高速イメージングと人工知能は昆虫の羽の仕組みの理解に役立っています

約 3 億 5,000 万年前、私たちの惑星は最初の飛行生物の進化を目撃しました。 それらは今でも存在しており、その中には依然として羽音で私たちを悩ませ続けているものもいます。 科学者はこれらの生き物を羽のある昆虫として分類していますが、世界の他の国々では単に羽のある昆虫と呼んでいます。

昆虫の生物学、特に飛行には科学者にとって謎のままの側面が数多くあります。 1つ目は単純に翼をどのように動かすかです。 昆虫の羽ジョイントは、昆虫の羽と胴体を接続する特殊なジョイントです。 それらは、強結晶と呼ばれる 5 つの相互接続されたシート状構造で構成されています。 これらのプレートが下にある筋肉によって動かされると、昆虫の羽が羽ばたきます。

これまで、科学者にとって、高度な画像技術を使用したとしても、強膜の動きを支配する生体力学を理解することは困難でした。 「翼関節内の強膜は非常に小さく、非常に速く動くため、ストロボイメージング、高速ビデオ撮影、X線断層撮影を使用した努力にもかかわらず、飛行中の強膜の機械的動作は正確に捕捉されていません」と、ザレム大学のマイケル・ディキンソン教授は述べた。カリフォルニア工科大学（カリフォルニア工科大学）の生物学と生物工学を担当する同氏はArs Technicaに語った。

その結果、科学者たちは飛行中に翼の関節内で小規模に何が起こっているのかを正確に視覚化することができず、昆虫の飛行を詳細に研究することができなくなっています。 しかし、ディキンソンと彼のチームによる新しい研究により、昆虫の羽の強膜とヒンジの仕組みがついに明らかになりました。 彼らはショウジョウバエの羽の動きを捉えました（クロハラミバエ) は、昆虫の羽の動きを形成する際に個々の強膜が果たす役割を解読するために、ニューラル ネットワークを使用して記録された 72,000 の羽の鼓動を分析しました。

昆虫の羽の細部までわかる

昆虫の飛行を支配する生体力学は、鳥やコウモリのそれとはまったく異なります。 これは、昆虫の羽が手足から発達しなかったためです。 「鳥、コウモリ、翼竜の場合、これらの動物は主に前肢で飛ぶため、翼がどこから来たのかが正確にわかっています。昆虫の場合は、進化の過程で完全に異なります。しかし、6匹全員が体の背側に羽ばたきする付属器官を追加しており、それらの翼がどこから来たのかは不明です。

昆虫の羽はどこから来たのかを示唆する研究者もいます。 鰓のような付属物 古代の水生節足動物に見られます。 翼の起源は「」であると信じている人もいます。クローブ「昆虫の祖先である古代の甲殻類の足に見られる特別な成長物。この議論はまだ進行中であるため、その進化からは蝶番と強膜がどのように機能するかについて多くを知ることはできません。」

節足動物の仕組みを理解することは、昆虫がこれほど効果的に飛行できる生き物になっている理由であるため、非常に重要です。 これにより、体の大きさに比べて驚くべき速度で飛行し (一部の昆虫は時速 53 マイルで飛行することができます)、飛行中に優れた機動性と安定性を発揮します。

研究著者らによると、「昆虫の羽の関節は、おそらく自然界で最も洗練され、進化的に重要な骨格構造の一つだ」という。

しかし、ヒンジを構成する 5 つの強膜のうち 4 つの活動を画像化することは、そのサイズと動作速度のせいで不可能でした。 ディキンソンと彼のチームは、この課題を克服するために学際的なアプローチを使用しました。 彼らは、赤外線を使用して毎秒 15,000 フレームの速度でつながれたショウジョウバエの活動を記録する 3 台の高速カメラを備えた装置を設計しました。

彼らはまた、昆虫が飛行する際の誘導筋肉の活動の変化を追跡するために、カルシウム感受性タンパク質を使用した（カルシウムは筋肉の収縮を刺激するのに役立つ）。 「私たちは、82 匹のハエから合計 485 の飛行シーケンスを記録しました。ハエが飛行を停止したとき、または異常に低い翼ビート周波数で飛行したときのシーケンスから翼ビートのサブセットを除外した後、72,219 個の翼ビートの最終データセットを取得しました。 注意。

次に、データセットの 85% を使用して、機械学習ベースの畳み込みニューラル ネットワーク (CNN) をトレーニングしました。 「私たちはCNNモデルを使用して、一連の仮想操作を実行することで筋活動と翼の動きの間の変換を研究し、ネットワークを利用して実際のハエでは実行が難しい実験を実行しました」と彼らは説明しました。

ニューラル ネットワークに加えて、彼らはエンコーダー デコーダー ニューラル ネットワーク (機械学習で使用されるアーキテクチャ) も開発し、誘導筋の活動に関連するデータをそれに入力しました。 CNN モデルは翼の動きを予測できますが、エンコーダ/デコーダは翼の動き中の個々の硬い筋肉の動作を予測できます。 次に、予測したデータが正確かどうかを確認します。