Quantifying Avian Morphological Evolution through Deep Representation Learning

Stel je voor dat je probeert te begrijpen hoe een auto in de afgelopen 100 jaar is veranderd. Je zou de motor, de wielgrootte en de vorm van de motorkap kunnen meten met een liniaal. Dat is makkelijk omdat auto's gemaakt zijn van harde, stijve onderdelen. Maar wat als je wilt bestuderen hoe de veren van een vogel, zijn pluizige borst of de manier waarop hij zijn vleugels houdt, zijn veranderd? Je kunt geen liniaal leggen op de textuur van een veer of het kleurpatroon van een vogel zonder dat het beweegt of verandert. Lange tijd moesten wetenschappers die de evolutie bestudeerden vertrouwen op "landmarks" — specifieke punten op een skelet die ze met de hand konden meten. Het was also리고 een wolk in kaart brengen door alleen de randen ervan te meten. Deze methode was traag, vereiste dat een mens moest gokken waar de liniaal geplaatst moest worden, en miste volledig de zachte, veerkrachtige en kleurrijke delen van dieren die vaak het belangrijkst zijn voor overleving.

Stel je nu een nieuw soort detective voor die helemaal geen liniaal gebruikt. In plaats daarvan gebruikt het een superkrachtig brein genaamd "Deep Learning". Deze technologie is als een student die miljoenen foto's heeft bekeken en heeft geleerd om minuscule verschillen tussen dingen te herkennen zonder dat iemand hem vertelt waar hij op moet letten. Wetenschappers hebben dit gebruikt om gezichten of katten te herkennen, maar een nieuwe studie vraagt zich af: Kan dit digitale brein ook begrijpen hoe dieren evolueren? De grote vraag is of een computer naar een foto van een vogel kan kijken, de achtergrond kan negeren en zijn "lichaamsplan" kan begrijpen — zijn vorm, kleur en textuur — en die vervolgens kan gebruiken om te bepalen hoe verschillende soorten aan elkaar verwant zijn, zonder dat hij eerst de stamboom hoeft te kennen. Als dit werkt, zou het onze kijk op de geschiedenis van het leven op aarde kunnen revolutioneren, door een wazige, subjectieve gok te veranderen in een heldere, wiskundige kaart.

---

De Digitale Vogelkijker

In deze studie besloot een onderzoeker genaamd Jiao Sun een computer te leren de ultieme vogelkijker te zijn. In plaats van botten te meten, kreeg de computer een enorme bibliotheek van meer dan 4,8 miljoen foto's van vogels gevoerd, die meer dan 10.000 verschillende soorten vertegenwoordigen. Het doel was niet alleen om te zeggen: "Dat is een roodborstje," maar om de visuele essentie van elke enkele vogel te begrijpen.

De computer gebruikte een specifiek type kunstmatige intelligentie genaamd een Convolutional Neural Network (CNN), wat een soort digitaal oog is dat leert door naar patronen te kijken. De onderzoekers trainden dit oog om elke vogelsoort in de bibliotheek te herkennen. Zodra de computer "slim" genoeg was om een mus van een havik te onderscheiden, keken de onderzoekers niet alleen naar het uiteindelijke antwoord. In plaats daarvan keken ze in het brein van de computer om de "feature vectors" te zien — de complexe, hoogdimensionale getallen die de computer creëerde om elke vogel te beschrijven. Denk aan deze getallen als een unieke, onzichtbare vingerafdruk voor de vorm, kleur en textuur van elke vogel.

Het In kaart brengen van het Onzichtbare Woud

Hier komt de magie kijken: de onderzoekers namen deze digitale vingerafdrukken en plaatsten ze op een gigantische, onzichtbare kaart. Ze vertelden de computer niet wat een "familie" of een "orde" van vogels was. Ze lieten de computer de vogels simpelweg sorteren op basis van hoe vergelijkbaar hun digitale vingerafdrukken waren.

