× cerrar
Usamos el objetivo CLIP (c) para entrenar un ViT-B/16 en más de 450 mil etiquetas de clases diferentes, todas etiquetas taxonómicas del Árbol de la Vida (a). Dado que el codificador de texto es un modelo de lenguaje autorregresivo, la representación del orden solo puede depender de clasificaciones superiores como clase, filo y reino (b). Esto naturalmente conduce a representaciones jerárquicas para las etiquetas, lo que ayuda al codificador de visión a aprender representaciones de imágenes que están más alineadas con el Árbol de la Vida. Crédito: BioCLIP: un modelo basado en la visión para el Árbol de la Vida, Universidad del Estado de Ohio. https://imageomics.github.io/bioclip/
La imageómica, un nuevo campo de la ciencia, ha logrado avances impresionantes el año pasado y está en la cúspide de importantes descubrimientos sobre la vida en la Tierra, según uno de los fundadores de la disciplina.
Tanya Berger-Wolf, directora de la facultad del Instituto de Análisis de Datos Traslacionales de la Universidad Estatal de Ohio, describió el estado de la imageómica en una presentación del 17 de febrero de 2024 en reunión anual de la Asociación Americana para el Avance de la Ciencia.
«La imageómica está madurando y lista para sus primeros descubrimientos importantes», dijo Berger-Wolf en una entrevista antes de la reunión.
Imageomics es un nuevo campo científico interdisciplinario centrado en el uso de herramientas de aprendizaje automático para comprender la biología de los organismos, en particular las características biológicas, a partir de imágenes.
Estas imágenes pueden provenir de cámaras trampa, satélites, drones e incluso fotografías de vacaciones que los turistas toman de animales como cebras y ballenas, dijo Berger-Wolf, director del Imageomics Institute del estado de Ohio.
Estas imágenes contienen una gran cantidad de información que los científicos no podían analizar y utilizar adecuadamente antes del desarrollo de la inteligencia artificial y el aprendizaje automático.
El campo es nuevo (el Instituto Imageomics se fundó en 2021), pero están sucediendo grandes cosas, dijo Berger-Wolf a la AAAS.
Un área importante de estudio que está dando frutos tiene que ver con cómo los fenotipos (las características observables de los animales que se pueden ver en imágenes) se relacionan con su genoma, la secuencia de ADN que produce esas características.
«Estamos a punto de comprender las conexiones directas entre el fenotipo observable y el genotipo», dijo.
«No podríamos hacer esto sin la imageómica. Está impulsando tanto la inteligencia artificial como la ciencia biológica».
Berger-Wolf citó una nueva investigación sobre mariposas como ejemplo de los avances que está logrando la imageómica. Ella y sus colegas están estudiando imitaciones: especies de mariposas cuya apariencia es similar a la de otra especie diferente. Una razón para el mimetismo es parecer una especie que los depredadores, como las aves, evitan porque su sabor no es atractivo.
En estos casos, las aves –al igual que los humanos– no pueden distinguir las especies con sólo mirarlas, aunque las propias mariposas sí conocen la diferencia. Sin embargo, el aprendizaje automático puede analizar imágenes y aprender las sutiles diferencias de colores u otras características que diferencian los tipos de mariposas.
«No podemos distinguirlas porque estas mariposas no desarrollaron estas características para nuestro beneficio. Evolucionaron para enviar señales a su propia especie y a sus depredadores», dijo.
«La señal está ahí, simplemente no podemos verla. El aprendizaje automático podría permitirnos aprender cuáles son esas diferencias».
Pero más que eso, podemos utilizar el enfoque de la imageómica para alterar imágenes de mariposas y ver cuán extensas deben ser las diferencias entre las imitaciones para engañar a las aves. Los investigadores planean imprimir imágenes realistas de las mariposas con diferencias sutiles para ver a qué responden los pájaros reales.
Mas informaciones:
Imageómica: las imágenes como fuente de información sobre la vida, aaas.confex.com/aaas/2024/meet…gapp.cgi/Paper/32018
