Учёные научили нейросеть различать «двойников» среди пресноводных рачков
Российские исследователи применили машинное обучение, чтобы отличить европейских и сахалинских рачков одного вида — и выяснили, что компьютер справляется с этой задачей почти так же хорошо, как опытный биолог.
Пресноводные ветвистоусые ракообразные (Cladocera), которых называют «водяными блохами» — важнейший объект экологического мониторинга. Применяемый для оценки состояния водоема. Но многие виды внешне почти неотличимы, а внутри одного вида особи могут сильно различаться морфологически в зависимости от места обитания, возраста и сезона. Такая изменчивость путает карты даже специалистам. Особенно сложная ситуация вокруг вида Bosmina (Bosmina) longirostris — типичного обитателя пресных вод Европы и Азии. Эти рачки размером меньше миллиметра имеют округлое тело и выводковую камеру, где самки вынашивают потомство. Форма тела зависит от возраста: молодые и взрослые особи выглядят по-разному.
Группа исследователей из нескольких российских научных центров решила проверить, можно ли доверить эту тонкую работу искусственному интеллекту. Учёные собрали коллекцию микрофотографий самок B. longirostris из 14 водоёмов: семи европейских (Швейцария, Бельгия, Германия и европейская часть России) и семи на Сахалине. Всего было 165 исходных снимков, которые затем увеличили до 1182 изображений с помощью контролируемых преобразований — поворотов, отражений и масштабирования, не искажающих форму тела. Каждую особь фотографировали под микроскопом в строго горизонтальном положении, головой в одну сторону. Изображения разделили на четыре класса: взрослые и молодые самки из Европы и с Сахалина. Для классификации использовали три нейросети разной сложности — ResNet-18, MobileNetV3 и ShuffleNetV2, предварительно обученные на наборе изображений ImageNet.
Точность распознавания составила 82–83% для всех трёх архитектур, а показатель ROC-AUC достиг 0,94–0,96. Более тяжёлая ResNet-18 не дала заметного преимущества перед лёгкими моделями — все показали сопоставимые результаты. Самое интересное обнаружилось при анализе ошибок. Нейросети чаще путали взрослых и молодых особей внутри одной географической группы — что биологически логично, ведь переход от юной стадии к взрослой происходит постепенно. А вот между европейскими и сахалинскими популяциями ошибок было значительно меньше. Это значит, что модель уловила реальные морфологические различия между группами.
«Наше исследование показало, что даже при ограниченной выборке нейросеть способна сформировать устойчивые представления о форме тела рачков. При этом речь не идёт о выделении новых видов. Мы использовали внутривидовую изменчивость как модель, чтобы проверить, может ли компьютер увидеть тонкие различия там, где человеческий глаз часто бессилен», – рассказал кандидат биологических наук Петр Гарибян, научный сотрудник ИПЭЭ РАН.
Параллельно учёные применили классический метод геометрической морфометрии — анализа формы по опорным точкам (landmarks). Благодаря использованию это метода удалось показать, что взрослые самки из Европы и с Сахалина действительно различаются, особенно по форме выводковой камеры и головы. Однако у метода есть ограничения: из-за округлой формы тела удалось разместить малое число точек, что снижает надёжность полученных результатов.
Нейросети не требуют размечать точки вручную — они учатся на самих изображениях. Но у них есть недостаток: «чёрный ящик» не объясняет, какие именно признаки он использует. Исследователи не могут точно сказать, на что смотрит модель. Это ограничивает применение метода в фундаментальной таксономии. Тем не менее практическая ценность работы очевидна. Быстрое автоматическое распознавание внутривидовых групп важно для экологического мониторинга: оно позволяет отслеживать появление инвазивных видов, оценивать состояние популяций и прогнозировать изменения в водных экосистемах. Метод может стать подспорьем для биологов, работающих с большими объёмами проб. Авторы подчёркивают, что нейросети не заменят специалистов-морфологов, а станут дополнительным инструментом.