超分辨率顯微鏡和機器學習為化石花粉顆粒提供了新的思路

伊利諾伊大學的植物生物學研究人員和加州大學歐文分校的計算機科學家通過超分辨率顯微鏡和機器學習的結合，開發了一種新的化石花粉鑒定方法。由Surangi Punyasena博士和Ingrid Romero女士(分別是植物生物學的副教授和研究生)領導的團隊開發并訓練了三個卷積神經網絡模型，以識別來自未知豆科植物的化石花粉標本。

普尼亞塞納說：“全球化石花粉記錄是我們擁有的最豐富的陸地記錄之一。” “這是保留過去4.7億年環境和生態系統變化歷史的記錄。” 花粉記錄對于了解植物物種如何在全球范圍內進化和分布至關重要。通過重建不同的生態系統和物種隨時間變化的方式，我們可以更好地了解當前的植物關系，并更好地為保護和緩解氣候變化的努力提供依據。

但是，正確地測量和識別花粉粒的形態特征可能非常困難。Punyasena解釋說：“許多古生物學記錄沒有與之相關的生物學鑒定。” “從更深的時間(過去十萬年左右)中我們知道的許多類型都是我們對它們的身份沒有確切認識的群體。對這些類型進行分類所需的工作實在太大了。 ”

諸如掃描電子顯微鏡和透射電子顯微鏡的傳統方法會破壞樣品，并且非常費時費力。相比之下，Airyscan是一種光學顯微鏡方法，可以看到低于光的衍射極限，并且可以用于從花粉粒的內部和外部無損收集橫截面圖像。羅梅羅說：“這種方法對數量不多的樣品非常有用。” “您可以將谷物安裝在幻燈片上并對其進行有效成像，而不會損壞樣品。”

通過這種新方法，研究人員可以使用來自活植物的花粉來訓練機器分類模型，然后確認其化石親緣關系，并從每次鑒定中反復學習，以區分彼此非常相似的標本。這使該團隊首次認識到較大的豆類化石花粉形態學類別中的屬。訓練有素的模型對西非和南美洲北部的化石標本進行了分類，這些標本可以追溯到古新世(66-56百萬年前)，始新世(56-34百萬年前)和中新世(23-530萬年前)。最準確的模型使用了來自花粉粒外部和內部的圖像組合，能夠正確識別90.3%的樣品。

這些結果表明，Airyscan顯微鏡和機器學習方法不僅有助于識別未知標本，而且還有助于限制植物群起源或滅絕的時間。通過深入了解花粉樣品之間的關系和分布信息，研究人員可以更好地確定何時發生進化變化。

“我們在影像處理能力和計算機視覺算法的功能方面取得了巨大的進步。我們已經達到了這些算法可以以非常有效和智能的方式解釋復雜圖像的程度，從而為我們提供了可用的標識。這些模型的創新之處在于，可以在原始的現代分類單元上訓練系統，然后使用該系統來識別未知的且經常在物理上扭曲的化石類型，” Punyasena說。“這種方法復制并擴展了人類分析師的能力。”