原文来源：Gregor H, Tone B, Paige E, et al., 2026. Identifying variation in dinosaur footprints and classifying problematic specimens via unbiased unsupervised machine learning, PNAS, 123, e2527222122.
https://doi.org/10.1073/pnas.2527222122.
研究背景与科学问题
机器学习在古生物学领域展现出巨大的应用潜力，尤其为破解恐龙足迹的身份归属难题提供了新途径，然而现有方法因依赖研究者的先验知识进行有监督学习，其结论难以摆脱主观偏见。长期以来，足迹鉴定面临两大核心困境：一是关乎鸟类起源的关键争议——晚三叠世至早侏罗世的“似鸟”足迹究竟是真正的鸟类所留（这将把鸟类化石记录推前约6000万年），还是由形态相似的非鸟兽脚类恐龙造成？二是食性辨别难题——大量中生代三趾型足迹如何准确区分是植食性鸟脚类恐龙还是肉食性兽脚类恐龙的产物？这些争议之所以悬而未决，根源在于足迹形态不仅受造迹者足部解剖结构影响，更被运动方式、基质性质等动态因素复杂改造，导致“一种恐龙能留下多种足迹，相似足迹可能由不同恐龙留下”（即同物异迹，异物同迹）。而传统的有监督机器学习需要研究者预先根据主观经验给训练数据打上标签（如“这是兽脚类足迹”），这种先入为主的标记过程会将人类固有的偏见带入模型，使得结论难以真正客观。因此，如何让机器学习摆脱人工先验的束缚，自主发掘数据内在规律，成为突破这一瓶颈的关键。
科学内涵
研究思路：
研究团队首先构建了一个包含1974个恐龙足迹轮廓的图像数据库，涵盖了兽脚类、鸟脚类、化石鸟类、现代鸟类、四足类恐龙（如蜥脚类、剑龙类）以及两组长期存在争议的疑难足迹（“似鸟”足迹和苏格兰中侏罗世的争议足迹）。他们采用了一种名为解耦变分自编码器（β-VAE）的无监督神经网络，在没有输入任何人工标记信息（如足迹的分类归属）的情况下，让算法自主扫描所有足迹图像，学习并提炼出最能概括整个数据集形态差异的八个核心特征。完成这一无监督学习过程后，研究者才根据文献中的专家鉴定结果，对每个足迹进行“事后标记”（即告诉算法哪个足迹属于哪类恐龙），将已知类群的信息映射到机器自主构建的形态特征空间中，并运用最近邻计算和平均特征距离等定量指标，分析不同类群在八个特征维度上的分布模式、重叠与分离程度，最终将两组疑难足迹与已知类群进行定量比较，得出其最可能的归属。
核心发现：
1. 无监督学习自主识别出八个关键形态特征：本研究首次将一种名为“解耦变分自编码器（β-VAE）”的无监督神经网络应用于恐龙足迹分析（图1）。在完全不依赖任何人工标记信息的前提下，算法自主扫描了1974个足迹的二维轮廓，通过解耦数据内部的复杂关联，提炼出八个最能概括所有足迹形态差异的独立特征（图2）。这些特征并非统计学上的抽象符号，而是具有明确解剖学和生物学解释的形态要素，包括：整体负荷与形状（反映足部接触地面的总面积和轮廓）、脚趾张开程度（各趾间的展开角度）、脚趾附着方式（趾跟部与足垫的连接关系）、脚跟负荷（脚跟区域的压力大小和印记深度）、脚趾与脚跟的强调程度（二者的相对凸显性）、负荷位置（足部压力的中心点）、脚跟位置（脚跟印记的相对方位）、左右负荷（足迹内外侧的压力分布）。这八个特征构成了一个“形态特征空间”，为量化比较不同类群的足迹奠定了客观基础。这是人类首次以如此清晰、量化的方式，看到决定恐龙足迹多样性的底层因素。
图1 解耦变分自编码器方法示意图。（A）恐龙足迹轮廓图被输入人工神经网络（B），网络中心设有一个维度瓶颈层。由于解耦条件（其强度由β参数决定）的存在，编码器部分生成的压缩表示（称为潜空间z）具有人类可解释性。解码器从这一状态重建数据（C）。图中展示了两种不同β值下的重建结果，体现出不同的重建质量和特征数量。该方法能够对缺失部分进行合理重建（D）。
图2 潜空间分析：网络生成了十个特征，代表足迹最大独立变异的方向。去除两个与镜像和旋转相关的增强特征后，剩余八个关键特征。图A通过将单个特征值在[-3, 3]范围内变化（其他特征保持不变），展示各特征对重建结果的影响，中央列为整个数据集平均足迹。图B展示了兽脚类、鸟脚类、化石鸟类、现生鸟类、四足类恐龙、似鸟足迹以及苏格兰Brothers Point疑难足迹在八个关键特征上的平均值和分布范围。
