.
Ao aproveitar o poder do aprendizado de máquina, os pesquisadores construíram uma estrutura para analisar quais fatores contribuem mais significativamente para a diversidade genética de uma espécie.
O estudo, publicado recentemente na revista Filogenética Molecular e Evoluçãosugere que a variação genética de duas espécies, o sapo sibilador brasileiro e o sapo granular, ambos anfíbios nativos do nordeste do Brasil, foi moldada por processos diferentes.
Os resultados mostraram que a variação genética no sapo sibilador foi moldada principalmente por eventos demográficos populacionais em resposta a mudanças de habitat que ocorreram nos últimos 100.000 anos. Em contraste, a diversidade genética no sapo granular foi moldada principalmente por fatores contemporâneos da paisagem — sapos que são relativamente mais isolados, seja pela distância geográfica ou habitat inóspito, tinham mais probabilidade de ser geneticamente diferentes.
Embora investigações anteriores tenham explorado os efeitos de fatores históricos demográficos e paisagísticos na diversidade genética desses anfíbios, elas foram conduzidas com conjuntos separados de dados para esses fatores, dificultando discernir qual era o mais importante. Agora, pesquisadores envolvidos com este artigo são os primeiros a usar inteligência artificial para considerar como ambos os processos moldam a diversidade genética igualmente, em vez de fazer suposições manuais sobre qual pode ter sido mais vital.
“Antes deste trabalho, tínhamos que fazer perguntas de forma independente porque não era possível investigar ambas as influências na mesma estrutura”, disse Bryan Carstens, coautor do estudo e professor de evolução, ecologia e biologia organismal na Ohio State University. “O que a IA nos permite fazer é simular processos que estão acontecendo ecologicamente no presente e durante eventos evolutivos de tempo profundo e comparar essas descobertas com os dados reais que coletamos desses sapos.”
Devido à grande quantidade de dados que se tornaram disponíveis para geneticistas e outros biólogos da vida selvagem nas últimas décadas, pode ser desafiador para pesquisadores identificar fatores específicos que podem ser importantes em certos experimentos, disse Carstens. Mas ao integrar grandes faixas de informações em simulações que podem contabilizar esses elementos em uma única análise, é possível obter uma crônica muito mais completa do desenvolvimento de uma espécie.
“Leva muito tempo para construir e treinar nossos modelos de IA, mas queríamos um que pudesse capturar a gama de variação potencial nas histórias das espécies de uma forma que fosse o mais fiel possível ao que sabíamos sobre a biologia do sistema”, disse Carstens.
Por exemplo, embora as espécies investigadas neste estudo habitem a mesma região, há muitas diferenças em suas histórias naturais. Apesar de seus ovos e larvas serem totalmente aquáticos, o sapo sibulador se reproduz continuamente durante a estação chuvosa e em câmaras subterrâneas, enquanto os eventos reprodutivos do sapo granular acontecem de forma explosiva porque eles dependem de chuvas pesadas.
Combinado com sua abordagem de aprendizado de máquina, a simulação dos pesquisadores determinou que seus cenários de modelo eram 100% suportados em relação às explicações históricas para a expansão do sapo sibilador, e mais de 99% suportados para aquelas do sapo granular.
Uma das razões pelas quais seu modelo é tão preciso é devido à sua capacidade de levar em conta eventos demográficos recentes, incluindo a medição de como eventos como o desenvolvimento humano ou mudanças de habitat podem ter afetado a diversidade genética animal ao longo de um longo período de tempo.
Mas mesmo ao usar IA, os pesquisadores precisam ter cuidado para evitar padrões enganosos em seus resultados, disse Carstens.
“Nenhuma análise que fizermos vai capturar cada fator que foi importante para essas espécies ao longo de milhões de anos”, ele disse. “Então temos que permitir uma gama de possibilidades sem torná-la tão ampla que essencialmente qualquer modelo seria capaz de ajustar os dados.”
Dito isso, à medida que os avanços tecnológicos permitem que os pesquisadores respondam a questões ecológicas específicas e testem novas hipóteses, seu trabalho é um precursor para a criação de uma estrutura de aprendizado de máquina atualizada que pode ser aplicada a investigações exclusivas de outras espécies, disse Carstens.
“É provável que continuemos usando diferentes combinações dessas ferramentas de IA de diferentes maneiras para tentar entender a história evolutiva”, disse Carstens. “E conforme continuamos aprendendo, as ferramentas que estamos usando mudarão e evoluirão para serem ainda melhores.”
Emanuel M. Fonseca, que obteve seu doutorado na Ohio State em 2022, foi coautor. O estudo foi apoiado pelo Ohio Supercomputer Center, pela US National Science Foundation e pela Coordenação de Aperfeiçoamento de Pessoal de Nível Superior no Brasil.
.
