Des données pan-phénomiques basées sur l'apprentissage profond révèlent l'évolution explosive de la disparité visuelle chez les oiseaux
Image générée par Gemini AI
Une étude récente tire parti de l'apprentissage profond, en particulier d'un modèle ResNet34, pour analyser l'évolution morphologique des oiseaux en reconnaissant plus de 10 000 espèces. Elle montre que l'espace d'embedding de haute dimension du modèle capture la convergence phénotypique et la disparité morphologique associées à la richesse des espèces, soulignant cette richesse comme un facteur clé dans l'expansion du morphospace. Les schémas post-extinction K-Pg révèlent un "premier sursaut" de diversité. Fait notable, l'étude met également en avant la capacité du modèle à former des structures hiérarchiques dans un contexte d'entraînement à étiquettes plates, remettant en question les hypothèses sur la dépendance des CNN aux textures locales.
Le Deep Learning Révèle l'Évolution de la Disparité Visuelle des Oiseaux
Des recherches récentes utilisant des techniques de deep learning ont mis en lumière des informations significatives sur l'évolution de la morphologie aviaire, révélant une relation complexe entre la disparité morphologique et la richesse spécifique. En utilisant un modèle ResNet34 capable de reconnaître plus de 10 000 espèces d'oiseaux, les chercheurs ont fait progresser la compréhension de l'évolution visuelle des oiseaux.
Résultats Clés de l'Étude
- La disparité morphologique parmi les différents taxons d'oiseaux a été évaluée, révélant une forte association avec la richesse spécifique.
- La richesse spécifique est apparue comme le principal moteur de l'expansion du morphospace, influençant la diversité des formes aviaires.
- Une analyse de la disparité au fil du temps a indiqué un "éclat précoce" prononcé de la diversité visuelle suite à l'événement d'extinction du Crétacé-Paléogène (K-Pg).
Le modèle a montré l'émergence de structures sémantiques hiérarchiques reflétant la taxonomie biologique, suggérant que les modèles de deep learning peuvent capturer des relations complexes au sein des données biologiques. De plus, l'étude a démontré que le modèle pouvait apprendre efficacement des représentations de forme holistiques, remettant en question l'idée que les CNN dépendent principalement d'indices de texture pour la classification.
Sujets connexes :
📰 Source originale : https://arxiv.org/abs/2602.03824v1
Tous les droits et crédits appartiennent à l'éditeur original.