Deep learning on butterfly phenotypes tests evolution’s oldest mathematical model

蝴蝶 表型 计算机科学 生物 进化生物学 人工智能 生态学 遗传学 基因
作者
Jennifer F. Hoyal Cuthill,Nicholas Guttenberg,Sophie Ledger,Robyn Crowther,Blanca Huertas
出处
期刊:Science Advances [American Association for the Advancement of Science]
卷期号:5 (8) 被引量:32
标识
DOI:10.1126/sciadv.aaw4967
摘要

Traditional anatomical analyses captured only a fraction of real phenomic information. Here, we apply deep learning to quantify total phenotypic similarity across 2468 butterfly photographs, covering 38 subspecies from the polymorphic mimicry complex of $\textit{Heliconius erato}$ and $\textit{Heliconius melpomene}$. Euclidean phenotypic distances, calculated using a deep convolutional triplet network, demonstrate significant convergence between interspecies co-mimics. This quantitatively validates a key prediction of M\"ullerian mimicry theory, evolutionary biology's oldest mathematical model. Phenotypic neighbor-joining trees are significantly correlated with wing pattern gene phylogenies, demonstrating objective, phylogenetically informative phenome capture. Comparative analyses indicate frequency-dependent, mutual convergence with coevolutionary exchange of wing pattern features. Therefore, phenotypic analysis supports reciprocal coevolution, predicted by classical mimicry theory but since disputed, and reveals mutual convergence as an intrinsic generator for the surprising diversity of M\"ullerian mimicry. This demonstrates that deep learning can generate phenomic spatial embeddings which enable quantitative tests of evolutionary hypotheses previously only testable subjectively.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
专注的文龙应助Tsui采纳,获得40
刚刚
刚刚
一只狗东西完成签到 ,获得积分10
1秒前
tuzi完成签到,获得积分0
1秒前
JuliaWang完成签到 ,获得积分10
1秒前
害羞的书芹完成签到,获得积分10
2秒前
Andrew02完成签到,获得积分10
2秒前
wumingcaos发布了新的文献求助10
2秒前
DXDXJX完成签到,获得积分10
3秒前
xue完成签到 ,获得积分10
3秒前
Luna完成签到,获得积分10
4秒前
yangtaotao发布了新的文献求助10
4秒前
酷炫的大碗完成签到,获得积分10
4秒前
wanci应助hadern采纳,获得10
5秒前
无私兔子应助kiwi采纳,获得10
5秒前
07734完成签到,获得积分10
5秒前
nature完成签到,获得积分10
6秒前
ertredffg完成签到,获得积分10
7秒前
Layace完成签到 ,获得积分10
9秒前
Prime完成签到 ,获得积分10
10秒前
Improve完成签到,获得积分10
10秒前
忧虑的花卷完成签到,获得积分10
10秒前
一一完成签到,获得积分10
12秒前
Engen完成签到,获得积分10
12秒前
zhongbo完成签到,获得积分10
12秒前
14秒前
唐圜发布了新的文献求助200
14秒前
HHHH完成签到,获得积分10
14秒前
可可西里完成签到,获得积分10
16秒前
苏桑焉完成签到 ,获得积分10
16秒前
可爱的函函应助Luna采纳,获得10
17秒前
佳言2009完成签到,获得积分10
18秒前
云中子发布了新的文献求助10
18秒前
www完成签到,获得积分10
18秒前
量子星尘发布了新的文献求助10
19秒前
sheila完成签到,获得积分10
20秒前
weinaonao完成签到,获得积分10
21秒前
wumingcaos完成签到,获得积分10
21秒前
少川完成签到 ,获得积分10
21秒前
Celia完成签到,获得积分10
22秒前
高分求助中
Picture Books with Same-sex Parented Families: Unintentional Censorship 1000
A new approach to the extrapolation of accelerated life test data 1000
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3976768
求助须知:如何正确求助?哪些是违规求助? 3520874
关于积分的说明 11205018
捐赠科研通 3257788
什么是DOI,文献DOI怎么找? 1798842
邀请新用户注册赠送积分活动 877927
科研通“疑难数据库(出版商)”最低求助积分说明 806694