Observando antiguas conchas para extraer nuevos conocimientos

Ratio: 5 / 5

Inicio activadoInicio activadoInicio activadoInicio activadoInicio activado
 
Observando antiguas conchas para extraer nuevos conocimientos - 5.0 out of 5 based on 2 votes

conchas en 3D

Científicos utilizan la tecnología para examinar cuestiones relacionadas con el clima y la biodiversidad

Una concha de almeja puede ser un familiar hallazgo en la playa, pero sus intrincadas curvas y marcas cuentan una rica historia. Durante siglos, los biólogos han recopilado, dibujado, medido y comparado las conchas de las especies de bivalvos, buscando conocer cómo moldean la biodiversidad el medio ambiente y el comportamiento.

Ahora, científicos de la Universidad de Chicago están combinando imágenes en 3D de alta resolución con nuevos enfoques de aprendizaje profundo geométrico para revelar una versión más completa de la historia oculta en las conchas.

El profesor David Jablonski ha sido pionero en el estudio de la evolución y la dinámica de la extinción en la vida marina durante casi cuatro décadas. Pero en los últimos dos años su grupo de investigación se ha trasladado a la tercera dimensión, utilizando un escáner micro-CT del campus para crear imágenes en 3D de más de 3.000 conchas de almejas, ostras, mejillones, y otros miembros de la clase de bivalvos recopilados por científicos y museos de todo el mundo.

Financiada por una subvención del Centro de Datos y Computación de la UChicago, esta creciente base de datos permitirá a los científicos hacer preguntas más profundas sobre la biodiversidad, tanto entre especies como dentro de ellas, y cómo el cambio climático podría afectar la supervivencia, distribución y forma de los organismos con importancia ecológica, económica y dietética.

Pero darse cuenta del potencial de los nuevos datos requerirá novedosas y avanzadas técnicas para medir, analizar y comparar características de las conchas.

"El desafío a todo esto es cómo capturar esas morfologías cuantitativamente de una manera que nos permita decir algo concreto sobre la distribución de la forma en el tiempo y el espacio", dijo Jablonski, Profesor de Servicio Distinguido William R. Kenan Jr. en el Departamento de Ciencias Geofísicas. "Como pueden imaginar, es realmente difícil comparar estas conchas tridimensionales entre sí de una manera rigurosa".

Inyectando geometría en redes de aprendizaje profundo

Esa necesidad llevó a una asociación con Tingran Gao, Instructor William H. Kruskal en el Departamento de Estadísticas de la UChicago. El trabajo de investigación de Gao se centra en el aprendizaje y la comprensión de la geometría y la topología de los conjuntos de datos de alta dimensión, especialmente los que surgen de las ciencias sociales y naturales. Recientemente, Gao ha desarrollado marcos de aprendizaje geométricos para analizar exploraciones en 3D de superficies biológicas complejas, como huesos y dientes de primates. La base de datos de conchas proporcionó una oportunidad única para adaptar y expandir esa línea de trabajo en un nuevo contexto biológico, así como para ampliar los límites del aprendizaje profundo geométrico y desarrollar nuevos métodos para enfrentar los desafíos computacionales y estadísticos emergentes.

"Estas conchas tienen muchas características geométricas que no existen en los datos de forma de primates, que tienden a ser más suaves y relativamente más fáciles de manejar", dijo Gao. "Las conchas, a diferencia de los huesos o los dientes, no están cubiertas por tejidos blandos; en cambio, están directamente expuestas a ambientes externos y, por lo tanto, codifican información más ecológica. Sus superficies externas curvas suelen estar cubiertas de patrones geométricos y texturas característicos, que son objetos centrales de estudio en el análisis armónico aplicado y computacional".

El aprendizaje profundo, el enfoque de aprendizaje automático que utiliza algoritmos conocidos como redes neuronales, brinda varias ventajas para enfrentar estos desafíos. Como lo demuestran los recientes avances en la visión por computadora, el aprendizaje profundo sobresale en dar sentido a datos de alta dimensión y sofisticadas estructuras. En lugar de la práctica tradicional de elegir las características físicas de las conchas para medir y comparar, el aprendizaje profundo puede extraer matemáticamente las características más relevantes recogiendo una gran cantidad de información sobre las diferencias morfológicas y, más ampliamente, la naturaleza de la biodiversidad.

A partir de colecciones antiguas, nuevos conocimientos

El resultado final ideal será un modelo capacitado que permita a los investigadores interrogar los mecanismos invisibles que impulsan la biodiversidad, trazar el camino de la evolución a través del reanálisis de especímenes fósiles y hacer predicciones sobre el futuro de las especies de bivalvos, dijo Jablonski. Por ejemplo, los científicos pueden estudiar las compensaciones biológicas que hacen los bivalvos entre invertir en una concha más elaborada o más complicada o hacer crecer el tejido blando en su interior, y cómo ese equilibrio se ve afectado por diferentes entornos o modos de vida.

"Lo que queremos hacer es hacer preguntas acerca de cómo son giradas las protuberancias por los organismos a medida que enfrentan diferentes zonas climáticas o intensidades de depredación o, en realidad, cómo varía entre los linajes que son económicamente importantes en comparación con los que no lo son", dijo Jablonski. "Nunca ha sido accesible la asociación entre las texturas de la superficie y la ecología, porque nadie ha podido cuantificar realmente de forma rigurosa y reproducible la gran variedad de estructuras de superficie que existen".

Imágenes y datos de malla del proyecto, recopilados y analizados en colaboración con los investigadores postdoctorales Katie Collins y Stewart Edie, se compartirán a través de recursos abiertos como el repositorio digital MorphoSource, y las comunidades de aprendizaje profundo y morfometría se beneficiarán de los nuevos enfoques que unen estas disparidades de formas con la información geoespacial, dijo Gao.

Más allá de los bivalvos, estos enfoques tienen el potencial de extraer nuevos conocimientos de las especies en todo el Árbol de la Vida y aportar un nuevo valor científico a los especímenes archivados en los museos.

"¿Quién hubiera soñado que cuando se recolectó algo de esto en el siglo XIX para qué se usaría?", dijo Jablonski. "La tecnología siempre está creando nuevas formas de aprender cosas nuevas sobre colecciones de museos que se remontan a siglos. Esa es una de las alegrías de participar en este tipo de trabajo, sumergirse en esos archivos biológicos para tejer especies, ecología y formas".

Ya que estás aquí...

... tenemos un pequeño favor que pedirte. Más personas que nunca están leyendo Vista al Mar pero muchas menos lo están pagando. Y los ingresos por publicidad en los medios están cayendo rápidamente. Así que puedes ver por qué necesitamos pedir tu ayuda. El periodismo divulgador independiente de Vista al Mar toma mucho tiempo, dinero y trabajo duro para producir contenidos. Pero lo hacemos porque creemos que nuestra perspectiva es importante, y porque también podría ser tu perspectiva.

Si todo el que lee nuestros artículos, que le gustan, ayudase a pagar por ello, nuestro futuro sería mucho más seguro. Gracias.

Hacer una donación a Vista al Mar