با بهره‌گیری از قدرت یادگیری ماشین، (machine learning) پژوهشگران چارچوبی برای تحلیل عواملی که بیشترین تأثیر را بر تنوع ژنتیکی گونه‌ها دارند، ایجاد کرده‌اند. این مطالعه که اخیراً در مجله Molecular Phylogenetics and Evolution منتشر شده است، نشان می‌دهد که تنوع ژنتیکی دو گونه دوزیست بومی شمال‌شرقی برزیل، یعنی قورباغه "سیبیلاتور برزیلی" و وزغ "گرانولار"، تحت تأثیر فرآیندهای متفاوتی شکل گرفته است.
نتایج نشان داد که تنوع ژنتیکی در قورباغه سیبیلاتور عمدتاً توسط رویدادهای جمعیتی در پاسخ به تغییرات زیستگاهی در طی ۱۰۰٬۰۰۰ سال گذشته شکل گرفته است. در مقابل، تنوع ژنتیکی در وزغ گرانولار بیشتر تحت تأثیر عوامل معاصر منظره‌ای قرار داشته است — وزغ‌هایی که به دلیل فاصله جغرافیایی یا زیستگاه نامناسب نسبتاً منزوی بودند، بیشتر احتمال داشت که از نظر ژنتیکی با یکدیگر تفاوت داشته باشند.
در حالی که تحقیقات قبلی تأثیر عوامل تاریخی جمعیتی و چشم‌انداز کنونی را بر تنوع ژنتیکی این دوزیستان بررسی کرده بودند، این مطالعات از داده‌های جداگانه‌ای برای این عوامل استفاده می‌کردند، که تعیین اهمیت نسبی هر کدام را دشوار می‌کرد. اکنون پژوهشگران این مقاله نخستین کسانی هستند که با استفاده از هوش مصنوعی، هر دو فرآیند را به طور همزمان بررسی کرده‌اند، بدون اینکه به طور دستی فرض کنند کدام عامل مهم‌تر بوده است.
برایان کارستنز، نویسنده همکار این مطالعه و استاد رشته تکامل، بوم‌شناسی و زیست‌شناسی جانداران در دانشگاه ایالتی اوهایو گفت:
«پیش از این، مجبور بودیم این سؤالات را به طور مستقل مطرح کنیم، چون نمی‌توانستیم هر دو تأثیر را در یک چارچوب بررسی کنیم. چیزی که هوش مصنوعی به ما اجازه می‌دهد این است که فرآیندهایی را که هم در زمان حال از نظر بوم‌شناسی و هم در طول زمان‌های عمیق تکاملی رخ داده‌اند شبیه‌سازی کنیم و این یافته‌ها را با داده‌های واقعی جمع‌آوری‌شده از این قورباغه‌ها مقایسه کنیم.»
کارستنز افزود، با توجه به حجم گسترده داده‌هایی که طی چند دهه اخیر در اختیار ژنتیک‌دانان و زیست‌شناسان حیات‌وحش قرار گرفته است، شناسایی عوامل خاصی که ممکن است در برخی آزمایش‌ها اهمیت داشته باشند چالش‌برانگیز است. اما با یکپارچه کردن حجم زیادی از اطلاعات در شبیه‌سازی‌هایی که می‌توانند این عناصر را در یک تحلیل واحد در نظر بگیرند، می‌توان تاریخچه‌ی بسیار کامل‌تری از توسعه‌ی یک گونه به دست آورد.
برای مثال، با اینکه گونه‌هایی که در این مطالعه بررسی شدند در یک منطقه زندگی می‌کنند، تفاوت‌های زیادی در تاریخچه‌های طبیعی آن‌ها وجود دارد. علی‌رغم اینکه تخم‌ها و لاروهای هر دو گونه کاملاً آبزی هستند، قورباغه سیبیلاتور در طول فصل بارانی به طور پیوسته و در اتاقک‌های زیرزمینی تولیدمثل می‌کند، در حالی که رویدادهای تولیدمثلی وزغ گرانولار به صورت انفجاری و وابسته به بارندگی‌های شدید رخ می‌دهد.
با ترکیب رویکرد یادگیری ماشین، پژوهشگران دریافتند که سناریوهای مدلی آن‌ها در مورد توضیحات تاریخی برای گسترش قورباغه سیبیلاتور با اطمینان ۱۰۰٪ و برای وزغ گرانولار با بیش از ۹۹٪ حمایت شدند.
یکی از دلایل دقت بالای مدل آن‌ها این است که قادر است رویدادهای جمعیتی اخیر را هم در نظر بگیرد، از جمله اندازه‌گیری تأثیر تغییرات انسانی یا تغییرات زیستگاه بر تنوع ژنتیکی حیوانات در طول زمان.
با این حال، حتی هنگام استفاده از هوش مصنوعی، پژوهشگران باید مراقب الگوهای گمراه‌کننده در نتایج خود باشند. کارستنز گفت:
«هیچ تحلیلی نمی‌تواند تمام عواملی را که طی میلیون‌ها سال برای این گونه‌ها مهم بوده‌اند به طور کامل پوشش دهد. بنابراین باید اجازه دهیم دامنه‌ای از احتمالات وجود داشته باشد بدون اینکه این دامنه آنقدر گسترده شود که هر مدلی بتواند با داده‌ها مطابقت داشته باشد.»
او افزود که همانطور که پیشرفت‌های فناورانه به پژوهشگران امکان می‌دهد سؤالات بوم‌شناختی خاص‌تری بپرسند و فرضیه‌های جدیدی را آزمایش کنند، این کار پیش‌درآمدی برای ایجاد یک چارچوب ارتقاءیافته‌ی یادگیری ماشین است که می‌تواند در بررسی‌های منحصربه‌فرد گونه‌های دیگر نیز به کار رود.
کارستنز گفت:
«احتمالاً به استفاده از ترکیب‌های مختلفی از این ابزارهای هوش مصنوعی در روش‌های گوناگون برای درک تاریخچه تکاملی ادامه خواهیم داد. و همانطور که بیشتر یاد می‌گیریم، ابزارهایی که استفاده می‌کنیم هم تغییر خواهند کرد و پیشرفته‌تر خواهند شد.»
امانوئل ام. فونتسکا، که در سال ۲۰۲۲ دکترای خود را از دانشگاه ایالتی اوهایو دریافت کرده است، نویسنده همکار این مطالعه بود. این تحقیق توسط مرکز ابررایانه‌ای اوهایو، بنیاد ملی علوم ایالات متحده و «کوردناسو» در برزیل حمایت شده است.