编辑 | 萝卜皮
紫外线着色被认为是许多鸟类信号的一种重要形式，但目前缺乏关于紫外线羽毛着色的普遍性和促进其进化的因素的广泛见解。
谢菲尔德大学（The University of Sheffield）的研究人员开发了一种基于深度学习的图像分割管线，该管线大大优于传统经典分割方法，并使用它从超过 24,000 个博物馆标本的照片中提取有关全身羽毛颜色的准确信息，这些标本涵盖超过 4500 种雀形目鸟类。
研究结果表明，紫外线反射率，特别是作为其他颜色的组成部分，在雀形目辐射中广泛存在，但在系统发育上是高度保守的。研究人员还发现了明确的证据支持光环境在促进紫外线羽毛颜色的演变中的作用，以及在具有紫外线而不是对紫色敏感的视觉系统的鸟类中，紫外线羽毛反射率更高的弱趋势。
总体而言，该研究为鸟类颜色的一个神秘组成部分提供了重要的广泛见解，并证明深度学习在允许新数据用于解决生态和进化中长期存在的问题方面具有相当大的前景。
该研究以「Deep learning image segmentation reveals patterns of UV reflectance evolution in passerine birds」为题，于 2022 年 8 月 29 日发布在《Nature Communications》。
动物颜色的多样性是地球上生命最显著的特征之一。这种多样性是通过与信号（社会和性）、伪装和隐匿、体温调节和寄生虫防御等相关的选择压力产生的。着色在信号中的作用特别复杂，因为有效的视觉交流取决于信号强度和接收者的感知。预计选择将强烈支持使信号相对于信号环境中的背景噪声的信号感知最大化的适应。因此，从根本上说，视觉通信取决于接收器的视觉灵敏度和光环境。光环境本身由过滤的太阳辐射产生的可用光谱决定。例如，林地和森林树冠栖息地以富含蓝色和紫外线的环境光为主。
在鸟类中，视觉信号是一种主要的交流方式，尤其是昼行鸟类对颜色高度敏感。然而，并非所有鸟类都能平等地感知颜色。
鸟类的视觉系统可分为对紫光敏感（VS，锥峰灵敏度为 402–426 nm，角膜上 50% 的入射光透射到视网膜低至 ~358.4 nm）或者对紫外线敏感（UVS，355–380 nm 的锥峰灵敏度和角膜上 50% 的入射光透射到视网膜低至 ~323 nm）。UVS 锥体对 UV 波长具有更高的灵敏度，并增强了区分颜色的能力。虽然紫外线的吸收与深色皮肤色素沉着有关，以帮助光保护，但紫外线反射率被认为是许多鸟类的重要信号机制。
图示：雀形目鸟类紫外线着色的系统发育分布。（来源：论文）
尽管最近的研究加深了科学家对鸟类之间紫外线反射率分布和潜在相关性的理解，但是研究人员缺乏，对紫外线反射率的系统发育变异，以及视觉系统和光环境中种间变异的综合影响，如何与鸟类羽毛中紫外线的流行相关的，分类学上广泛而深入的理解。
谢菲尔德大学（The University of Sheffield）的一个研究团队专注于紫外线作为信号通道可能很重要的想法。这引起了一系列关于 (i) 紫外线反射率的生态学和 (ii) 紫外线反射率的性别和身体区域差异的预测。
具体来说，他们预测鸟类羽毛中的紫外线反射率在拥有 UVS 视觉系统的鸟类中较高，发生在太阳紫外线辐照度相对较高的地区，并且主要占据树木繁茂的栖息地。这些预测的动机是，期望具有成比例的高水平紫外线的环境光条件，应该有利于使用紫外线信号来实现显眼性。
虽然开放栖息地的总紫外线辐照度最高，但与其他波长相比，相对紫外线辐照度通常在林地和森林冠层栖息地最高，从而预测紫外线反射率可能是这些栖息地中一种有效的信号形式。太阳辐射以前与光保护有关的鸟类皮肤着色有牵连，这表明紫外线施加的选择强度存在地理差异。
研究人员表示，关于相对紫外线辐照度可以预测羽毛反射率的建议尚未在信号传递的背景下进行测试。许多研究已经讨论了具有 UVS 视觉敏感性的物种中更高的紫外线反射率的可能性，但在广泛的分类群中尚无定论的证据。
