초록 은폐 계통에서의 형태 유형 구분은 고전적인 선형 통계 및 시각적 검사가 복잡한 비선형 표현형 변이를 포착하는 데 실패할 수 있기 때문에 도전적입니다. 이를 해결하기 위해 우리는 그래프 자동 인코더(GAE)와 커뮤니티 탐지 알고리즘을 결합하여 고차원 형태 공간을 매핑하는 비지도 기계 학습 프레임워크를 도입했습니다. 생물학적 표본을 특성 공간의 독립적인 점으로 취급하는 많은 전통적인 모델들과 달리, 우리의 접근 방식은 다차원 형태학적 데이터를 상호 연결된 네트워크로 표현합니다. k-최근접 이웃 그래프를 사용하여 지역적 위상 관계를 포착하고 이를 최적화된 잠재 공간에 임베드했습니다. 경험적인 사례 연구로 우리는 형태학적으로 보수적인 네오트로피컬 피트 바이퍼 속인 포르치디움(Porthidium)의 484개 표본에 이 파이프라인을 적용하여 21가지의 선형 및 비늘 수(traits)를 사용했습니다. GAE는 현재의 분류 경계와 제한적인 일치를 보여주는 형태학적 구조를 드러내었으며, 높은 구조 모듈성을 가진 12개의 뚜렷한 형태 유형을 식별했습니다(Q=0.6973), 그러나 분류와의 일치는 낮았습니다(정규화 상호 정보, NMI=0.2812). 이 프레임워크는 복잡한 데이터셋에서 표현형 구조를 탐색하는 데 객관적이고 확장 가능한 접근 방식을 제공합니다. 사전 분류 할당이 필요하지 않기 때문에 형태학적 경계가 모호한 은폐 계통을 조사하는 데 특히 유용할 수 있습니다. 더 넓게는 이 접근 방식이 통합 분류학 및 진화 연구에서 보완적 탐색적 단계로 작용할 수 있습니다.
Patron-Rivero et al. (금요일), 이 질문을 연구했습니다.