教学参考-39

教学目标

• 了解生物拟态的基本概念，理解贝式拟态和穆式拟态的不同。
• 理解基于蝴蝶形态验证穆式拟态理论的基本思路
• 理解将蝴蝶映射到向量空间以判断物种相似性的基本原理
• 引导学生讨论这种“物种嵌入”方法的通用性

教学内容

生物拟态

• 物种在进化过程中，会模仿其它生物，以增加自身的生存优势。例如，捕猎者会把自己伪装成和周围环境类似的样子，悄悄接近猎物；被捕食者也会把自己伪装成一片树叶或一段树枝，让天敌难以发现；更有狡猾的捕猎者将自己变成香甜可口的样子，引诱受害者靠近。
• 拟态现象在生物界很普遍，有纪录显示，昆虫、鱼类、两栖类到植物甚至是真菌都懂得使用拟态。

贝氏拟态与穆氏拟态

• 贝氏拟态：1861年，英国生物学家亨利·沃尔特·贝兹发现，亚马逊河的粉蝶会模仿毒蝶属的颜色和花纹，保护自己免于被捕食。这种拟态称为贝氏拟态。显然，贝氏拟态只是某一方面的模仿。
• 穆氏拟态： 1878年，德国自然学家Fritz Muller提出了另一种拟态理论，认为生活在同一个地区的某些物种会互相学习，从而实现更好的协同进化。这种协同进化的一个表现形式就是互相模仿，称为穆氏拟态。和贝氏拟态相比，穆氏拟态不是简单模仿，而是“真心”互相学习，共同进化。例如，毒蛇之间可以通过协同进化出相似的条纹，放大对捕猎者的警告信号，当捕猎者知道某一类蛇有毒以后，会放弃对具有相似条纹的其它毒蛇的捕猎。

ButterflyNet

• 穆氏拟态理论是生物进化的重要证据，但要定量证明这一理论，需要对不同个体表出的“相似性”有明确度量。传统研究多是靠人眼观察条纹或斑点来判断个体是否相似，缺少定量依据。2019年8月，在《科学》杂志上发表了一篇论文，利用一个称为ButterflyNet的深度卷积神经网络对蝴蝶图片的相似性进行度量，从而发现了穆氏拟态的定量证据。
• ButterflyNet是一个卷积神经网络，目的是把蝴蝶图片“嵌入”到一个向量空间，使得同一亚类蝴蝶的图片距离更近，不同亚类蝴蝶的图片距离更远。研究者选用两类蝴蝶，分别称为H.Erato（艺神袖蝶）和H.Melpomene（诗神袖蝶），共38个亚类，1234个标本，2468张照片。 他们用1500张照片训练ButterflyNet网络，训练时采用一种称为“对比损失函数”的目标函数，驱使同类蝴蝶的嵌入向量互相靠近。训练完成后，这一网络可以将任意一个蝴蝶的照片映射成嵌入向量，从而分析各种蝴蝶之间的相似性。

穆氏拟态证据

• 如果利用邻接法将不同亚类的向量表示成一个树状结构，可以得到一个近邻关系图。
• 通过该近邻关系图可以看到，同属于两个不同种类的蝴蝶，如果他们的亚类处在同一个拟态组里，则他们的相似性会比较高，甚至可能比同一种类的两个亚类相似性更高。这一结果清晰表明，生物学家通过观察得到的拟态组是合理的，同一拟态组的物种互相接近，从而证明了协同进化的存在。