如果紫外线反射率是一个重要的信号通路，那么平均而言，雄性比雌性表现出更大程度的紫外线反射率。研究人员进一步预测，UV 反射率在腹部而非背部身体区域更为普遍。这是因为腹侧（即正面）身体区域通常被认为在性信号传导中比背部区域发挥更强的作用，尽管并不普遍。虽然一些特定的补丁，如臀部，可能会逆转这一趋势，但总体而言，研究人员预计腹侧区域的紫外线会更高。
测试这些预测需要跨物种的紫外线反射率数据，这些数据在视觉系统和光环境中都有变化。该团队对鸟类颜色的理解取得了重大进展，这些研究仅限于人类视觉光谱（即不包括紫外线），或者包括紫外线，但要么在系统发育上受到限制，要么具有稀疏的物种采样。
然而，捕捉变异来检验他们的假设需要应用在系统发育广泛和密集的物种采样中捕捉紫外线反射率的方法。测量或数字化自然历史收藏中的标本已成为生成生态和进化大规模数据集的关键步骤。并且，数字化数据（例如标本照片）的处理仍然是一项重大且劳动密集型的挑战。
深度学习是机器学习的一个子领域，也是许多计算机视觉任务的最新技术，在生态学和进化方面提供了巨大的潜力，可以解锁大量数据。
在这里，该团队描述了对记录可见光和紫外线反射的校准图像数据集的分析，该数据集允许准确测量颜色。为了解决处理挑战，研究人员测试并应用深度学习算法来分割样本并提取紫外反射率的客观测量值。
分割允许测量每个标本的整个羽毛（即颜色和图案），便于测量与测试紫外线反射率驱动因素的目标相关的多个指标，包括整个标本的平均值、峰值和紫外线着色的存在。分割通常用于生物医学图像以分离焦点区域，例如细胞、器官和骨骼，并且也开始更广泛地用于数字化自然历史数据集。然而，要成为一个真正可扩展的解决方案，可以处理数千甚至数百万的图像，分割方法必须提供可靠的输出。
图示：DeepLabv3+ 和经典方法的预测性能（N = 5094）。（来源：论文）
该团队评估了几种传统的基于计算机视觉的分割方法（阈值、区域增长、Chan-Vese38 和图切割）的性能，并将它们与使用深度神经网络的语义分割进行比较，特别是来自名为 DeepLab 的语义分割方法家族的 DeepLabv3+ 架构。DeepLabv3+ 被认为是用于分割的最佳深度学习方法之一，在 PASCAL Visual Object Classes 2012 数据集 (PASCAL VOC 2012) 上实现了 89% 的准确率，其中包括 21 个类别中的数千张分割照片。
深度学习在图像任务（例如图像分割、图像分类）上的主要优势是使用卷积神经网络（CNN）。CNN 是用于从图像中提取特征的核心深度神经网络架构，它以图像为输入，使用卷积层和池化层提取特征。经过训练的 CNN 可以使用提取的特征对图像分类、姿势估计和语义分割等任务进行预测。在这里，使用深度学习图像分割和系统发育比较分析，研究表明紫外线反射率在雀形目鸟类中很普遍，并且可以通过与物种光环境相关的变量以及在较小程度上与视觉系统相关的变量进行预测。
图示：DeepLabv3+ 分割的图像示例。（来源：论文）
为此，研究人员使用在英国特灵自然历史博物馆拍摄的鸟类标本照片，与经典计算机视觉方法相比，评估深度学习分割的性能。
接着，他们测试不同的方法来构建可以自动准确地分割标本照片的管线。使用、评估和比较了经典和深度学习分割方法，从背景中分割标本，并在 5094 幅专家分割图像中去除遮挡标本的障碍物（标签、字符串等）。
最好，他们使用来自 4545 种雀形目鸟类的 146,652 张图像，使用深度学习（i）绘制紫外线信号的系统发育分布图，以及（ii）测试紫外线信号与视觉系统和光环境的关系，生成鸟类羽毛中紫外线信号的估计值。
图示：雀形目鸟类紫外线颜色的预测因子。（来源：论文）
总之，该团队支持这样一种观点，即深度学习有很大的前景——特别是在从自然历史收藏中调动数字化图像（2D 和 3D）方面——允许将新数据用于解决生态和进化中的关键悬而未决的问题。
论文链接：https://www.nature.com/articles/s41467-022-32586-5
