本文來自微信公眾號：集智俱樂部（ID：swarma_org），作者：Leo，頭圖來自：東方IC

8月Science Advances的一篇研究文章，用深度學習驗證了一個進化模型（蝴蝶翅膀的趨同演化，是最古老的自然選擇模型之一），有了人工智能的幫助，我們可以量化生物的多樣性，這意味著我們對自然的研究又多了一條新道路。

繽紛袖蝶飛無數 慧眼AI識擬態

擬態，是生物演化過程中的一種現象。指一個生物為了捕食或者避免被捕食等目的，演化出另一個物種的性狀，從而迷惑獵物、迷惑捕食者。

單就避免被捕食的防御性擬態而言，我們可以用這樣的例子來理解：

小明吃過幾次杏鮑菇覺得很不好吃（甚至中毒了）。以后，小明可能總結出經驗拒絕所有類似的食物。比如，其實很好吃的金針菇。（當然，我們知道這兩種食物區別挺大的，都是常見的食物、也不會中毒。更不存在擬態的現象。在這里僅用于舉例說明。）也就是說，如果我們把這兩種菇類作為一個整體來看待，因為其長相接近，捕食者（小明）會把這兩種食物同等看待，一同拉入食譜黑名單，使得金針菇得到保護。這種擬態被稱之為貝氏擬態（Batesian mimicry）。貝氏擬態中的兩種生物的關系被視為是寄生關系。

但如果是，小明吃過幾次杏鮑菇和金針菇后，覺得兩個都不好吃（甚至中毒了）。以后，小明也會拒絕這兩種食物。比如，我們假設，小明對某一種食物在吃了 5 次后，才會判斷一種食物是不是能吃。對于長相接近的兩種食物而言，只要兩種食物一共被吃過 5 次，它們就一起被列入“黑名單”了。而不必分別“試吃”（吃 10 次）。從而降低了整體被捕食的風險——在我們給出的這個例子中是 5 次。這種擬態被稱之為穆氏擬態（Müllerian mimicry）。

穆氏擬態指的是，兩種難以食用的生物，互相模仿，從而實現互利，被認為是物種間的一種互利共生關系。這一現象最早由德國博物學家 Fritz Müller 在研究熱帶袖蝶（Heliconius）時發現。

       （圖片來源：floridamuseum.ufl.edu）

袖蝶（Heliconius）是蛺蝶科釉蛺蝶亞科中的一個屬。廣泛分布在美洲的熱帶及亞熱帶地區。物種繁多，又會互相擬態，故此很多科學家都在研究該物種，以了解物種的形成及其多樣性。袖蝶也是穆氏擬態的代表生物。

類似的例子還有南美洲的箭毒蛙和馬達加斯加的曼蛙。

       行色各異的箭毒蛙，我們不需要分辨它們的差異，因為它們有一個共同的名字“別碰我”

穆氏擬態的一個重要意義就在于這是人類第一次用數學模型去揭示生物問題。而且，值得指出的是 Fritz Müller 提出以他命名的穆氏擬態，僅僅是在達爾文發表經典巨著《物種起源》的二十年之后。

盡管這一擬態假說有這樣悠久的歷史，但人們仍然對其存在質疑，其原因在于，并不是所有的擬態生物都同等地“難吃”（毒性一樣）。不同的物種的毒素來源，作用原理，以及毒性強弱不完全等同。因此，在該領域中，科學家又提出了副貝氏擬態（Quasi-Batesian mimicry ) 以及超繆氏擬態（Super-Müllerian mimicry）來完善擬態理論。這兩種新理論不同的之處就在于：副貝氏擬態發展自貝氏擬態，認為物種之間是寄生關系；而超繆氏擬態則和繆氏擬態一致，認為物種之間是互利共生關系。但這些理論都是對傳統擬態理論的補充和發展。

由此我們可以發現，自然中的擬態形式多種多樣。而且，在眾多的蝴蝶中，找出演化上的相似性也絕非易事，單純地依靠人力是一項不小的挑戰。因此，人工智能科學家利用機器學習技術來輔助解決這一生物學問題。

