Luego de más de 10 años de tomar muestras de los sonidos emitidos por las polillas, un equipo de científiques comprobó que algunos grupos producen un ultrasonido “anti-murciélago”.
Este hallazgo se obtuvo luego de analizar la gran base de datos recopilados mediante inteligencia artificial. La importancia de este estudio radica en que permite comprender la biodiversidad de insectos y también la existencia del mimetismo en el mundo del ultrasonido.
Este trabajo fue realizado en conjunto entre científiques de Estados Unidos y el físico Matías Nuñez, investigador del Instituto de Investigaciones en Biodiversidad y Medioambiente (INIBIOMA, CONICET, UNCo).
Durante la investigación se recolectaron datos de sonidos nocturnos de polillas de todo el mundo para estudiar su emisión sonora frente al ataque del murciélago, su principal depredador. Para lograrlo, se reprodujo el sonido de ecolocación del depredador y se grabaron las respuestas acústicas de las polillas.
Como resultado, se pudo determinar que las polillas de todos los géneros efectuaron algún tipo de respuesta. Lo novedoso fue descubrir que, si bien la mayoría de los sonidos emitidos por los lepidópteros (orden de insectos a la que pertenecen) pueden ser escuchados por murciélagos, también producen sonidos anti-murciélago para así engañar a sus depredadores.
Para conocer más sobre esta investigación, Nota al Pie conversó con Matías Núñez, doctor en física.
De Darwin a la adaptación de las polillas
Las polillas tienen una especie de “sensores de advertencia” que les permiten escuchar la ecolocalización de los murciélagos. De esta forma, pueden evitar el ataque desviándose, realizando bucles, espirales y zambullidas o emitiendo un sonido anti-murciélago.
Este sonido puede impedir que los murciélagos las detecten o puede indicar un sabor nocivo ahuyentándolos. Durante más de 10 años, un grupo de científiques registró los ultrasonidos emitidos por 52 géneros y 8 subfamilias de polillas.
El resultado fue publicado en la revista Proceedings of the National Academy of Science (PNAS). “La importancia de este estudio tiene que ver con un concepto de la teoría darwiniana que es el mimetismo”, comentó Núñez.
Esto había sido visto en el caso típico de la mariposa de colores que habita en la selva, cuyos colores brillantes “avisan” que es venenosa. Al respecto, el investigador explicó que “el predador la reconoce por los colores y no la come. Otras especies de mariposas que no son venenosas, imitan el color y así aumentan sus probabilidades de supervivencia”.
“En este trabajo demostramos que existe ese mismo principio en el mundo del ultrasonido, lo que indica una dinámica evolutiva convergente. Ante una misma problemática surgen soluciones similares”, agregó.
En una región particular de Ecuador habitan especies de polillas que son apetecibles al murciélago, y otras que son desagradables o venenosas. Este estudio permitió descubrir que algunas de las que eran comestibles engañan al murciélago imitando la señal acústica del otro grupo. De esta forma, se pudo evidenciar por primera vez la mímica dentro del ultrasonido para confundir al depredador.
Además, comentó que el murciélago emite una onda de ultrasonido que rebota y una parte vuelve. Su cerebro está adaptado para poder hacer, con esa diferencia entre lo que emite y lo que vuelve, un mapeo tridimensional de todo el espacio.
El investigador del CONICET detalló que “si bien son ciegos (en el mundo de la luz), los murciélagos tienen muy buena información de todo su entorno”. A través de este mecanismo pueden saber si hay, por ejemplo, una polilla para alimentarse.
A su vez, la polilla detecta la presencia del murciélago al recibir la primera onda de ultrasonido. Lo que se muestra en el trabajo es que la gran mayoría de las polillas de todo el mundo tienen alguna clase de respuesta al sonido del murciélago.
Inteligencia artificial: las “computadoras que aprenden”
Para analizar las señales recolectadas en distintos lugares del mundo, se utilizaron métodos de inteligencia artificial (IA) con el objetivo de encontrar patrones en estas señales acústicas.
“La Inteligencia artificial es un término general que abarca un montón de técnicas, matemáticas y computacionales , que tratan, por ejemplo, de encontrar patrones en la información o datos”, señaló el Dr. Nuñez.
En este caso en particular utilizó algoritmos de machine learning o aprendizaje automático, que es una parte de la inteligencia artificial. “Esto surge de que los biólogos tenían un montón de señales grabadas de las polillas recolectadas en todo el mundo. Su base de datos era muy grande”, detalló.
A su vez, el físico añadió que “las técnicas que los biólogos usualmente emplean para analizar sus datos, no les estaban funcionando. No encontraban la información relevante en los mismos, los patrones”. Por este motivo, usó “técnicas de ‘machine learning sin supervisar’ de última generación para encontrar esos patrones”.
De esta forma, el investigador analizó toda la base de datos tratando de agrupar a las polillas según si sus sonidos eran similares. “Claramente uno puede escucharlos y clasificar a mano todo esto, con mucha gente trabajando, escuchando los sonidos. Pero comenzar a asociar tantos datos es muy difícil para un humano. Ahí es cuando se comienza a automatizar el análisis con ayuda de la Inteligencia artificial”, indicó.
¿Cómo “aprende” una computadora?
Las técnicas de machine learning comenzaron viendo de qué manera se le podía enseñar a una computadora que haga determinadas cosas. “La forma tradicional es a través de un programa, uno le da las órdenes precisas que quiere que la computadora haga”, explicó el físico.
Además, explicó que “el otro enfoque es darle información a la computadora y ver cómo hago para que resuelva el problema sin que yo le diga cómo. Esa es la base de machine learning o aprendizaje automático”.
A la larga esto generó variadas técnicas y algoritmos matemáticos y muchos físicos trabajaron en su desarrollo. Esto es muy útil para toda clase de campos. “Para el caso de las ciencias, el científico siempre está tratando de encontrar patrones en los datos que obtiene de la observación en la naturaleza”, agregó.
En general se hacen modelos que tratan de explicar la realidad y para analizar la gran cantidad de datos se utilizan diferentes técnicas matemáticas que permiten agruparlos determinando patrones que explican o describen esa realidad.