Une nouvelle étude utilise l'apprentissage profond pour identifier le dimorphisme sexuel chez les oiseaux

Le Dimorphisme sexuel fait référence aux différences d'apparence entre les mâles et les femelles d'une même espèce. On peut voir ces différences dans des traits comme la taille, la forme ou la couleur. Comprendre le dimorphisme sexuel est important pour étudier comment les animaux ont évolué et se sont adaptés à leur environnement. Dans certaines espèces, les mâles et les femelles se ressemblent beaucoup, ce qui rend difficile de les distinguer juste en les regardant. Pourtant, la sélection sexuelle et la sélection naturelle peuvent toujours influencer ces traits.

Différentes espèces montrent des degrés variés de dimorphisme sexuel. Par exemple, les oiseaux, les poissons, les mammifères et les invertébrés affichent souvent ces différences. Les chercheurs s'appuient souvent sur leurs observations pour identifier ces traits, mais les yeux humains peuvent manquer des différences subtiles que les animaux peuvent voir. Cette limitation peut freiner notre compréhension de la valeur adaptative de ces traits.

Pour surmonter ces défis, les scientifiques ont développé des méthodes pour mieux détecter le dimorphisme sexuel. Par exemple, certains chercheurs ont utilisé des outils spéciaux pour mesurer la lumière réfléchie par le corps d'un animal afin de déterminer si les mâles et les femelles étaient différents dans des façons que les humains ne remarquent pas. D'autres études ont utilisé des techniques d'apprentissage automatique pour classer le sexe des animaux en fonction de leur apparence.

#Apprentissage Automatique dans l'Étude des Animaux

Une méthode avancée qui a gagné en popularité est l'Apprentissage profond, en particulier en utilisant un type de réseau de neurones appelé Réseaux de Neurones Convolutionnels (CNN). Ces réseaux peuvent automatiquement trouver des motifs dans des images sans que les humains aient à indiquer d'abord des caractéristiques spécifiques. Cette capacité les rend particulièrement utiles pour identifier les différences de sexe dans les espèces où ces différences ne sont pas facilement repérables.

Les CNN ont montré du succès dans la classification des animaux en catégories mâles et femelles dans diverses études. Ils ont aidé à déterminer le sexe dans des espèces comme les poissons-zèbres et différentes espèces d'araignées en analysant des traits visuels. Cette technologie est également prometteuse pour les espèces qui semblent monomorphiques ou qui se ressemblent pour nous.

Une étude a même révélé des différences dans la forme du crâne des loups gris qui étaient auparavant passées inaperçues. Ces découvertes suggèrent que les outils d'apprentissage profond peuvent détecter des caractéristiques que les humains pourraient négliger.

Malgré leur succès, les CNN ont quelques inconvénients. La façon dont ils classifient les images peut ressembler à une "boîte noire", où il est difficile de comprendre sur quoi l'algorithme se concentre réellement lors de la prise de décisions. Pour y remédier, les chercheurs ont créé des outils comme le Gradient-weighted Class Activation Mapping (Grad-CAM). Cette technique génère des cartes thermiques qui mettent en évidence les zones d'une image qui influencent le plus la décision du modèle.

#L'Étude du Tisserin Sociable

Dans cette étude, les chercheurs ont voulu voir si les CNN pouvaient identifier des traits dimorphiques sexuellement chez une espèce d'oiseau connue sous le nom de tisserin sociable. Cette espèce est considérée comme visuellement monomorphe, ce qui signifie que les mâles et les femelles se ressemblent pour les observateurs humains. En utilisant l'apprentissage profond et Grad-CAM, les chercheurs espéraient découvrir des différences subtiles entre les sexes.

Ils ont collecté des images des têtes de tisserins sociables d'une réserve naturelle en Afrique du Sud, s'assurant que les oiseaux étaient adultes. Des échantillons de sang ont également été prélevés pour le sexage génétique afin de confirmer le sexe de chaque oiseau. Un total de 4 595 images a été rassemblé, chaque oiseau contribuant à plusieurs photos. Cela a permis aux chercheurs de créer un ensemble de données solide pour entraîner leur modèle.

#Considérations Éthiques

La recherche a suivi des directives éthiques strictes pour assurer le bien-être des oiseaux pendant leur capture et leur manipulation. Des filets à mailles fines ont été utilisés pour attraper les oiseaux rapidement, et des efforts ont été faits pour minimiser le stress sur eux. Tous les procédés ont reçu l'approbation des autorités locales.