翅膀上機器學習

19年8月來自劍橋大學，埃塞克斯大學，英國自然歷史博物館和東京工業大學的研究團隊就利用機器學習技術來驗證蝴蝶翅膀是否演化出了互利共生的翅膀圖案。并在 Science Advances 上發表了題為 Deep learning on butterfly phenotypes tests evolution's oldest mathematical model 的論文。

論文題目：

Deep learning on butterfly phenotypes tests evolution's oldest mathematical model 

論文地址：

https://advances.sciencemag.org/content/5/8/eaaw4967

該項研究的領導者，來自劍橋大學的 Jennifer Hoyal Cuthill 表示：“我們可以把人工智能應用于新的領域，從而做到那些原先做不到的事情。”

研究者期望在能在計算機實驗中驗證穆氏擬態：多個物種之間會呈現出彼此翅膀的圖案么？以及能在多大的程度上模擬其他物種的翅膀圖案？

“我們以前沒有在演化系統中測試擬態行為，因為很難去量化兩個蝴蝶的相似程度。”——Jennifer Hoyal Cuthill

定量差異

研究者利用了英國自然歷史博物館的 2400 張蝴蝶照片作為他們的訓練數據集。

H. erato 和 H. melpomene 兩種袖蝶的采集位置，空心圓圈表示的是采集點，實心圓圈表示每個亞種的總體分布位置。圖中的顏色和數字則表示不同的亞種。

利用這些圖像來訓練他們的模型——蝴蝶網絡（ButterflyNet）。該模型能記錄下蝴蝶翅膀圖案模式的多種變體。ButterflyNet 所研究的對象就是前文提到過的經典穆氏擬態生物：袖蝶。袖蝶有超過三十種可供識別的模式。

ButterflyNet 是一個深度卷積神經網絡。使用了 15 層的神經網絡來完成圖像的分類與空間嵌入工作。經過訓練的 ButterflyNet 可以量化蝴蝶翅膀上的圖案與顏色特征。并根據量化的特征判斷出它們之間的相似性。在一個高緯度的特征空間中，相似的蝴蝶挨的越近，反之則越遠。

       袖蝶表現型差異的可視化分析（主成分分析后）

圖A，每一種顏色都代表一個亞種。圖B，表示的是對 H. erato 和 H. melpomene 這兩個亞種的傳統擬態結論（灰色點表示沒有擬態現象）。圖C，是通過深度學習得到的六個聚類。圖D，展示的是每個亞種都具備的兩大類性狀有無橘黃色射線條紋 (有這個性狀用橘黃色表示，反之則是灰色）。

研究者發現這些蝴蝶物種之間互相借鑒，這一點印證了 Müller 的擬態假說。證明這些蝴蝶之間存在協同進化。

協同演化的新發現

研究者 Hoyal Cuthill 提到了一點：“從直覺上來說，我們可能會覺得物種之間的相互模擬會導致，蝴蝶翅膀的圖案模式減少，但是根據我們的觀察，事實恰恰相反。這是演化論中的一個謎團。”

研究者的分析表明，協同演化，相互模仿可以增加蝴蝶翅膀圖案的多樣性。這也表明演化趨同現象可以創造新的性狀模式特征并且增加物種多樣性。通過現在的人工智能技術，研究者發現了一種新的機制。擬態可以帶來新的性狀。這跟我們的直覺相反。通過物種之間的互相模仿，交換彼此的特征能夠產生出新的特征。

Hoyal Cuthill 表示，多虧有了人工智能的幫助，我們可以量化生物的多樣性。并在此基礎上作出新的科學成果。這意味著我們對自然的研究又多了一條新道路。

參考資料

https://interestingengineering.com/butterflynet-ai-validates-the-first-mathematical-model-of-evolution

https://www.cam.ac.uk/research/news/ai-used-to-test-evolutions-oldest-mathematical-model

https://en.wikipedia.org/wiki/M%C3%BCllerian_mimicry

https://case.ntu.edu.tw/scisalon/biological/171208-1

https://global.mongabay.com/cn/rainforests/0306.htm

本文來自微信公眾號：集智俱樂部（ID：swarma_org），作者：Leo