【为学故事】新型物种鉴定算法助力生物多样性保护

为鼓励研究生学术创新和产出高水平学术成果，培养拔尖创新人才，学校设立了“研究生高水平学术创新项目”。项目实施以来，在各院系通力配合和研究生导师精心指导下，多名研究生取得了优异成绩和创新性成果。为此，研究生院推出【为学故事】系列报道，介绍2021年度“研究生高水平学术创新项目”优秀研究生及其科研工作，以期在广大研究生之中，倡导严谨笃学、求实求新之精神，培育勤勉致知、善学进取之学风。

杨炳（生命科学学院 生态学 硕士研究生）

指导教师：张爱兵

科研感言：纸上得来终觉浅，绝知此事要躬行

《生物多样性公约》第十五次缔约方大会于2021年10月在我国昆明举办，大会主题为：“生态文明：共建地球生命共同体”，习近平主席也在大会上指出：“生物多样性使地球充满生机，也是人类生存和发展的基础。保护生物多样性有助于维护地球家园，促进人类可持续发展。”

生物多样性保护的第一步，应该是准确的物种鉴定。然而，作为现代分类学重要基础的经典林奈分类学，面临着趋同进化、表型可塑性的重要挑战。另一方面，新兴的DNA分类方法则由于基因渐渗、不完全谱系分选和基因水平转移现象而导致物种鉴定存在潜在谬误。有学者在2005年提出整合分类学，但在过去的16年间，鲜有相关的新算法报道，尤其是基于深度学习的整合新算法。在研究生高水平学术创新项目的支持下，我们构建了一种新的深度学习网络模型（Morphology-Molecule Network, MMNet），实现了形态学和分子数据的自动化整合，用于物种鉴定及界定。该方法对开展生态学和生物多样性等研究提供了便利，可以加速物种描述、鉴定和评估，从而更好地了解和保护地球上的生命。

图1：MMNet原理图

我们采用的主要方法是人工神经网络。它是一种模仿生物大脑中神经系统的模型，有较为强大的非线性处理能力，可以描述并刻画难以用传统数学表达式描述的复杂非线性关系。人工神经网络还具有自学习和自适应能力，可以根据训练数据，自行调整权重值，主动找出输入和输出之间的规律性。生物之间以及生物和无机环境之间是一个多重因素相互作用的非线性关系，因此，人工神经网络为解决生态学难题提供了一种新的解决方案。我们提出了基于深度学习算法的融合分子信息和形态学信息的物种鉴定方法，获得了更为准确的物种鉴定准确率。我们的研究成果在线发表于国际著名进化生物学期刊Systematic Biology，并被评选为2022年5月的封面文章。

随着大数据时代的到来，除图片和序列数据以外，视频、声音、三维点云数据、气候数据和生物传感器数据也在迅速积累。通过人工智能算法辅助分析多维生物学数据，整合分类学将能够更好、更全面得进行物种描述。我们将继续探索其它数据类型的特点，进一步优化模型算法，以我们的专业所长，助力生物多样性保护！