#Entraînement et Test du Modèle

Les chercheurs ont utilisé EfficientNet, un type avancé de CNN pré-entraîné sur une vaste collection d'images. Ce pré-entraînement leur a permis de peaufiner le modèle pour leur tâche spécifique d'identification du sexe chez les tisserins sociables. Le modèle a été entraîné en utilisant un grand nombre d'images tout en mettant en œuvre des techniques pour réduire le sur-apprentissage.

Le processus d'entraînement a impliqué plusieurs étapes clés, y compris le redimensionnement des images et l'application de techniques d'augmentation des données. De cette façon, le modèle a appris à classer les images de manière plus robuste. Après l'entraînement, les chercheurs ont utilisé une méthode appelée validation croisée à 10 volets pour évaluer la performance du modèle. Cela impliquait de diviser les données en dix parties, d'entraîner le modèle sur neuf parties, et de le tester sur la partie restante, assurant que chaque image avait été évaluée.

#Résultats : Précision de la Classification

Les résultats étaient prometteurs. Le modèle d'apprentissage profond a pu classer le sexe des tisserins sociables avec une précision moyenne de 75,8 %. Cette performance a dépassé celle des observateurs humains, qui ont atteint une précision de seulement 58,0 %. Ces découvertes indiquent que les méthodes d'apprentissage automatique peuvent être très efficaces pour identifier le dimorphisme sexuel, même lorsque celui-ci est subtil.

#Compréhension des Caractéristiques pour la Classification

En utilisant Grad-CAM, les chercheurs ont visualisé quelles zones des têtes des oiseaux étaient importantes pour la prise de décision du modèle. Ils ont identifié quatre zones d'intérêt : la calotte, le bec, le plastron et les yeux. L'analyse a révélé que le modèle s'appuyait davantage sur le bec des mâles lors de leur classification. Pour les femelles, c'est la zone du plastron qui était la plus activée.

Cette emphase sur le bec chez les mâles suggère qu'il pourrait y avoir des différences subtiles que les humains ne reconnaissent pas, mais que les animaux peuvent voir. Ce constat ouvre de nouvelles voies pour comprendre les indices visuels que les espèces utilisent pour la reconnaissance des partenaires.

#Âge et Performance de Classification

Un autre aspect intéressant de l'étude était l'effet de l'âge sur la classification du sexe. Les chercheurs ont trouvé que les jeunes mâles étaient moins précisément identifiés que les mâles plus âgés. En revanche, les femelles plus âgées semblaient être plus souvent mal identifiées par rapport aux femelles plus jeunes. Cette variation indique que le dimorphisme sexuel pourrait changer avec l'âge, soulignant la nécessité de mener des investigations supplémentaires.

#Implications de l'Étude

Les résultats de cette recherche ont des implications significatives. Ils suggèrent que les méthodes d'apprentissage profond peuvent surpasser les capacités humaines dans la détection de dimorphisme sexuel subtil. En identifiant des traits qui sont cryptiques à l'œil humain, les chercheurs peuvent obtenir des aperçus sur les pressions évolutives qui façonnent les espèces.

Comprendre le dimorphisme sexuel est crucial pour de nombreux domaines d'étude, y compris l'écologie et la biologie évolutive. En réévaluant des espèces qui semblent monomorphiques, les scientifiques peuvent mieux saisir les forces sélectives en jeu dans différents environnements, révélant potentiellement de nouveaux aspects du comportement animal et de l'interaction.

#Conclusion

En résumé, cette recherche démontre le potentiel de l'apprentissage profond pour améliorer notre compréhension du dimorphisme sexuel chez les animaux. En utilisant des techniques avancées de CNN et des outils de visualisation Grad-CAM, l'étude a réussi à identifier des traits dans une espèce qui étaient auparavant non remarqués par les observateurs humains. Ce travail encourage de nouvelles explorations du dimorphisme sexuel chez d'autres espèces et souligne l'importance de la technologie dans l'avancement de nos connaissances sur la vie animale.

À l'avenir, les chercheurs pourraient affiner ces techniques et les appliquer à diverses espèces, approfondissant notre compréhension de la façon dont la sélection sexuelle impacte les changements évolutifs. Alors que la technologie continue d'évoluer, elle fournira de nouveaux outils pour explorer les complexités de la vie et du comportement dans le règne animal.