulationsergebnisse:

• Baumstatistiken: Starke diversitätsabhängige Effekte führen zu charakteristischen Mustern:
  • Speziation: Erhöhtes Baumungleichgewicht ($\beta$), negative $\gamma$-Werte (Verzweigungen nahe der Wurzel), größere mittlere Reichweiten.
  • Extinktion: Erhöhtes Ungleichgewicht, positive $\gamma$-Werte (hohe Turnover-Raten, Verzweigungen nahe der Gegenwart), geringere Artenzahlen.
  • Dispersal: Weniger Einfluss auf die Baumtopologie, aber starke Auswirkungen auf Reichweiten und Artenzahlen.
• Inferenzgenauigkeit: Die neuronalen Netze können die Basisparameter präzise schätzen. Die Schätzung der Diversitätseffekt-Parameter ist weniger präzise, insbesondere für Extinktion ($e^D$), was jedoch mit bekannten Schwierigkeiten bei der Schätzung von Extinktionsraten in phylogenetischen Modellen übereinstimmt. Die Modellauswahl (Erkennung, ob ein Effekt existiert) erreicht eine hohe Genauigkeit (ca. 73–87 %).

Empirische Anwendung:
Die Modelle wurden auf zwei reale Datensätze angewendet:

1. Caribbean Anolis-Eidechsen (158 Arten):
   • Das beste Modell (Submodell 7) zeigt starke Unterstützung für diversitätsabhängige Effekte auf Speziation (negativ), Extinktion (positiv) und Dispersal (negativ).
   • Dies bestätigt die Hypothese, dass lokale Artenvielfalt die Artbildung und Einwanderung hemmt und das Aussterben fördert.
2. Oreinotinus-Klade von Viburnum-Pflanzen (38 Arten):
   • Das beste Modell (Submodell 6) zeigt starke Unterstützung für diversitätsabhängige Speziation (negativ) und moderate Unterstützung für Dispersal (negativ).
   • Es gibt keine klare Unterstützung für diversitätsabhängige Extinktion.
   • Die Ergebnisse deuten auf eine Sättigung der Nischen hin, die das weitere Artenwachstum in etablierten Regionen begrenzt.

5. Bedeutung und Fazit

Das Paper stellt einen bedeutenden Fortschritt in der phylogenetischen Biogeografie dar.

• Flexibilität: DDGeoSSE ermöglicht die Testung komplexer Hypothesen über die Wechselwirkung zwischen lokaler Artenvielfalt und Evolutionsraten, die mit bisherigen Modellen nicht möglich waren.
• Methodischer Durchbruch: Die erfolgreiche Anwendung von Deep Learning (phyddle) zeigt, dass auch für Modelle ohne analytische Likelihood-Funktion robuste Inferenzmethoden entwickelt werden können.
• Ökologische Einsichten: Die Anwendung auf Anolis und Viburnum liefert empirische Belege dafür, dass lokale Konkurrenz und Nischensättigung (Carrying Capacity) entscheidende Faktoren für die Diversifizierungsdynamik in realen Systemen sind.

Zusammenfassend bietet das DDGeoSSE-Modell in Kombination mit Deep Learning ein leistungsfähiges Werkzeug, um die zugrunde liegenden Mechanismen der räumlichen Verteilung und Entstehung von Biodiversität über lange Zeiträume zu entschlüsseln.