Utiliser l’apprentissage automatique pour relier le climat, la phylogénie et la zone foliaire dans les eucalypts à travers une expansion de 50 fois des ensembles de données de traits des feuilles |

2024 Prix Harper Short-List: Pour les deux prochaines semaines, nous présentons les articles présélectionnés pour le 2024 Prix Harper. Le Prix ​​Harper est un prix annuel pour le meilleur article de recherche en début de carrière publié dans Journal of Ecology. Karin Guo’s ‘Utiliser l’apprentissage automatique pour lier le climat, la phylogénie et la zone foliaire dans les eucalypts à travers une expansion de 50 fois des ensembles de données de traits de feuilles‘est l’un de ceux présélectionnés pour le prix.

Sur moi:

Je suis Karina Guo (elle / elle), maintenant doctorat auprès du Centre de recherche pour la résilience écosystémique aux jardins botaniques de Sydney, en Australie, et à l’Université de Sydney, en Australie. Mon intérêt pour l’écologie a commencé dans la zoologie avec des rêves de travailler dans la science vétérinaire. Après avoir réalisé un amour pour les plantes, il a rapidement pivoté en botanique, puis inévitablement l’écologie des plantes. L’aspect écologie des plantes est resté et s’est étendu à la recherche de différentes façons d’appliquer des techniques pour en savoir plus. De l’apprentissage automatique dans ce projet de spécialisation sur la taille des feuilles sur les feuilles d’herbier à la génétique et à l’évolution dans mon projet de doctorat actuel, j’ai découvert que: 1. Chaque application apporte une nouvelle perspective et aide à révéler un morceau du plus grand puzzle écologique, 2. Maintenant que je travaille sur Myrtle Rust (Austropuccinia psidii), Mes recherches écologiques ont encore changé et changé, mais simultanément, mon histoire dans différents domaines s’est entrelacé, entrelacé et déplacé mes façons de penser.

https://www.botanicgardens.org.au/our-science/what-we-do/research-centre-ecosystem-résilience

À propos du journal:

Dans le papier présélectionné, j’ai utilisé l’apprentissage automatique pour extraire des traits de feuilles sur les genres d’eucalypt massifs. Traditionnellement, les traits foliaires, tels que la surface foliaire, sont mesurés à la main. Cela signifie que le volume des mesures prises peut être très limité par le financement et la main-d’œuvre disponible. L’apprentissage automatique a été utilisé pour contourner cela (Fig. 1). En associant le modèle d’apprentissage automatique avec des images d’herbier numérisées, j’ai pu étendre nos ensembles de données de traits de 50 fois! Cette couverture taxonomique et géographique résulte que nous manquons dans les ensembles de données existants qui ont été générés avec des méthodes traditionnelles (Fig. 2). De cela, j’ai pu interroger des questions qui étaient auparavant hors de portée.

Un aspect que j’ai trouvé surprenant était l’exploration dans l’évolution de la relation entre le trait et le climat. Notre ensemble de données élargi m’a donné la possibilité d’étudier cela plus en profondeur. Traditionnellement, le domaine de l’écologie des traits a eu tendance à aborder les investigations dans les relations de trait-climat au niveau des espèces ou à travers des groupes taxonomiques plus importants tels que les genres. Cela a révélé que au sein des espèces, les relations de climat de trait peuvent être nettement différentes des mêmes relations à travers diverses espèces! Avec les relations de certaines espèces à la tendance neutre à travers le climat ou même dans la direction opposée (Ackerly et al., 2002; an et al., 2021; McDonald et al., 2003; Westerband et al., 2021; Wilde et al., 2023, Fig. 3). Sachant cela, je voulais demander ce qui s’est passé entre ces deux groupes? Comment la tendance des espèces variables dans ce que nous voyons au niveau plus large – était-ce une corrélation linéaire ou peut-être une corrélation exponentielle? Dans mon article, je décris notre nouvelle méthode avait l’habitude de demander ceci et les résultats que nous avons déduits. En bref, nous avons vu un grand changement dans la pente moyenne du climat de trait lors du regroupement des espèces en utilisant l’ancêtre commun le plus récent (MRCA) au 8,5 MYA dans les profondeurs phylogénétiques de l’arbre d’eucalypte daté (Thornhill et al., 2019). Ici, la relation de climat de trait a perdu la majorité de sa variation et a plaqué dans ce que la relation de climat de trait observée dans les eucalyptes dans son ensemble (Fig. 3)!

