研究人员利用人工智能对自然界最着名的模拟物之一进行了新的发现，并确认了旧的发现，为进化生物学开辟了全新的研究方向。

来自剑桥大学，埃塞克斯大学，东京工业大学和伦敦自然历史博物馆的研究人员使用他们的机器学习算法来测试蝴蝶物种是否可以共同演化相似的翼型以实现互惠互利。这种被称为Müllerian模仿的现象被认为是进化生物学中最古老的数学模型，并且在达尔文通过自然选择进化理论后不到二十年提出。

该算法被训练以量化不同亚种Heliconius蝴蝶之间的变异，从翅膀图案特征的大小，形状，数量，位置和颜色的细微差异，到主要模式组的广泛差异。

这是第一个成功测量整体视觉相似性的全自动客观方法，通过扩展可以用来测试物种如何使用翼型进化作为保护手段。结果发表在Science Advances杂志上。

研究人员发现，不同的蝴蝶物种既可以作为模型，也可以作为模仿物，互相借用“特征”，甚至可以产生新的模式。

“我们现在可以在新的领域中应用人工智能来进行以前根本无法实现的发现，”主要作者，剑桥大学地球科学系的Jennifer Hoyal Cuthill博士说。“我们想在现实世界中测试Müller的理论：这些物种是否相互融合了彼此的翼型?如果是这样的话?我们之前没有能够在这个进化系统中测试模仿，因为很难量化两者之间的相似性蝴蝶是。“

Müllerian模仿理论以德国博物学家弗里茨·穆勒(FritzMüller)命名，他在1858年首次提出这一概念，距查尔斯达尔文于1859年发表“物种起源”不到二十年.Müller的理论提出物种互相模仿以实现互利。这也是进化收敛现象的一个重要案例研究，其中相同的特征在不同物种中一次又一次地演化。

例如，穆勒的理论预测，同一地点的两个同样糟糕或有毒的蝴蝶种群会相互变得相似，因为两者都可以通过“分享”一些个体的损失来吸引掠食者学习它们的味道。这通过合作和共同提供保护。它与Batesian模仿形成对比，后者提出无害物种模仿有害物种来保护自己。

Heliconius蝴蝶是众所周知的模仿物，被认为是苗勒模仿的经典例子。它们广泛分布在美洲的热带和亚热带地区。研究关注的两个物种中有超过30种不同的可识别模式类型，每种模式类型包含一对模拟亚种。

然而，由于先前对机翼模式的研究必须手动完成，因此无法对这些蝴蝶如何相互模仿进行大规模或深入的分析。

“机器学习使我们能够进入一个新的物候时代，在这个时代，我们能够分析生物表型 - 物种实际上是什么样的 - 与基因组数据相当，”Hoyal Cuthill说道，他也在东京研究所担任职务。技术与埃塞克斯大学。

研究人员使用来自自然历史博物馆(代表38个亚种)收集的超过2,400张Heliconius蝴蝶照片来训练他们的算法，称为“ButterflyNet”。

ButterflyNet经过培训，首先按亚种对照片进行分类，然后量化各种机翼图案和颜色之间的相似性。它在多维空间中绘制了不同的图像，更近似的蝴蝶更接近，更不相似的蝴蝶。

“我们发现这些蝴蝶物种相互借鉴，这证实了穆勒关于相互共同进化的假设，”Hoyal Cuthill说。“事实上，收敛性非常强，不同物种的模拟物比同一物种的物种更相似。”

研究人员还发现，Müllerian模仿可以通过结合不同谱系的特征来产生全新的模式。

“直观地说，你会期望物种相互模仿的翅膀模式会更少，但我们看到完全相反，这是一个进化的神秘，”Hoyal Cuthill说。“我们的分析表明，相互协同进化实际上可以增加我们所看到的模式的多样性，解释进化融合如何创建新的模式特征组合并增加生物多样性。

“通过利用人工智能，我们发现了一种新的机制，模仿可以通过这种机制产生进化新颖性。与直觉相反，模仿本身可以通过相互模仿的物种之间的特征交换产生新的模式。感谢人工智能，我们现在能够量化非凡的生活多样化，以创造这样的新科学发现：它可能在自然界开辟全新的研究途径。“