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

Para comprender el mundo viviente, los científicos deben primero ponerse de acuerdo sobre qué es lo que están observando. Durante siglos, esto ha significado clasificar cada hoja, escarabajo y flor en una especie con nombre propio, una tarea que depende de expertos capaces de reconocer diferencias sutiles en la forma y la estructura. Este sistema funciona bien cuando los especímenes son raros y están bien estudiados, pero falla al enfrentarse al enorme volumen de vida que se encuentra en un solo muestreo de campo, donde la mayoría de los individuos no pueden ser identificados con un nombre específico. Para hacer frente a esto, los investigadores han recurrido a menudo a métodos moleculares, agrupando organismos por sus códigos genéticos en unidades que sirven como sustitutos de las especies. Sin embargo, estos enfoques genéticos requieren la recolección de muestras de tejido y la realización de complejas pruebas de laboratorio, lo cual no siempre es posible. Mientras tanto, la identificación visual simple ha tenido dificultades porque generalmente depende de conocer ya los nombres de las especies para entrenar a la computadora. El desafío persiste: ¿cómo podemos organizar y contar la diversidad de la vida utilizando únicamente las fotografías que tomamos, sin necesidad de una lista de nombres preexistente o de un laboratorio lleno de equipos?

Un nuevo estudio ofrece un camino a seguir al enseñar a las computadoras a ver el mundo de la misma manera que un naturalista, pero con un alcance mucho más amplio. Los investigadores desarrollaron un sistema llamado morphOTU, el cual crea grupos de organismos basándose enteramente en su apariencia física. En lugar de pedirle a la computadora que memorice una lista de especies conocidas, el sistema aprende a reconocer patrones en las formas, texturas y estructuras de los organismos mismos. Organiza miles de imágenes en un espacio continuo donde las cosas de apariencia similar se agrupan, formando lo que los autores llaman unidades operacionales. Estas unidades actúan como una capa práctica para contar la biodiversidad, permitiendo a los científicos medir la variedad de la vida en un área incluso cuando no conocen los nombres formales de las criaturas que están estudiando.

El equipo probó este enfoque en cinco conjuntos de datos diferentes, que van desde imágenes de flores y anatomía de la madera hasta cuerpos de escarabajos. En cada caso, el sistema agrupó con éxito las imágenes de una manera que coincidía con la estructura de las especies reales. Cuando los investigadores compararon los recuentos de diversidad generados por la computadora contra los realizados por expertos humanos, los números fueron notablemente cercanos. El sistema funcionó incluso cuando fue entrenado sin ningún nombre de especie etiquetado, y se mantuvo preciso incluso cuando los investigadores proporcionaron muy pocos ejemplos de animales específicos para aprender. Esto sugiere que los patrones visuales que la computadora encontró no eran solo ruido aleatorio, sino reflejos genuinos de la realidad biológica.

Para ver cómo resistiría esto en un escenario del mundo real, los investigadores aplicaron el método a un muestreo de campo masivo que contenía 4,717 insectos que representaban 269 especies diferentes a través de 12 órdenes distintos. En esta mezcla compleja, el sistema fue ajustado utilizando imágenes de solo 28 especies comunes. A pesar de este entrenamiento limitado, las estimaciones de diversidad resultantes fueron casi idénticas a las producidas por etiquetas de expertos humanos. La computadora calculó una puntuación de diversidad de 3.75, mientras que los expertos calcularon 3.53, una diferencia tan pequeña que indica que la máquina había capturado efectivamente la verdadera variedad de la comunidad. El sistema no solo produjo un número; también mostró a los investigadores exactamente dónde residían las diferencias. Pudo señalar características específicas, como la simetría de una flor, la textura del caparazón de un escarabajo o la disposición de los vasos en un trozo de madera, demostrando que los grupos que formó se basaban en rasgos biológicamente significativos.

Este trabajo demuestra que podemos construir un marco fiable para comprender la biodiversidad directamente a partir de las formas físicas de los organismos, sin esperar a que se les asignen nombres formales. Al organizar la vida en estos grupos visuales, los científicos obtienen una herramienta poderosa para cuantificar la riqueza de los ecosistemas en el campo, junto con los métodos tradicionales, o en situaciones donde los nombres de las especies simplemente no están disponibles. Los hallazgos muestran que el mundo visual contiene información suficiente para clasificar la vida en unidades coherentes, ofreciendo una nueva forma de ver y contar el mundo natural antes, junto con, o en ausencia de un nombre de especie formal.