El polen fósil es una de las mejores fuentes de información sobre la evolución de los ecosistemas terrestres y la diversidad vegetal durante millones de años. Para los palinólogos, los científicos que estudian el polen antiguo, un desafío común en el campo es la identificación de especies de plantas basadas en estos granos fósiles. Al integrar la tecnología de aprendizaje automático con imágenes de alta resolución, un equipo del Instituto Smithsonian de Investigaciones Tropicales (STRI), la Universidad de Illinois en Urbana-Champaign, la Universidad de California, Irvine y las instituciones colaboradoras pudieron avanzar en este objetivo.
El polen es resistente a la desintegración, incluso cuando se expone a temperaturas elevadas o ácidos fuertes. Esto le permite conservarse en sedimentos durante millones de años, lo que lo convierte en un registro invaluable de cómo han evolucionado los distintos grupos de plantas y los factores ambientales que han influido en esta evolución. Para lograr esto, los investigadores primero deben poder identificar lo que están observando bajo el microscopio.
Para ayudar a mejorar la eficiencia y precisión de las identificaciones de polen fósil, los científicos desarrollaron y entrenaron tres modelos de aprendizaje automático para diferenciar entre varios géneros de leguminosas Amherstieae existentes y los probaron con especímenes fósiles de África occidental y el norte de América del Sur que datan del Paleoceno (Hace 66–56 millones de años), Eoceno (hace 56–34 millones de años) y Mioceno (hace 23–5.3 millones de años).
Los modelos clasificaron el polen existente con precisión más del 80% de las veces y también mostraron un alto consenso en la identificación de especímenes de polen fósil. Estos resultados apoyan hipótesis previas que sugieren que Amherstieae se originó en África y luego se dispersó a América del Sur, revelando una historia evolutiva de casi 65 millones de años.
“No conocemos la afinidad biológica de la mayoría de los tipos de polen fósil de tiempo profundo”, comentó el paleontólogo de STRI Carlos Jaramillo, coautor del estudio. “Este estudio muestra que, con las herramientas adecuadas, podemos clasificar taxonómicamente el polen fósil más allá de lo que antes era posible”.
Sin embargo, más de un tercio de los especímenes fósiles no presentaban afinidad biológica con ningún género existente, lo que sugiere que parte de esta antigua diversidad puede haberse extinguido en algún momento durante el proceso evolutivo.
“Estas nuevas herramientas revelan la gran cantidad de información taxonómica que el polen puede ofrecer y que hasta ahora ha estado oculta a los investigadores”, comentó Ingrid Romero, estudiante de doctorado en la Universidad de Illinois-Urbana Champaign y autora principal del estudio.
Este nuevo enfoque mejora la resolución taxonómica de las identificaciones de polen fósil y mejora en gran medida el uso de datos de polen en la investigación ecológica y evolutiva. También reduce la gama de opciones para los expertos en identificación de polen fósil, lo que les permite ahorrar tiempo e invertir su energía en los especímenes más desafiantes.
“El análisis de polen fósil es una ciencia muy visual y los algoritmos de visión por computadora aumentan las identificaciones de los expertos y pueden ayudar a los palinólogos con desafiantes problemas de clasificación visual”, comentó Surangi Punyasena, profesora asociada de la Universidad de Illinois-Urbana Champaign y autora principal del estudio. “Los modelos de aprendizaje automático que desarrollaron nuestros colegas Shu Kong y Charless Fowlkes son realmente notables. Nuestra esperanza es que otros investigadores apliquen estas técnicas y que, como comunidad, ampliemos las cuestiones ecológicas y evolutivas que se abordan en el registro de polen fósil”.
Los miembros del equipo de investigación están afiliados a STRI, la Universidad de Illinois en Urbana-Champaign, la Universidad Carnegie Mellon, la Universidad de California, Irvine, la Universidad de Montpellier, la Universidad de New Brunswick, la Universidad de Ciencia y Tecnología de Missouri y la Universidade Federal de Mato Grosso. La investigación fue financiada por la National Science Foundation, subvenciones NSF-DBI – Advances in Bioinformatics (NSF-DBI-1262561 y NSF-DBI-1262547), y NSF-IIS – Information and Intelligent Systems (NSF-IIS-1618806).
Fuente: Smithsonian Tropical Research Institute
