Science：机器学习重建13万年生态网络，揭示顶级捕食者的系统性灭绝

导语

Science 的一项最新研究，基于深度学习分析近13万年的生态网络变化情况，发现食物网络中有更多连接的物种曾遭受系统性的灭绝。而全球范围内的食物网络的连接已经由于人类活动减少了53%。将网络科学和机器学习应用于生态系统研究，为预测生态网络如何响应全球变化开辟了新道路。本文翻译自 Science 的评论文章。

 

研究领域：食物链，生态系统，网络模型，深度学习

Eoin J. O’Gorman | 作者

郭瑞东 | 译者

邓一雪 | 编辑

也许并不奇怪，顶级捕食者，如鲸鱼、鲨鱼、豹和老虎，往往是最稀有的物种[1]。这主要是因为，食物链[2]中每一个环节不完美的能量转移让这些食肉动物，而不是食草动物、食腐动物，或杂食动物更容易受到影响。它们的生存还需要有一个较大的区域，供它们四处游荡寻找伴侣，并提供维持生存所需的资源[3]。这些脆弱性使它们特别容易受人类活动影响，例如丧失栖息地，或成为猎人为了战利品而捕猎的目标。

最新的 Science 论文 [4] 采用一种基于网络的方法，描述了人类活动在13万年间如何扰乱了顶级掠食者以及其他哺乳动物。

论文题目：

Collapse of terrestrial mammal food webs since the Late Pleistocene

论文地址：

https://www.science.org/doi/epdf/10.1126/science.abn4012

1. 网络科学方法分析生态系统

就像诗人约翰·邓恩（John Donne）沉思的那样，“没有人是一座孤岛”。同样可以说，地球上所有的动物ーー没有任何动物可以孤立地存在，所有动物都是一个复合体的一部分，复合体中包含相互作用的消费者、资源和竞争者[5]。数十年来，这些生态网络一直是生态系统研究的重点，生态学家往往需要经过多年的观察，胃内容物分析，并进行实验，以量化生态系统复杂的结构。

描述生态网络中的相互作用，对于理解在环境改变或人类干预后，生态系统可能出现何种情况十分重要。例如，过度捕猎海獭导致作为它们猎物的海胆数量爆炸，它们过度捕食海藻，让一大片依赖这些水下植物作为食物和栖身之所的其他物种消失 [6]。这种“营养级联反应”（trophic cascades）已经在许多生态系统中被描述，其中一个物种的损失触发跨越几个不同营养级的生物量波动 [6]。食物网是跟踪或预测沿着能量流主导路径的变化的工具，这里网络分析有助于量化生态系统的整体稳定性或韧性，并确定关键枢纽或漏洞 [7,8]。

2. 食物网中

有更多连接的哺乳动物曾系统灭绝

Fricke 等人的一些发现令人惊异。例如，他们的分析表明，当前哺乳动物的数量比大约13万年前的晚更新世时还要少。另一些发现则更具变革性，他们发现，在食物网中有更多连接的哺乳动物曾遭受系统性的灭绝。这可以用大型捕食者比小型猎物更容易灭绝，以及更容易减少栖息地来解释。相比于同样数量物种从网络中随机灭绝的情况，这种变化导致食物网的连接变得稀疏得多。

图1. 过去13万年里，物种数量和食物网络中陆地哺乳动物由于人类出现造成的变化，灰线代表人类出现的时间。

更简单的食物网通常表现为不太稳定，因为它们更容易由于能量限制 [7] 或可供选择的猎物缺乏冗余 [9] 而进一步灭绝。此外，这些食物网“崩溃”在人类到达这个地区之后尤为突出。更值得关注的是：目前濒临灭绝的哺乳动物也是食物网中最高度连接的物种，如果这些食物链中的顶级消费者灭绝，很可能导致进一步的食物网崩溃。

3. 生态网络研究

在生态保护和生物监测中的应用

Fricke 等人也为研究过去、现在和未来的生态网络提供了一个有价值的模板。食物网的复杂性使描述它们之间的潜在联系成为了一项艰巨的任务，阻碍了它们在生态系统保护和生物监测中的大规模应用[5,10]。最近有研究者呼吁将生态网络纳入生物监测，提出通过从例行抽样中获取物种名单，并从已建立数据库中推断连接，来规避这一障碍，填补模型和实际之间的差距 [10,11]。

这种“猜测”往往建立在这样一个原则上，即体型大小是决定生物与哪些生物互动的一个关键决定因素，或者捕食者会选择系统发育相关的猎物，或与系统发育相关的捕食者捕猎类似的食物。

