HAIKA：层级注意力可解释K维自编码器揭示膜翅目（Hymenoptera）翅形态与脉序演化的生态解耦及速率异质性

《SCIENCE ADVANCES》：Deep learning reveals ecological decoupling and rate heterogeneity in Hymenoptera wing evolution

　　

量化生物形态演化并将表型数据整合进大规模生态与演化研究，常受限于现有方法的可扩展性、主观性和可解释性不足。研究人员提出HAIKA（Hierarchical Attention-based Interpretable K-dimensional Autoencoder，层级注意力可解释K维自编码器），一种自监督残差通道注意力自编码器，可从无标签标准化图像中提取连续形态表征，并突出贡献于这些表征的图像区域。将HAIKA应用于广翅有翅昆虫（pterygote）谱系的前翅后，其在聚类、降维和形态嵌入方面优于多数基线深度学习模型和传统描述符。将HAIKA应用于膜翅目（Hymenoptera，即蚂蚁、蜜蜂和黄蜂）时，HAIKA衍生的连续性状改善了基于形态的系统发育重建，并阐明翅形状和脉序的演化动态。结果揭示，膜翅目翅形态演化在形状和脉序模块间以解耦速率进行，且与寄生生活（parasitoidism）或真社会性（eusociality）等关键生态转变并不一致对齐。HAIKA为表型分析提供了可扩展的、基于图像的途径，广泛适用于多样类群以及2D和3D数据集。

论文解读如下。

研究背景与问题：形态数据对于演化生物学和系统学仍具基础意义，尤其有助于理解昆虫翅等重大演化创新。然而，传统形态数据采集依赖人工地标（landmark）和轮廓描画，速度慢、劳动密集；既有分析流程又常将复杂形态多样性简化，造成有生物学意义的信息丢失。深度学习虽推动高通量表型分析，但仍面临计算需求高、跨大类群泛化受限、生物学可解释性不足等问题。因此，研究人员开发HAIKA，以期从无标签标准化图像中高通量提取连续、可解释的形态表征，并用于系统学、系统发育推断和宏观演化分析。该研究发表于《SCIENCE ADVANCES》。

关键技术方法概述：HAIKA采用自监督编码器-解码器（encoder-decoder）架构，结合残差连接（residual connections）和squeeze-excitation通道注意力（channel attention），从标准化灰度翅图中提取64维连续潜在表征，以均方误差（MSE）重建损失训练。样本来自1003幅现存和灭绝昆虫前翅图像，源自出版物、书籍、在线数据库和博物馆藏品；子数据集包括610物种广翅昆虫、405物种膜翅目、61 taxa系统发育矩阵和169物种膜翅目宏观演化数据集。评估比较14个微调深度网络和4个传统描述符，使用k-means、主成分分析（PCA）、t分布随机邻域嵌入（t-SNE）及聚类指标、PERMANOVA/PERMDISP、线性判别分析（LDA）；系统发育用TNT最大简约法，宏观演化用系统发育信号、祖征重建（ASR）以及布朗运动（BM）、Ornstein-Uhlenbeck（OU）和Early Burst（EB）模型。3D扩展使用ModelNet10体素化对象和MorphoSource灵长类扫描。

研究结果：
模型评估：研究人员将HAIKA与14个微调基线网络（9个监督、5个自监督）及4个传统形态描述符比较。在k-means、PCA和t-SNE嵌入中，HAIKA多数指标优于基线，例如k-means的轮廓系数（SC）为0.258、Calinski-Harabasz（CH）指数为798.1、Davies-Bouldin（DB）指数为1.074；PCA中CH为817.0、DB为1.000；t-SNE中SC为0.418、CH为798.1。五个随机种子重复训练结果相似。注意力可视化显示HAIKA集中于翅缘、脉和脉结，203/210幅膜翅目图像中主导注意力与专家识别的中翅区域一致，支持学习表征的形态合理性。

分类归属：HAIKA从昆虫翅捕获分类相关形态模式（案例1）：在610幅广翅昆虫数据集中，前两个主成分解释86.2%变异，四个主要类群形成显著分化（P < 0.001），LDA准确率85.6%，jackknifing下84.1%；移除残差连接和通道注意力后降至77.4%和75.6%。在405种膜翅目数据集中，前两个主成分解释73.3%变异，类群聚类显著（P < 0.001），LDA准确率83.9%，jackknifing下78.7%。特征提取完全无监督，分类标签仅在分类阶段使用。结论是HAIKA可自动提取具分类学信息的翅形态特征。

用HAIKA推导系统发育分析形态数据（案例2）：研究人员构建离散矩阵、HAIKA衍生的64维连续矩阵及其组合矩阵。连续矩阵的一致指数和保留指数约为0.9，高于离散矩阵的约0.3至0.4，并产生更多解析树；组合矩阵恢复约80%的节点，而单独矩阵约50%至60%。组合分析是唯一成功恢复Apocrita单系的方案，并在若干深节点提高Bootstrap支持。结论是HAIKA连续性状包含系统发育相关信号，组合形态矩阵可提升拓扑分辨率和稳健性。

膜翅目翅演化动态（案例3）：HAIKA形态矩阵的主成分分析显示PC1和PC2共解释74.5%变异。PC1主要反映翅形状，与纵横比（AR）和标准平均弦长（SMC）相关；PC2反映脉序复杂度，与闭合室数、脉远端延伸和pterostigma状态相关。PC1和PC2均具强系统发育信号，BM模型最佳，但PC1演化速率约为PC2的1.7倍（σ² = 58.84对34.65，P = 0.001）。祖征重建显示超过平均节点间差异（Δ_mean）的变化主要集中在symphytan类群、寄生类群和捕食性Sphecidae。Euhymenoptera和Apocrita起源伴随脉序复杂度下降和翅基变窄；寄生蜂辐射中多次独立脉序简化；Aculeata早期翅形态变化有限，真社会性和花粉收集相关节点变化多为中等且可变。结论是翅形状与脉序异步演化，重大形态变化并不总与寄生生活或真社会性等关键生态转变一致耦合。

讨论总结：HAIKA在系统学中优于其他深度学习网络，其自监督设计减少了对预分配标签和固定分类层级的依赖，注意力机制提供可解释性，并可与专家地标对应。研究也表明HAIKA衍生表征可供系统发育推断，但潜在维度联合学习且可能相关，需显式加权、敏感性分析和约束/非约束结果分离。膜翅目翅演化呈复杂、异步和偶然性，形态—生态耦合取决于特化程度、祖先翅设计和生物力学需求。局限包括预处理仍关键、重建损失非分类目标、需多种统计交叉验证；未来可扩展至旋转等变架构、生成式解码器、SAM等基础模型以及贝叶斯全证据框架。研究结论翻译：HAIKA的发展代表了向表型组学可扩展特征提取迈出的一步。通过结合自监督深度学习架构、视觉合理性检查和下游比较分析，HAIKA减少了对人工定义地标和性状状态的依赖。其应用于膜翅目表明，图像衍生描述符可包含分类学和系统发育相关信息，并能描述翅形状和脉序的异步演化。这些结果支持将HAIKA作为可重复的探索性框架，用于将图像衍生形态性状整合到系统学和演化研究中。