هوش مصنوعی مولد چگونه می‌تواند جوامع ماهیان را پیش‌بینی کند؟
اطلاعیه مطبوعاتی | منتشرشده در ۲۳ اکتبر ۲۰۲۶
پژوهشی تازه که ۲۲ اکتبر در مجله علمی Current Biology منتشر شده، روشی نوین برای پیش‌بینی ترکیب جوامع ماهیان صخره‌های مرجانی ارائه کرده است. این پژوهش به سرپرستی نوئمی کولون، پژوهشگر واحد تحقیقاتی مشترک Marbec، و با همکاری دانشمندانی از Lirmm انجام شده است. پژوهشگران در این مطالعه، مدلی برای پیش‌بینی پراکنش گونه‌ها طراحی کرده‌اند که از مدل‌های زبانی الهام می‌گیرد. این مدل با استفاده از داده‌های نزدیک به ۲۷ هزار بررسی میدانی آموزش دیده و به‌جای ارائه یک ترکیب میانگین، می‌تواند چندین جامعه متفاوت اما محتمل را در شرایط محیطی یکسان پیش‌بینی کند. نتایج نشان می‌دهد که در حدود یک‌سوم بررسی‌ها، جوامع پیش‌بینی‌شده به چند ترکیب متمایز تقسیم می‌شوند؛ ترکیب‌هایی که برای مثال، ممکن است شامل گونه‌های وابسته به مرجان‌ها یا جلبک‌های درشت دریایی باشند. این رویکرد راه تازه‌ای برای مطالعه ساختار جوامع دریایی و شناخت ترکیب‌های گوناگونی فراهم می‌کند که ممکن است در یک محیط واحد شکل بگیرند.
روشی تازه برای پیش‌بینی جوامع ماهیان
مدل‌های بوم‌شناختی در گذشته معمولاً پراکنش هر گونه را به‌طور جداگانه پیش‌بینی می‌کردند. برای مثال، این مدل‌ها احتمال حضور یک گونه مشخص از ماهی را در یک صخره مرجانی برآورد می‌کردند. اما پژوهش جدید رویکرد متفاوتی در پیش گرفته و پیشنهاد می‌کند که با استفاده از مدلی زبانی، ترکیب یک جامعه کامل از ماهیان بازسازی شود.
اساس کار این روش به فرایند نوشتن یک جمله شباهت دارد. مدل با توجه به شرایط محیطی، به‌تدریج یک جامعه ماهی را شکل می‌دهد و در هر مرحله، گونه‌هایی را که پیش‌تر تولید کرده و زیست‌توده آن‌ها را در نظر می‌گیرد. به این ترتیب، مدل یاد می‌گیرد که گونه‌های مختلف از نظر آماری چه ارتباطی با یکدیگر دارند و معمولاً در کنار کدام گونه‌ها دیده می‌شوند.
مهم‌ترین ویژگی این روش آن است که به ارائه یک پاسخ واحد یا یک جامعه میانگین محدود نمی‌شود. همان‌طور که یک مدل زبانی می‌تواند برای ادامه یک جمله چندین توالی محتمل پیشنهاد کند، این مدل نیز امکان بررسی ترکیب‌های متفاوت جوامع ماهیان را در شرایط محیطی یکسان فراهم می‌کند.
این ابزار که با داده‌های نزدیک به ۲۷ هزار بررسی میدانی در صخره‌های مرجانی آموزش دیده، در مقایسه با روش‌هایی که در این پژوهش ارزیابی شده‌اند، دقت پیش‌بینی ترکیب جوامع ماهیان را نیز بهبود می‌بخشد.
بررسی جوامع متفاوتی که ممکن است در یک محیط شکل بگیرند
گروه پژوهشی برای هر بررسی میدانی، با در نظر گرفتن شرایط محیطی یکسان، ۵۰۰ جامعه ماهی تولید کرد. تحلیل نتایج این شبیه‌سازی‌ها نشان داد که در حدود یک‌سوم بررسی‌های مطالعه‌شده، جوامع تولیدشده در چند گروه متمایز قرار می‌گیرند. هر گروه ترکیب ویژه‌ای از گونه‌ها و میزان زیست‌توده آن‌ها را دارد.
تفاوت این گروه‌ها صرفاً به فهرست گونه‌های موجود در آن‌ها محدود نمی‌شود، بلکه الگوهای تکرارشونده‌ای از هم‌زیستی گونه‌ها نیز در ساختارشان دیده می‌شود. برخی گونه‌ها ارتباط مشخص‌تری با یک ترکیب خاص دارند، در حالی که گونه‌های دیگر ممکن است در چندین ترکیب متفاوت حضور داشته باشند.
این الگوها شواهد آماری سازگاری با احتمال وجود چندین جامعه متفاوت و محتمل ارائه می‌کنند. البته نتایج مدل به‌تنهایی ثابت نمی‌کند که چنین جوامع متفاوتی واقعاً در طبیعت وجود دارند یا تغییر و گذار میان آن‌ها به همین شکل رخ می‌دهد. بااین‌حال، این روش چارچوب تازه‌ای در اختیار پژوهشگران قرار می‌دهد تا بتوانند چنین فرضیه‌ای را بر پایه داده‌های بوم‌شناختی بررسی کنند.
چرا در نظر گرفتن چندین ترکیب متفاوت اهمیت دارد؟
ترکیب‌های مختلفی که مدل پیش‌بینی می‌کند، لزوماً تفاوت‌هایی جزئی با یکدیگر ندارند؛ بلکه ممکن است نشان‌دهنده جوامعی باشند که از نظر بوم‌شناختی تفاوت‌های اساسی دارند.
برای مثال، در جزیره لرد هاو، یکی از ترکیب‌های جوامع ماهیان صخره‌های مرجانی با جلبک‌های درشت دریایی و بسترهای علف دریایی ارتباط دارد، در حالی که ترکیب دیگری میزبان تعداد بیشتری از گونه‌های وابسته به مرجان‌های سخت است.
این تفاوت فقط به نوع و تنوع گونه‌ها مربوط نمی‌شود، بلکه می‌تواند چالش‌های حفاظت از آن‌ها را نیز تغییر دهد. در همین نمونه، سهم گونه‌های در معرض تهدید از کل زیست‌توده ماهیان در دو وضعیت تفاوت چشمگیری دارد؛ به‌طوری‌که این سهم در ترکیب نخست به ۱۰ درصد می‌رسد، در حالی که در ترکیب دوم ۳٫۶ درصد است.
بنابراین، شناسایی و تفکیک این ترکیب‌های متفاوت کمک می‌کند تا تنوع واقعی جوامع ماهیان بهتر بازنمایی شود. همچنین زمینه را برای بررسی کارکردهای بوم‌شناختی مرتبط با هر یک از این جوامع فراهم می‌سازد.
رویکردی مبتنی بر مدل‌های زبانی برای پیش‌بینی پراکنش گونه‌ها، وجود حالت‌های پایدار جایگزین را آشکار می‌کند.