Aprovechando el poder del aprendizaje automático, los investigadores han creado un marco para analizar qué factores contribuyen más a la diversidad genética de una especie.
El estudio, publicado recientemente en la revista Filogenética molecular y evoluciónsugiere que la variación genética de dos especies, la rana sibiladora brasileña y el sapo granulado, ambos anfibios nativos del noreste de Brasil, se formaron por procesos diferentes.
Los resultados muestran que la variación genética en la rana sibiladora estuvo determinada en gran medida por eventos demográficos que ocurrieron en respuesta a cambios de hábitat durante los últimos 100.000 años. Por el contrario, la diversidad genética de los sapos granulados estuvo determinada en gran medida por factores del paisaje contemporáneo: los sapos que están relativamente más aislados, ya sea por la distancia geográfica o por su hábitat inhóspito, están genéticamente más aislados. Era más probable que fuera diferente.
Si bien estudios anteriores han explorado los efectos de factores demográficos y paisajísticos históricos en la diversidad genética de estos anfibios, se realizaron con datos separados para estos factores, lo que dificulta determinar cuál Sa era el más importante. Ahora, los investigadores involucrados en este artículo son los primeros en utilizar la inteligencia artificial para considerar cómo ambos procesos dan forma a la diversidad genética, en lugar de hacer suposiciones manuales al respecto, lo que puede ser más importante.
“Antes de este trabajo, teníamos que hacer preguntas de forma independiente porque no se podían investigar ambos efectos en el mismo marco”, dijo Brian Carstens, coautor del estudio y profesor de evolución, ecología y biología de organismos en la Universidad Estatal de Ohio. Educación Integral. “Lo que la IA nos permite hacer es simular los procesos que están sucediendo ecológicamente en el presente y durante eventos evolutivos profundos y comparar esos resultados con los datos reales recopilados de estas ranas”.
Debido a la gran cantidad de datos disponibles para los genetistas y otros biólogos de la vida silvestre durante las últimas décadas, puede resultar difícil para los investigadores identificar factores específicos que puedan ser importantes en ciertos experimentos, dijo Carstens. Pero integrando grandes cantidades de información en simulaciones que puedan dar cuenta de estos elementos en un solo análisis, es posible obtener una historia mucho más completa del desarrollo de una especie.
“Construir y entrenar nuestros modelos de IA lleva mucho tiempo, pero queríamos una IA que pudiera capturar el rango de variación posible en la historia de una especie de una manera que fuera tan fiel como lo que sabíamos sobre el organismo… del sistema. ”, dijo Carstens.
Por ejemplo, las especies investigadas en este estudio que viven en la misma región tienen muchas diferencias en sus historias naturales. A pesar de que tanto sus huevos como sus larvas son enteramente acuáticos, la rana cibuladora se reproduce continuamente durante la estación húmeda y en cámaras subterráneas, mientras que los eventos reproductivos del sapo granulado son explosivos porque dependen de las fuertes lluvias.
Combinadas con su enfoque de aprendizaje automático, las simulaciones de los investigadores determinaron que los escenarios de sus modelos eran 100% compatibles con las explicaciones históricas para la expansión de las ranas subiladoras, y más del 99% para las ranas granuladas.
Una de las razones por las que su modelo es tan preciso es su capacidad para dar cuenta de eventos demográficos recientes, incluida la medición de cómo eventos como el desarrollo humano o los cambios de hábitat han afectado la diversidad genética animal durante largos períodos de tiempo.
Pero incluso cuando utilizan la IA, los investigadores deben tener cuidado de evitar patrones engañosos en sus resultados, afirmó Carstens.
“Cualquier análisis que hagamos no captará todos los factores que han sido importantes para estas especies durante millones de años”, afirmó. “Así que tenemos que permitir una gama de posibilidades sin hacerla tan amplia que prácticamente cualquier modelo pueda ajustarse a los datos”.
Carstens dijo que, a medida que los avances tecnológicos permiten a los investigadores responder preguntas ecológicas específicas y probar nuevas hipótesis, su trabajo es un precursor para construir un marco de aprendizaje automático mejorado que se pueda aplicar a las características únicas de otras especies.
“Continuaremos utilizando diferentes combinaciones de estas herramientas de inteligencia artificial de diferentes maneras para intentar comprender la historia evolutiva”, dijo Carstens. “Y a medida que sigamos aprendiendo, las herramientas que utilizamos cambiarán y serán cada vez mejores”.
Emmanuel M. Fonseca, quien recibió su doctorado en el estado de Ohio en 2022, fue coautor. El estudio contó con el apoyo del Centro de Supercomputación de Ohio, la Fundación Nacional de Ciencias de EE. UU. y la Coordinación de Aparición de Pesual de Nivel Superior en Brasil.
