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

Per comprendere il mondo vivente, gli scienziati devono prima di tutto concordare su ciò che stanno osservando. Per secoli, ciò ha significato classificare ogni foglia, coleottero e fiore in una specie nominata, un compito che si affida a esperti capaci di riconoscere sottili differenze di forma e struttura. Questo sistema funziona bene quando i campioni sono rari e ben studiati, ma entra in crisi di fronte all'enorme volume di vita che si trova in un singolo rilievo sul campo, dove la maggior parte degli individui non può essere identificata con un nome specifico. Per far fronte a ciò, i ricercatori si sono spesso rivolti a metodi molecolari, raggruppando gli organismi in base ai loro codici genetici in unità che fungono da sostituti delle specie. Tuttavia, questi approcci genetici richiedono la raccolta di campioni di tessuto ed esecuzione di complessi test di laboratorio, il che non è sempre possibile. Nel frattempo, la semplice identificazione visiva ha faticato perché solitamente dipende dal conoscere già i nomi delle specie per addestrare il computer. La sfida rimane: come possiamo organizzare e contare la diversità della vita usando solo le immagini che scattiamo, senza bisogno di un elenco preesistente di nomi o di un laboratorio pieno di attrezzature?

Un nuovo studio offre una via d'uscione insegnando ai computer a vedere il mondo come fa un naturalista, ma con un ambito molto più ampio. I ricercatori hanno sviluppato un sistema chiamato morphOTU, che crea gruppi di organismi basandosi interamente sul loro aspetto fisico. Invece di chiedere al computer di memorizzare un elenco di specie note, il sistema impara a riconoscere schemi nelle forme, nelle texture e nelle strutture degli organismi stessi. Organizza migliaia di immagini in uno spazio continuo in cui le cose dall'aspetto simile si raggruppano, formando ciò che gli autori chiamano unità operazionali. Queste unità fungono da livello pratico per contare la biodiversità, permettendo agli scienziati di misurare la varietà della vita in un'area anche quando non conoscono i nomi formali delle creature che stanno studiando.

Il team ha testato questo approccio su cinque diversi set di dati, che spaziavano dalle immagini di fiori e anatomia del legno fino ai corpi dei coleotteri. In ogni caso, il sistema ha raggruppato con successo le immagini in un modo che corrispondeva alla struttura delle specie reali. Quando i ricercatori hanno confrontato i conteggi della diversità generati dal computer con quelli realizzati da esperti umani, i numeri erano sorprendentemente vicini. Il sistema ha funzionato anche quando è stato addestrato senza alcun nome di specie etichettato, e ha mantenuto l'accuratezza anche quando i ricercatori hanno fornito pochissimi esempi di animali specifici da apprendere. Ciò suggerisce che i modelli visivi trovati dal computer non erano solo rumore casuale, ma riflessi genuini della realtà biologica.

Per vedere come questo avrebbe retto in uno scenario reale, i ricercatori hanno applicato il metodo a un massiccio rilievo sul campo contenente 4.717 insetti rappresentanti 269 specie diverse appartenenti a 12 ordini distinti. In questo mix complesso, il sistema è stato perfezionato utilizzando immagini di solo 28 specie comuni. Nonostante questo addestramento limitato, le stime della diversità risultanti erano quasi identiche a quelle prodotte da etichette umane esperte. Il computer ha calcolato un punteggio di diversità di 3,75, mentre gli esperti hanno calcolato 3,53, una differenza così piccola da indicare che la macchina aveva effettivamente catturato la vera varietà della comunità. Il sistema non ha prodotto solo un numero; ha anche mostrato ai ricercatori esattamente dove risiedevano le differenze. Poteva indicare caratteristiche specifiche, come la simmetria di un fiore, la texture del guscio di un coleottero o la disposizione dei vasi in un pezzo di legno, dimostrando che i gruppi formati erano basati su tratti biologicamente significativi.

Questo lavoro dimostra che possiamo costruire un quadro affidabile per comprendere la biodiversità direttamente dalle forme fisiche degli organismi, senza attendere che vengano assegnati i nomi formali. Organizzando la vita in questi gruppi visivi, gli scienziati ottengono uno strumento potente per quantificare la ricchezza degli ecosistemi sul campo, insieme ai metodi tradizionali, o in situazioni in cui i nomi delle specie sono semplicemente non disponibili. Le scoperte mostrano che il mondo visivo contiene informazioni sufficienti per classificare la vita in unità coerenti, offrendo un nuovo modo di vedere e contare il mondo naturale prima, insieme o in assenza di un nome di specie formale.