Het resultaat was verbazingwekkend. Ondanks dat de computer nooit was onderwezen in de vogeltaxonomie (de wetenschappelijke namen en stambomen van vogels), groepeerde hij de vogels van nature in families en ordenen die bijna perfect overeenkwamen met de echte wereld. Het was alsof de computer naar een foto van een pinguïn en een foto van een albatros keek en besefte: "Hé, deze twee lijken volgens mij meer op elkaar dan zij op een eend," en ze samen sorteerde.

De studie vond dat deze digitale kaart dingen kon vastleggen die traditionele linialen niet konden. Het slaagde erin om vogels te groeperen die op elkaar lijken omdat ze een vergelijkbaar leven leiden, zelfs als ze niet nauw aan elkaar verwant zijn. Het groepeerde bijvoorbeeld nachtactieve vogels zoals uilen en nachtzwaluwen samen, omdat ze beide grote ogen en gecamoufleerde veren hebben voor de jacht in de nacht. Het groepeerde ook vogels die lijken op kippen of kwails, zelfs als ze uit verschillende families komen, omdat ze allemaal diezelfde "grondbewonende" lichaamsvorm hebben. De computer had ontdekt dat evolutie vaak leidt tot dieren die er hetzelfde uitzien als ze voor dezelfde uitdagingen staan — een concept genaamd convergente evolutie.

De "Vroege Explosie" van Vogeldiversiteit

De onderzoekers gebruikten deze nieuwe kaart vervolgens om terug in de tijd te kijken. Ze wilden zien hoe vogelvormen veranderden na de enorme uitstervingsgebeurtenis die de dinosaurussen doodde (de K-Pg-massa-extinctie, ongeveer 66 miljoen jaar geleden).

Met een speciale wiskundige truc, waarbij ze hun kaart behandelen als een gekromd oppervlak (een bol) in plaats van een plat vlak, simuleerden ze hoe vogelvormen zich zouden hebben ontwikkeld. Ze vonden een duidelijk patroon van een "vroege explosie" (early-burst). Dit betekent dat vogels, direct nadat de dinosaurussen verdwenen en veel lege ruimte achterlieten in de wereld, niet simpelweg langzaam veranderden. Ze explodeerden zeer snel in nieuwe vormen en maten.

De gegevens suggereren dat vogels in een relatief korte geologische periode ongeveer 50% van de "vormruimte" die ze vandaag de dag bezetten, hebben opgevuld. Het is alsof een kamer leeg was, en plotseling stormde een enorme menigte mensen naar binnen, die elke hoek vulde met verschillende outfits en stijlen, waarna de kamer over de volgende paar miljoen jaar slechts langzaam nog wat meer mensen kreeg. Dit ondersteunt het idee dat wanneer de natuur het bord leegveegt, het leven snel binnenstroomt om de lege niches met extreme diversiteit te vullen.

Waarom dit ertoe doet

Deze studie is belangrijk omdat het bewijst dat we niet langer expert hoeven te zijn in anatomie om evolutie te meten. We kunnen gewoon foto's gebruiken. De computer leerde het "lichaamsplan" van een vogel te zien — de algemene vorm en structuur — in plaats van alleen afgeleid te worden door de textuur van de veren. Dit is een verschuiving ten opzichte van de oude manier van denken, die ervan uitging dat computers alleen om texturen gaven.

De onderzoekers toonden aan dat deze methode ongelooflijk krachtig is. Het kan zachte, wiebelige en kleurrijke kenmerken aan kunnen die onmogelijk met een liniaal te meten zijn. Het suggereert dat de geschiedenis van het leven geschreven staat in de pixels van een foto, en dat we met de juiste digitale tools die geschiedenis sneller en nauwkeuriger dan ooit kunnen lezen. Hoewel de kaart van de computer niet perfect is — hij groepeert soms vogels die op elkaar lijken maar niet verwant zijn, of mist sommige nieuw ontdekte soorten — biedt het een nieuwe, schaalbare manier om de schoonheid en complexiteit van biodiversiteit te kwantificeren. Het verandert de rommelige, subjectieve kunst van het beschrijven van dieren in een precieze, wiskundige wetenschap.