新研究展示了机器学习技术如何应用于一系列广泛的性状，以确定哪些物种可能相互作用。他们的深度学习算法优于基于异速生长和系统发育的模型，提高了准确性，从而可以预测捕食相互作用。虽然使用机器学习方法来研究和建模复杂食物网络结构并不是一个新的尝试[8,12]，但这还没有成为一个标准工具。

历史上的食物网络已经无法被观察到，但它们的结构已经通过古 DNA、形态学推断和基于动物体型的模型[13]被阐明。集成机器学习方法可逐步重建古代的食物网络，提高对过去生态系统的认识，了解它们与今天的食物网络的不同之处，以及它们如何应对灾难。

为了研究现代生态系统，深度学习算法的自动化将增加网络科学的可及性，为自然资源保护主义者和监督机构提供帮助，指出导致生态系统有害变化的非目标物种，或具有警示作用的标记物种。

这种方法也可以用来探测在现有食物网中代表性不足的“潜在猎物”[12]。例如，DNA 分析鱼类饮食揭示了 gelatinous salps 这种被囊动物可能是南大洋食物网中减少的磷虾的关键替代物种。尽管多年来由于该生物柔软的身体在鱼胃中被快速消化，它们在食物网中的重要性被低估[14]。

图2. 比较当前物种组成和不受灭绝、局部灭绝和物种引进等不同条件下，组成陆地哺乳动物的食物网络。小写字母对应于地图上的位置和物种组成的子图，颜色表示在该地点现存的物种，灰度表示已灭绝的物种。

4. 网络科学

预测未来生态系统如何应对变化

展望未来，一个很大的局限是目前无法准确预测物种灭绝或气候变化对食物网络的影响。如今，通常假设一种捕食者的主要猎物从网络中消失，它将走向灭绝，但它也可能改变饮食习惯，以其他资源作为食物 [15]。

机器学习通过识别具有组合性状的猎物（资源），确定哪些猎物适合作为捕食者的替代品，为预测食物网络如何响应全球变化而重新连接开辟了新的道路。同样，该方法提供了扰动会如何改变深度学习算法识别的猎物特征的知识，这将有助于预测食物网络的连接方式，而不仅仅是其中节点如何应对变化的环境。

在大数据的帮助下，这些预测的准确性和精确度未来都可能会提高，将网络科学预测未来生态系统变化的能力力从飘渺的理想转换为可触摸的现实。

参考文献

1. G. Woodward et al., Trends Ecol. Evol. 20, 402 (2005).  

2. C. Barnes, D. Maxwell, D. C. Reuman, S. Jennings,  Ecology 91, 222 (2010).  

3. W. Jetz, C. Carbone, J. Fulford, J. H. Brown, Science 306,  266 (2004).  

4. E. C. Fricke et al., Science 377, 1008 (2022).

5. R. M. Thompson et al., Trends Ecol. Evol. 27, 689 (2012).  

6. J. A. Estes et al., Science 333, 301 (2011).  

7. L. Zhao et al., Ecol. Lett. 19, 1032 (2016).  

8. A. Ma et al., Nat. Ecol. Evol. 3, 260 (2019).  

9. D. Sanders, E. Thébault, R. Kehoe, F. J. Frank van Veen,  Proc. Natl. Acad. Sci. U.S.A. 115, 2419 (2018).  

10. C. Gray et al., J. Appl. Ecol. 51, 1444 (2014).  

11. D. A. Bohan et al., Trends Ecol. Evol. 32, 477 (2017).  

12. D. A. Bohan, G. Caron-Lormier, S. Muggleton, A.  Raybould, A. Tamaddoni-Nezhad, PLOS ONE 6, e29028 (2011).  

13. M. M. Pires et al., Proc. R. Soc. London Ser. B 282,  20151367 (2015).

14. N. Henschke, J. D. Everett, A. J. Richardson, I. M. Suthers, Trends Ecol. Evol. 31, 720 (2016).  

15. X. Lu et al., Nat. Clim. Change 6, 875 (2016). 

本文翻译自 Science 的评论文章

文章题目：Machine learning ecological networks

文章链接：https://www.science.org/doi/10.1126/science.add7563

复杂科学最新论文

集智斑图顶刊论文速递栏目上线以来，持续收录来自Nature、Science等顶刊的最新论文，追踪复杂系统、网络科学、计算社会科学等领域的前沿进展。现在正式推出订阅功能，每周通过微信服务号「集智斑图」推送论文信息。扫描下方二维码即可一键订阅：

推荐阅读

点击“阅读原文”，追踪复杂科学顶刊论文