教学参考-39

来自cslt Wiki
2022年8月22日 (一) 08:34Cslt讨论 | 贡献的版本

(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)
跳转至: 导航搜索

教学目标

  • 了解生物拟态的基本概念,理解贝式拟态和穆式拟态的不同。
  • 理解基于蝴蝶形态验证穆式拟态理论的基本思路
  • 理解将蝴蝶映射到向量空间以判断物种相似性的基本原理
  • 引导学生讨论这种“物种嵌入”方法的通用性


教学内容

生物拟态

  • 物种在进化过程中,会模仿其它生物,以增加自身的生存优势。例如,捕猎者会把自己伪装成和周围环境类似的样子,悄悄接近猎物;被捕食者也会把自己伪装成一片树叶或一段树枝,让天敌难以发现;更有狡猾的捕猎者将自己变成香甜可口的样子,引诱受害者靠近。
  • 拟态现象在生物界很普遍,有纪录显示,昆虫、鱼类、两栖类到植物甚至是真菌都懂得使用拟态。


贝氏拟态与穆氏拟态

  • 贝氏拟态:1861年,英国生物学家亨利·沃尔特·贝兹发现,亚马逊河的粉蝶会模仿毒蝶属的颜色和花纹,保护自己免于被捕食。这种拟态称为贝氏拟态。显然,贝氏拟态只是某一方面的模仿。
  • 穆氏拟态: 1878年,德国自然学家Fritz Muller提出了另一种拟态理论,认为生活在同一个地区的某些物种会互相学习,从而实现更好的协同进化。这种协同进化的一个表现形式就是互相模仿,称为穆氏拟态。和贝氏拟态相比,穆氏拟态不是简单模仿,而是“真心”互相学习,共同进化。例如,毒蛇之间可以通过协同进化出相似的条纹,放大对捕猎者的警告信号,当捕猎者知道某一类蛇有毒以后,会放弃对具有相似条纹的其它毒蛇的捕猎。

ButterflyNet

  • 穆氏拟态理论是生物进化的重要证据,但要定量证明这一理论,需要对不同个体表出的“相似性”有明确度量。传统研究多是靠人眼观察条纹或斑点来判断个体是否相似,缺少定量依据。2019年8月,在《科学》杂志上发表了一篇论文,利用一个称为ButterflyNet的深度卷积神经网络对蝴蝶图片的相似性进行度量,从而发现了穆氏拟态的定量证据。
  • ButterflyNet是一个卷积神经网络,目的是把蝴蝶图片“嵌入”到一个向量空间,使得同一亚类蝴蝶的图片距离更近,不同亚类蝴蝶的图片距离更远。研究者选用两类蝴蝶,分别称为H.Erato(艺神袖蝶)和H.Melpomene(诗神袖蝶),共38个亚类,1234个标本,2468张照片。 他们用1500张照片训练ButterflyNet网络,训练时采用一种称为“对比损失函数”的目标函数,驱使同类蝴蝶的嵌入向量互相靠近。训练完成后,这一网络可以将任意一个蝴蝶的照片映射成嵌入向量,从而分析各种蝴蝶之间的相似性。


穆氏拟态证据

  • 如果利用邻接法将不同亚类的向量表示成一个树状结构,可以得到一个近邻关系图。
  • 通过该近邻关系图可以看到,同属于两个不同种类的蝴蝶,如果他们的亚类处在同一个拟态组里,则他们的相似性会比较高,甚至可能比同一种类的两个亚类相似性更高。这一结果清晰表明,生物学家通过观察得到的拟态组是合理的,同一拟态组的物种互相接近,从而证明了协同进化的存在。