超分辨率显微镜和机器学习为化石花粉颗粒提供了新的思路

伊利诺伊大学的植物生物学研究人员和加州大学欧文分校的计算机科学家通过超分辨率显微镜和机器学习的结合，开发了一种新的化石花粉鉴定方法。由Surangi Punyasena博士和Ingrid Romero女士(分别是植物生物学的副教授和研究生)领导的团队开发并训练了三个卷积神经网络模型，以识别来自未知豆科植物的化石花粉标本。

普尼亚塞纳说：“全球化石花粉记录是我们拥有的最丰富的陆地记录之一。” “这是保留过去4.7亿年环境和生态系统变化历史的记录。” 花粉记录对于了解植物物种如何在全球范围内进化和分布至关重要。通过重建不同的生态系统和物种随时间变化的方式，我们可以更好地了解当前的植物关系，并更好地为保护和缓解气候变化的努力提供依据。

但是，正确地测量和识别花粉粒的形态特征可能非常困难。Punyasena解释说：“许多古生物学记录没有与之相关的生物学鉴定。” “从更深的时间(过去十万年左右)中我们知道的许多类型都是我们对它们的身份没有确切认识的群体。对这些类型进行分类所需的工作实在太大了。 ”

诸如扫描电子显微镜和透射电子显微镜的传统方法会破坏样品，并且非常费时费力。相比之下，Airyscan是一种光学显微镜方法，可以看到低于光的衍射极限，并且可以用于从花粉粒的内部和外部无损收集横截面图像。罗梅罗说：“这种方法对数量不多的样品非常有用。” “您可以将谷物安装在幻灯片上并对其进行有效成像，而不会损坏样品。”

通过这种新方法，研究人员可以使用来自活植物的花粉来训练机器分类模型，然后确认其化石亲缘关系，并从每次鉴定中反复学习，以区分彼此非常相似的标本。这使该团队首次认识到较大的豆类化石花粉形态学类别中的属。训练有素的模型对西非和南美洲北部的化石标本进行了分类，这些标本可以追溯到古新世(66-56百万年前)，始新世(56-34百万年前)和中新世(23-530万年前)。最准确的模型使用了来自花粉粒外部和内部的图像组合，能够正确识别90.3%的样品。

这些结果表明，Airyscan显微镜和机器学习方法不仅有助于识别未知标本，而且还有助于限制植物群起源或灭绝的时间。通过深入了解花粉样品之间的关系和分布信息，研究人员可以更好地确定何时发生进化变化。

“我们在影像处理能力和计算机视觉算法的功能方面取得了巨大的进步。我们已经达到了这些算法可以以非常有效和智能的方式解释复杂图像的程度，从而为我们提供了可用的标识。这些模型的创新之处在于，可以在原始的现代分类单元上训练系统，然后使用该系统来识别未知的且经常在物理上扭曲的化石类型，” Punyasena说。“这种方法复制并扩展了人类分析师的能力。”