COLUMBUS, Ohio – Al aprovechar el poder del aprendizaje automático, los investigadores han construido un marco para analizar qué factores contribuyen de manera más significativa a la diversidad genética de una especie.
El estudio, publicado recientemente en la revista Molecular Phylogenetics and Evolution, sugiere que la variación genética de dos especies, la rana sibilator brasileña y el sapo granular, ambos anfibios nativos del noreste de Brasil, fueron moldeados por diferentes procesos.
Los resultados mostraron que la variación genética en la rana sibilator estuvo moldeada principalmente por eventos demográficos de la población en respuesta a los cambios de hábitat que ocurrieron en los últimos 100 000 años. En contraste, la diversidad genética en el sapo granular fue moldeada principalmente por factores contemporáneos del paisaje: los sapos que están relativamente más aislados, ya sea por distancia geográfica o por un hábitat inhóspito, tenían más probabilidades de ser genéticamente diferentes.
Si bien las investigaciones previas han explorado los efectos de los factores demográficos históricos y del paisaje en la diversidad genética de estos anfibios, se realizaron con conjuntos de datos separados para estos factores, lo que dificulta discernir cuál 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 por igual, en lugar de hacer suposiciones manuales sobre cuál puede haber sido más vital.
“Antes de este trabajo, teníamos que hacer preguntas de forma independiente porque no se podía investigar ambas influencias en el mismo marco”, dijo Bryan Carstens, coautor del estudio y profesor de evolución, ecología y biología organismal en la Universidad Estatal de Ohio. “Lo que la IA nos permite hacer es simular procesos que están sucediendo tanto ecológica como en la actualidad durante los eventos evolutivos del tiempo profundo y comparar esos hallazgos con los datos reales que recopilamos de estas ranas”.
Debido a la gran cantidad de datos que han estado disponibles para los genetistas y otros biólogos de vida silvestre en las últimas décadas, puede ser un desafío para los investigadores identificar factores específicos que pueden ser importantes en ciertos experimentos, dijo Carstens. Pero al integrar grandes franjas de información en simulaciones que pueden tener en cuenta esos elementos en un solo análisis, es posible obtener una crónica mucho más completa del desarrollo de una especie.
“Se necesita mucho tiempo para construir y entrenar nuestros modelos de IA, pero queríamos uno que pudiera capturar el rango de variación potencial en las historias de las especies de una manera que fuera lo más fiel posible a lo que sabíamos sobre la biología del sistema”, dijo Carstens.
Por ejemplo, si bien las especies que investiga este estudio viven en la misma región, existen muchas diferencias en sus historias naturales. A pesar de que sus huevos y larvas son completamente acuáticas, la rana sibilator se reproduce continuamente durante toda la estación húmeda y en cámaras subterráneas, mientras que los eventos reproductivos del sapo granular ocurren explosivamente porque dependen de fuertes lluvias.
Combinado con su enfoque de aprendizaje automático, la simulación de los investigadores determinó que sus escenarios de modelo fueron 100% compatibles con respecto a las explicaciones históricas para la expansión de la rana sibilator, y más del 99% compatibles para las del sapo granular.
Una de las razones por las que su modelo es tan preciso se debe a su capacidad para tener en cuenta los eventos demográficos recientes, incluida la medición de cómo eventos como el desarrollo humano o el cambio de hábitat pueden haber afectado la diversidad genética animal durante un largo período de tiempo.
Pero incluso al usar IA, los investigadores deben tener cuidado de evitar patrones engañosos en sus resultados, dijo Carstens.
“Ningún análisis que hagamos va a capturar cada factor que ha sido importante para estas especies durante millones de años”, dijo. “Entonces, tenemos que permitir una gama de posibilidades sin hacerla tan amplia que esencialmente cualquier modelo podría encajar en los datos”.
Dicho esto, a medida que los avances tecnológicos permiten a los investigadores responder preguntas ecológicas de nicho y probar nuevas hipótesis, su trabajo es un precursor de la creación de un marco actualizado de aprendizaje automático que podría aplicarse a investigaciones únicas de otras especies, dijo Carstens.
“Es probable que continuemos usando diferentes combinaciones de estas herramientas de IA de diferentes maneras para tratar de comprender la historia evolutiva”, dijo Carstens. “Y a medida que sigamos aprendiendo, las herramientas que usamos cambiarán y evolucionarán para ser aún mejores”.
Emanuel M. Fonseca, quien obtuvo su doctorado de Ohio State en 2022, fue coautor. El estudio fue apoyado por el Ohio Supercomputer Center, la National Science Foundation de EE. UU. y la Coordenação de Aperfeiçoamento de Pessoal de Nível Superior en Brasil.
#
Contacto: Bryan Carstens, Carstens.12@osu.edu
Escrito por: Tatyana Woodall, Woodall.52@osu.edu
Revista
Molecular Phylogenetics and Evolution
Método de investigación
Estudio de caso
Asunto de investigación
Animales
Título del artículo
La inteligencia artificial permite un análisis unificado de las influencias históricas y del paisaje en la diversidad genética
Fecha de publicación del artículo
12-Jun-2024