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

Om de levende wereld te begrijpen, moeten wetenschappers eerst overeenstemming bereiken over waar ze naar kijken. Eeuwenlang betekende dit het sorteren van elk blad, elke kever en elke bloem in een benoemde soort, een taak die steunt op experts die subtiele verschillen in vorm en structuur kunnen herkennen. Dit systeem werkt goed wanneer exemplaren zeldzaam en goed bestudeerd zijn, maar het stort in wanneer men geconfronteerd wordt met de enorme hoeveelheid leven die in een enkele veldinventarisatie wordt gevonden, waarbij de meeste individuen niet tot een specifieke naam geïdentificeerd kunnen worden. Om hiermee om te gaan, hebben onderzoekers zich vaak gericht op moleculaire methoden, waarbij organismen door hun genetische codes in eenheden groeperen die als plaatsvervanger voor soorten dienen. Deze genetische benaderingen vereisen echter het verzamelen van weefselmonsters en het uitvoeren van complexe laboratoriumtests, wat niet altijd mogelijk is. Ondertussen heeft eenvoudige visuele identificatie moeite gehad omdat het meestal afhankelijk is van het al kennen van de soortnamen om de computer te trainen. De uitdaging blijft: hoe kunnen we de diversiteit van het leven organiseren en tellen met alleen de foto's die we maken, zonder een vooraf bestaande lijst met namen of een laboratorium vol apparatuur nodig te hebben?

Een nieuwe studie biedt een weg vooruit door computers te leren de wereld te zien zoals een naturalist dat doet, maar dan met een veel bredere reikwijdte. De onderzoekers ontwikkelden een systeem genaamd morphOTU, dat groepen organismen creëert op basis van hun fysieke verschijning. In plaats van de computer te vragen een lijst van bekende soorten uit het hoofd te leren, leert het systeem patronen te herkennen in de vormen, texturen en structuren van de organismen zelf. Het organiseert duizenden afbeeldingen in een continue ruimte waar op elkaar lijkende zaken bij elkaar klonteren, waardoor wat de auteurs operationele eenheden noemen, worden gevormd. Deze eenheden fungeren als een praktische laag voor het tellen van biodiversiteit, waardoor wetenschappers de variëteit van het leven in een gebied kunnen meten, zelfs wanneer zij niet de formele namen kennen van de wezens die zij bestuderen.

Het team testte deze aanpak op vijf verschillende datasets, variërend van afbeeldingen van bloemen en houtanatomie tot de lichamen van kevers. In elk geval groepeerde het systeem de afbeeldingen succesvol op een manier die overeenkwam met de structuur van echte soorten. Wanneer de onderzoekers de door de computer gegenereerde diversiteitstellingen vergeleken met die van menselijke experts, waren de getallen opmerkelijk dicht bij elkaar. Het systeem werkte zelfs toen het werd getraind zonder gelabelde soortnamen, en het bleef nauwkeurig zelfs toen de onderzoekers zeer weinig voorbeelden van specifieke dieren aanboden om van te leren. Dit suggereert dat de visuele patronen die de computer vond niet slechts willekeurige ruis waren, maar werkelijke reflecties van de biologische realiteit.

Om te zien hoe dit stand zou houden in een scenario uit de praktijk, pasten de onderzoekers de methode toe op een enorme veldinventarisatie met 4.717 insecten die 269 verschillende soorten vertegenwoordigen over 12 verschillende orden. In deze complexe mix werd het systeem verfijnd met behulp van afbeeldingen van slechts 28 veelvoorkomende soorten. Ondanks deze beperkte training waren de resulterende diversiteitschattingen bijna identiek aan die geproduceerd door menselijke experts met labels. De computer berekende een diversiteitsscore van 3,75, terwijl de experts 3,53 berekenden, een verschil dat zo klein is dat het aangeeft dat de machine effectief de ware variëteit van de gemeenschap had gevangen. Het systeem produceerde niet alleen een getal; het liet de onderzoekers ook precies zien waar de verschillen lagen. Het kon wijzen naar specifieke kenmerken, zoals de symmetrie van een bloem, de textuur van een keverschild of de rangschikking van vaten in een stuk hout, wat bewees dat de groepen die het vormde gebaseerd waren op biologisch betekenisvolle eigenschappen.

Dit werk demonstreert dat we een betrouwbaar kader kunnen bouwen voor het begrijpen van biodiversiteit direct vanuit de fysieke vormen van organismen, zonder te wachten tot er formele namen zijn toegewezen. Door het leven te organiseren in deze visuele groepen, verkrijgen wetenschappers een krachtig instrument om de rijkdom van ecosystemen in het veld te kwantificeren, naast traditionele methoden, of in situaties waarin soortnamen simpelweg niet beschikbaar zijn. De bevindingen tonen aan dat de visuele wereld genoeg informatie bevat om het leven in coherente eenheden te sorteren, wat een nieuwe manier biedt om de natuurlijke wereld te zien en te tellen vóór, naast, of bij afwezigheid van een formele soortnaam.