现在科学家已经描绘了一个来自全世界 75 个地点的 141 个植物家族的 18.2 万种树叶的地图，以便讲述植物的故事。利用这一地图，研究人员能以 14.5% 的准确率从树叶的形状估计来源地点，以 27.3% 的准确率预测科属，远比常规的树叶形状描绘方法准确。

研究人员希望这一方法能帮助他们探究树叶形状的影响因素，并有望通过化石中的形状推断古代的气候状况。“这个数据集意义重大。”美国得州贝勒大学古植物学家 Dan Peppe 表示，“我们离自动测量叶片形状、重构古代气候和植物分类更近了一步。”

该研究结果发布在近日的 bioRxiv 上。该研究的作者、植物形态学家 Dan Chitwood 也在日前得州沃斯堡举行的 2017 年植物学大会上发表了相关结果。

Chitwood 曾就职于密苏里州圣路易斯 Donald Danforth 植物科学中心，他的团队为植物地图的绘制搜集了包括葡萄和番茄在内的植物种类数据，以及有关族群和地点的广泛分类表。

然后，研究人员使用一种名为持续同调的拓扑学算法分析每片树叶的形状。根据周围像素的密度，该方法会赋予图片的每一个像素一个值，然后把树叶分成 16 份并分析这些数值出现的规律。*后，研究人员用这些数据绘制形状与地理位置在族群间的关系。

Chitwood 的*终目标是重组树叶的“形态空间”，也就是所有可能的形状所组成的数据集。“如果你能测量地球上现在和过去存在的所有树叶，结果会是随机的吗？”他问道，“会有从未出现过的形状吗？从未出现的原因是否因为植物无法生长出这种形状？”

实际上，持续同调在各方面有广泛应用，从神经网络分布到音乐乐句结构，许多结构图像分析中都有它的影子。Chitwood 希望它也能为植物分析提供线索，其他科学家也表示同意。

奥地利维也纳大学植物分类学家 Yannick Stadler 也正用此方法分析花朵的 X 光图像，并希望能克服传统方法的缺点——在常规的分类学方法中，科学家通常把重复出现的图像标记为节点，并分析规律。

Stadler 表示，这些手段在动物身上十分有用，因为动物身上有明显的标记，例如关节、眼角和鼻尖等，但花朵通常有着顺滑而流畅的弯曲形态，所以人们很难做出标记。“叶片和花朵都有巨大挑战。这让我们必须寻找新方法。”他说。

包括 Peppe 在内的古植物学家一直设法将树叶化石的分析过程自动化。目前，对植物化石节点的定位还需要科学家手动进行。

除了植物地图之外，还有许多项目致力于分析植物特征——叶片、花朵和果实等，以明晰植物的分类。例如，一个叫作 Pl@ntNet 的项目就通过用户上传手机 App 的方式搜集了大量植物图片。法国农业发展研究中心植物学家 Pierre Bonnet 表示，目前通过机器学习，该项目已分析了 58 万张来自 1.3 万种植物的图片。

Pl@ntNet 研究者、法国自动化和计算机科学研究所的 Alexis Joly 表示，该软件在辨识植物种类上比 Chitwood 的地图更胜一筹，但 Pl@ntNet 还未开始研究树叶的形状。

而 Chitwood 则希望把拓扑分析得到的结果应用到机器学习中，看看这样能否增加其科属分类和地理位置预测的准确度。但他表示，自己对形状本身更感兴趣。

Stadler 提到，在很长时间内，科学家对植物的分类逐渐变得束手无策。然而，随着科学家对植物的细节特征投入更多的研究（特别是谷物）并开始探究基因和环境的影响，该领域正在开始复兴。

“分类学正在重生。”Stadler 表示，“我认为通过对基因数据的研究，我们的未来一片光明。

原创作者：齐一生物科技（上海）有限公司