When AI encounters natural history: Morphological OTUs reshape our understanding of Earth's life

Um die lebende Welt zu verstehen, müssen Wissenschaftler zuerst vereinbaren, worauf sie eigentlich blicken. Seit Jahrhunderten bedeutet dies, jedes Blatt, jeden Käfer und jede Blume in eine benannte Art zu sortieren – eine Aufgabe, die auf Experten beruht, die subtile Unterschiede in Form und Struktur erkennen können. Dieses System funktioniert gut, wenn Exemplare selten und gut untersucht sind, bricht jedoch zusammen, wenn man mit dem schieren Volumen des Lebens konfrontiert wird, das in einer einzigen Felduntersuchung vorkommt, wo die meisten Individuen nicht bis zu einem spezifischen Namen identifiziert werden können. Um dies zu bewältigen, haben sich Forscher oft molekularen Methoden zugewandt, indem sie Organismen nach ihren genetischen Codes in Einheiten gruppieren, die stellvertretend für Arten stehen. Diese genetischen Ansätze erfordern jedoch das Sammeln von Gewebeproben und das Durchführen komplexer Labortests, was nicht immer möglich ist. Unterdessen hatte die einfache visuelle Identifizierung Schwierigkeiten, da sie in der Regel darauf angewiesen ist, die Artennamen bereits zu kennen, um den Computer zu trainieren. Die Herausforderung bleibt: Wie können wir die Vielfalt des Lebens allein anhand der Bilder organisieren und zählen, die wir machen, ohne eine bereits existierende Liste von Namen oder ein Labor voller Ausrüstung zu benötigen?

Eine neue Studie bietet einen Weg nach vorn, indem sie Computer lehrt, die Welt so zu sehen wie ein Naturforscher, jedoch mit einem viel breiteren Umfang. Die Forscher entwickelten ein System namens morphOTU, das Organismen ausschließlich basierend auf ihrem physischen Erscheinungsbild gruppiert. Anstatt den Computer zu bitten, eine Liste bekannter Arten auswendig zu lernen, lernt das System, Muster in den Formen, Texturen und Strukturen der Organismen selbst zu erkennen. Es organisiert tausende Bilder in einem kontinuierlichen Raum, in dem ähnliche Dinge zusammen clustern und so bilden, was die Autoren als operationale Einheiten bezeichnen. Diese Einheiten fungieren als eine praktische Ebene für die Zählung der Biodiversität und ermöglichen es Wissenschaftlern, die Vielfalt des Lebens in einem Gebiet zu messen, selbst wenn sie die formalen Namen der untersuchten Kreaturen nicht kennen.

Das Team testete diesen Ansatz an fünf verschiedenen Datensätzen, die von Bildern von Blumen und Holzanatomie bis hin zu den Körpern von Käfern reichten. In jedem Fall gruppierte das System die Bilder erfolgreich auf eine Weise, die der Struktur realer Arten entsprach. Als die Forscher die vom Computer generierten Diversitätszählungen mit denen menschlicher Experten verglichen, waren die Zahlen bemerkenswert nah beieander. Das System funktionierte selbst dann, wenn es ohne jegliche beschriftete Artennamen trainiert wurde, und blieb präzise, selbst wenn die Forscher nur sehr wenige Beispiele spezifischer Tiere zur Lernphase bereitstellten. Dies deutet darauf hin, dass die vom Computer gefundenen visuellen Muster nicht bloß zufälliges Rauschen waren, sondern echte Reflexionen biologischer Realität.

Um zu sehen, wie sich dies in einem realen Szenario bewähren würde, wandten die Forscher die Methode auf eine massive Felduntersuchung an, die 4.717 Insekten aus 269 verschiedenen Arten innerhalb von 12 unterschiedlichen Ordnungen enthielt. In diesem komplexen Mix wurde das System mithilfe von Bildern von nur 28 häufigen Arten fein abgestimmt. Trotz dieses begrenzten Trainings waren die resultierenden Diversitätsschätzungen nahezu identisch mit denen der Experten-Labels. Der Computer berechnete einen Diversitätswert von 3,75, während die Experten 3,53 berechneten – ein Unterschied, der so gering ist, dass er anzeigt, dass die Maschine die wahre Vielfalt der Gemeinschaft effektiv erfasst hat. Das System produzierte nicht nur eine Zahl; es zeigte den Forschern auch genau auf, wo die Unterschiede lagen. Es konnte auf spezifische Merkmale hinweisen, wie etwa die Symmetrie einer Blüte, die Textur eines Käferpanzers oder die Anordnung der Gefäße in einem Stück Holz, was bewies, dass die von ihm gebildeten Gruppen auf biologisch bedeutsamen Merkmalen basierten.

Diese Arbeit zeigt, dass wir einen zuverlässigen Rahmen aufbauen können, um die Biodiversität direkt aus den physischen Formen von Organismen zu verstehen, ohne auf die Zuweisung formaler Namen zu warten. Indem wir das Leben in diese visuellen Gruppen organisieren, gewinnen Wissenschaftler ein leistungsfähiges Werkzeug, um den Reichtum von Ökosystemen im Feld zu quantifizieren – sei es neben traditionellen Methoden oder in Situationen, in denen Artennamen schlichtweg nicht verfügbar sind. Die Ergebnisse zeigen, dass die visuelle Welt genug Informationen enthält, um das Leben in kohärente Einheiten zu sortieren, und bietet somit einen neuen Weg, die natürliche Welt zu sehen und zu zählen – vor, neben oder in Abwesenheit eines formalen Artennamens.