La prochaine étape de ce domaine de recherche consiste à s’étendre à différents groupes taxonomiques avec différentes formes de feuilles. Mon modèle précédent était axé sur les eucalypts, avec des marges simples et entières. Pour englober différentes formes de feuilles, le modèle devra être recyclé pour assurer la précision de la reconnaissance et de la mesure des feuilles de différentes caractéristiques. Par exemple, la présence de feuilles lobées et dentelées dans des taxons tels que Quercus Sp. et Véronique sp., et les feuilles composées de Acacia Sp. qui nécessitera la reconnaissance d’une «feuille» et de «folioles»

Une autre étape clé pour ce champ sera l’intégration responsable des résultats de l’apprentissage automatique atteint les traits dans les bases de données de traits. Il est important que les utilisateurs des bases de données sachent s’il existe potentiellement des différences dans les mesures de traits entre les modèles d’apprentissage automatique et les méthodes traditionnelles. Par exemple, dans mon article, le modèle récupère les données des traits de surface foliaire sur les feuilles juvéniles et ne limite pas les mesures aux feuilles entièrement élargies, qui est le protocole de physiologie des plantes standard. Cependant, il est très important que les données de traits d’apprentissage automatique soient facilement accessibles aux utilisateurs et soient intégrées dans ces ensembles de données. Mon article clairement comment l’ensemble de données beaucoup plus important généré par l’utilisation de l’apprentissage automatique peut ouvrir de nouvelles opportunités pour explorer des questions cachées par la rareté présente dans des ensembles de données traditionnellement mesurés.

La combinaison de ces deux étapes nous permettra d’étendre ce projet à d’autres taxons. Avec Herbaria à travers le monde en numérisant leurs feuilles d’herbier, cela se pose comme un trésor d’informations qui n’attendent que d’être découvert. Cela se résoudra en ensembles de données plus riches, à une échelle auparavant inimaginable. À partir de cela, nous pouvons réinterrompre les hypothèses fondamentales en écologie des traits et nous intégrer dans des logiciels de modélisation modernes, tels que l’amélioration de notre compréhension des liens entre les traits et la biogéochimie mondiale du carbone.

Cependant, il est important pour moi de noter que ce projet n’était pas une tâche facile. C’était indéniablement intimidant au début! L’apprentissage automatique était un nouveau domaine non seulement pour moi, mais aussi relativement nouveau en écologie. Cet article met en évidence l’une des premières applications analytiques de l’apprentissage automatique en écologie des traits avec des feuilles d’herbier! À partir de ce projet, j’ai appris beaucoup, notamment en apprenant à apprécier et à respecter les capacités et les limites de l’apprentissage automatique en science. Cela m’a encouragé à être créatif et à voir des applications potentielles dans tous les nouveaux travaux que je me suis lancée depuis.

Trouvez les autres chercheurs en début de carrière et leurs articles qui ont été présélectionnés pour le prix Harper 2024 ici!

Références

Ackerly, D., Knight, C., Weiss, S., Barton, K. et Starmer, K. (2002) Taille des feuilles, zone foliaire spécifique et distribution de microhabitat des plantes ligneuses chaparral: modèles contrastés dans les analyses au niveau des espèces et au niveau communautaire. Oécologie 130449–457. https://doi.org/10.1007/s004420100805

An, N., Lu, N., Fu, B., Wang, M. et He, N. (2021) Réponses distinctes des traits foliaires à l’environnement et à la phylogénie entre les espèces d’angiospermes herbacées et ligneuses en Chine. Devant. Plant Sci. 12799401. https://doi.org/10.3389/fpls.2021.799401

Falster, D., Gallagher, R., Wenk, EH, Wright, IJ, Indiarto, D., Andrew, Sc et al. (2021) Austraits, une base de données de traits de plantes organisée pour la flore australienne. SCI Data 8254. https://doi.org/10.1038/S41597-021-01006-6

McDonald, PG, Fonseca, CR, Overton, J.MCC. et Westoby, M. (2003) Divergence de la taille des feuilles le long des précipitations et des gradients du sol – nutriments: la méthode de réduction de la taille est-elle commune parmi les clades? Fonct. Ecol. 1750–57. https://doi.org/10.1046/j.1365-2435.2003.00698.x

Thornhill, AH, Crisp, MD, Külheim, C., Lam, Ke, Nelson, LA, Yeates, DK et Miller, JT (2019) Une perspective moléculaire datée de la taxonomie d’eucalypte, de l’évolution et de la diversification. Aust. Syst. Bot. 3229–48. https://doi.org/10.1071/sb18015

Westerband, AC, Funk, JL et Barton, KE, (2021) Variation des traits intraspécifiques des plantes: une focalisation renouvelée sur son rôle dans les processus écologiques. Ann. Bot. 127397–410. https://doi.org/10.1093/aob/mcab011

Wilde, BC, Bragg, JG et Cornwell, W. (2023) Analyse des relations de climat de trait à l’intérieur et entre les taxons en utilisant l’apprentissage automatique et les spécimens d’herbier. Suis. J. Bot. 110E16167. https://doi.org/10.1002/ajb2.16167

Wright, IJ, Dong, N., Maire, V., Prentice, IC, Westoby, M., Díaz, S., et al. (2017) Global Climatic Moteurs de la taille des feuilles. Science 357917–921. https://doi.org/10.1126/science.aal4760