深度学习首次验证进化数学模型：趋同演化增加生物多样性

导语

8月Science Advances的一篇研究文章，用深度学习验证了一个进化模型（蝴蝶翅膀的趋同演化，是最古老的自然选择模型之一），有了人工智能的帮助，我们可以量化生物的多样性，这意味着我们对自然的研究又多了一条新道路。

缤纷袖蝶飞无数 慧眼AI识拟态

拟态，是生物演化过程中的一种现象。指一个生物为了捕食或者避免被捕食等目的，演化出另一个物种的性状，从而迷惑猎物、迷惑捕食者。

单就避免被捕食的防御性拟态而言，我们可以用这样的例子来理解：

小明吃过几次杏鲍菇觉得很不好吃（甚至中毒了）。以后，小明可能总结出经验拒绝所有类似的食物。比如，其实很好吃的金针菇。（当然，我们知道这两种食物区别挺大的，都是常见的食物、也不会中毒。更不存在拟态的现象。在这里仅用于举例说明。）也就是说，如果我们把这两种菇类作为一个整体来看待，因为其长相接近，捕食者（小明）会把这两种食物同等看待，一同拉入食谱黑名单，使得金针菇得到保护。这种拟态被称之为贝氏拟态（Batesian mimicry）。贝氏拟态中的两种生物的关系被视为是寄生关系。

但如果是，小明吃过几次杏鲍菇和金针菇后，觉得两个都不好吃（甚至中毒了）。以后，小明也会拒绝这两种食物。比如，我们假设，小明对某一种食物在吃了 5 次后，才会判断一种食物是不是能吃。对于长相接近的两种食物而言，只要两种食物一共被吃过 5 次，它们就一起被列入“黑名单”了。而不必分别“试吃”（吃 10 次）。从而降低了整体被捕食的风险——在我们给出的这个例子中是 5 次。这种拟态被称之为穆氏拟态（Müllerian mimicry）。

穆氏拟态指的是，两种难以食用的生物，互相模仿，从而实现互利，被认为是物种间的一种互利共生关系。这一现象最早由德国博物学家 Fritz Müller 在研究热带袖蝶（Heliconius）时发现。

类似的例子还有南美洲的箭毒蛙和马达加斯加的曼蛙。

行色各异的箭毒蛙，我们不需要分辨它们的差异，因为它们有一个共同的名字“别碰我”

穆氏拟态的一个重要意义就在于这是人类第一次用数学模型去揭示生物问题。而且，值得指出的是 Fritz Müller 提出以他命名的穆氏拟态，仅仅是在达尔文发表经典巨著《物种起源》的二十年之后。

尽管这一拟态假说有这样悠久的历史，但人们仍然对其存在质疑，其原因在于，并不是所有的拟态生物都同等地“难吃”（毒性一样）。不同的物种的毒素来源，作用原理，以及毒性强弱不完全等同。因此，在该领域中，科学家又提出了副贝氏拟态（Quasi-Batesian mimicry ) 以及超缪氏拟态（Super-Müllerian mimicry）来完善拟态理论。这两种新理论不同的之处就在于：副贝氏拟态发展自贝氏拟态，认为物种之间是寄生关系；而超缪氏拟态则和缪氏拟态一致，认为物种之间是互利共生关系。但这些理论都是对传统拟态理论的补充和发展。

由此我们可以发现，自然中的拟态形式多种多样。而且，在众多的蝴蝶中，找出演化上的相似性也绝非易事，单纯地依靠人力是一项不小的挑战。因此，人工智能科学家利用机器学习技术来辅助解决这一生物学问题。

翅膀上机器学习

19年8月来自剑桥大学，埃塞克斯大学，英国自然历史博物馆和东京工业大学的研究团队就利用机器学习技术来验证蝴蝶翅膀是否演化出了互利共生的翅膀图案。并在 Science Advances 上发表了题为 Deep learning on butterfly phenotypes tests evolution's oldest mathematical model 的论文。

论文题目：

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

论文地址：

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

该项研究的领导者，来自剑桥大学的 Jennifer Hoyal Cuthill 表示：“我们可以把人工智能应用于新的领域，从而做到那些原先做不到的事情。”

研究者期望在能在计算机实验中验证穆氏拟态：多个物种之间会呈现出彼此翅膀的图案么？以及能在多大的程度上模拟其他物种的翅膀图案？

“我们以前没有在演化系统中测试拟态行为，因为很难去量化两个蝴蝶的相似程度。”——Jennifer Hoyal Cuthill

定量差异

研究者利用了英国自然历史博物馆的 2400 张蝴蝶照片作为他们的训练数据集。

H. erato和H. melpomene两种袖蝶的采集位置，空心圆圈表示的是采集点，实心圆圈表示每个亚种的总体分布位置。图中的颜色和数字则表示不同的亚种。

利用这些图像来训练他们的模型——蝴蝶网络（ButterflyNet）。该模型能记录下蝴蝶翅膀图案模式的多种变体。ButterflyNet 所研究的对象就是前文提到过的经典穆氏拟态生物：袖蝶。袖蝶有超过三十种可供识别的模式。

ButterflyNet 是一个深度卷积神经网络。使用了 15 层的神经网络来完成图像的分类与空间嵌入工作。经过训练的 ButterflyNet 可以量化蝴蝶翅膀上的图案与颜色特征。并根据量化的特征判断出它们之间的相似性。在一个高纬度的特征空间中，相似的蝴蝶挨的越近，反之则越远。

袖蝶表现型差异的可视化分析（主成分分析后）

图A，每一种颜色都代表一个亚种。图B，表示的是对 H. erato 和 H. melpomene 这两个亚种的传统拟态结论（灰色点表示没有拟态现象）。图C，是通过深度学习得到的六个聚类。图D，展示的是每个亚种都具备的两大类性状有无橘黄色射线条纹 (有这个性状用橘黄色表示，反之则是灰色）。

研究者发现这些蝴蝶物种之间互相借鉴，这一点印证了 Müller 的拟态假说。证明这些蝴蝶之间存在协同进化。

协同演化的新发现

研究者 Hoyal Cuthill 提到了一点：“从直觉上来说，我们可能会觉得物种之间的相互模拟会导致，蝴蝶翅膀的图案模式减少，但是根据我们的观察，事实恰恰相反。这是演化论中的一个谜团。”

研究者的分析表明，协同演化，相互模仿可以增加蝴蝶翅膀图案的多样性。这也表明演化趋同现象可以创造新的性状模式特征并且增加物种多样性。通过现在的人工智能技术，研究者发现了一种新的机制。拟态可以带来新的性状。这跟我们的直觉相反。通过物种之间的互相模仿，交换彼此的特征能够产生出新的特征。

Hoyal Cuthill 表示，多亏有了人工智能的帮助，我们可以量化生物的多样性。并在此基础上作出新的科学成果。这意味着我们对自然的研究又多了一条新道路。

参考资料

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

作者：Leo

编辑：张爽