2. “整体负荷”是区分不同类群的首要特征：通过分析八个特征在各类群中的分布模式，研究发现“整体负荷与形状”是区分不同足迹制造者的最关键指标，其解释的形态差异远大于其他七个特征。这意味着，一个足迹留下的地面接触面积和整体轮廓，是判断其造迹者身份的第一道“关卡”。研究显示，被专家鉴定为四足类恐龙（如蜥脚类）、鸟脚类、兽脚类、化石鸟类和现代鸟类的足迹，在这个特征上呈现出清晰的分层和递变关系。其中，鸟脚类和兽脚类的足迹在这个首要特征上反而非常接近，而鸟类（包括化石和现代类群）则明显偏离了它们的兽脚类恐龙祖先。这一发现解释了为何传统上难以区分鸟脚类和兽脚类足迹——它们在最关键的形态维度上高度重叠；同时也暗示，从兽脚类到鸟类的演化过程中，足的负荷方式和整体形态发生了根本性的、可被量化的转变。
3. 为“似鸟足迹”归属和“兽脚类-鸟脚类”鉴别提供了新证据：将八个特征综合构建成形态空间图（图3），并运用最近邻距离和平均特征距离等指标进行量化比较（图4），研究得出了两个关键结论。第一，支持鸟类的古老起源：那些引发长期争议的晚三叠世-早侏罗世“似鸟”足迹，在形态空间中明确聚拢在现代鸟类和化石鸟类周围，而不是非鸟兽脚类恐龙一侧。这为“鸟类在侏罗纪最早期甚至三叠纪晚期就已经出现”的假说提供了来自足迹化石的有力支撑，将鸟类骨骼化石记录的最早出现时间向前大幅推移。第二，量化了相似类群的细微差别：针对苏格兰中侏罗世地层中那些难以区分的三趾足迹，定量分析表明，其中大部分在形态上更接近兽脚类恐龙，但也有一部分与鸟脚类恐龙的范围重叠。这精准地刻画了两类足迹的模糊边界，并指出区分它们的关键在于关注除“整体负荷”之外的次要特征，如脚趾的张开程度和附着方式的细微差异。将模型基于这八个特征得出的分类与专家的鉴定进行对比，结果显示一致性高达80%（兽脚类与鸟脚类区分）至93%（非鸟兽脚类与鸟类区分），证明了该无监督方法的有效性。
图3 β-VAE形态空间展示数据库中足迹的整体变异分布。每个足迹在神经网络分析后根据文献中的专家鉴定结果进行事后分组。使用t-SNE算法将八维空间（八个关键足迹特征）压缩为二维图谱。争议的Brothers Point足迹（兽脚类或鸟脚类）和似鸟足迹的位置被标出，显示它们与已鉴定类群中最接近者。各类群的典型足迹轮廓以相应颜色标出。
图4 基于最近邻距离和平均特征距离的足迹分类直方图。（A-C）非鸟兽脚类与鸟脚类比较：直方图显示约80%的已鉴定足迹落在预期类群内，争议的Brothers Point足迹多数落在兽脚类一侧，部分与鸟脚类范围重叠。（D-F）非鸟兽脚类与鸟类比较：超过93%的文献鉴定结果得到验证，多数似鸟足迹落在鸟类范围内。
4. 模型验证与实用工具开发确保方法可靠可用：为确保模型在有限数据集上不会“死记硬背”，研究团队采用数据增强技术——将足迹轮廓随机旋转、拉伸、镜像，甚至移除部分区域后再让模型重建。结果显示，模型能够准确重建从未见过的修改后足迹，甚至补全缺失部分，证明其真正学到了足迹形态的内在规律，而非简单 memorization。基于这一稳健模型，团队开发了名为“DinoTracker”的应用程序并公开全部源代码。用户只需导入任意足迹轮廓图，即可与近2000个标本数据库进行比对，快速获得基于八个核心特征的相似性分析结果。这一工具将复杂的机器学习模型封装为简易操作界面，使其他研究者无需深入理解算法细节即可应用该方法。
重要启示
启示1. 方法突破，为地球生物学提供客观分析工具：本研究展示了无监督机器学习在古生物学中的巨大潜力。它能以一种更“客观”的视角，从庞杂的化石数据中提炼出有生物学意义的模式，有效避免了人类先验知识可能带来的偏差。该方法直接回应了古生物学中的具体争议，为“鸟类起源时间”这一重大科学问题提供了来自足迹化石的新证据。这一范式不仅适用于恐龙足迹，更可推广至孢粉、微体化石、遗迹组构等地球生物学数据的量化分析，让“数据自己说话”，为重建古生态和古环境提供更可靠的依据。
启示2. 工具推广，推动遗迹学研究范式从经验走向数字化：DinoTracker应用程序的开源发布，标志着遗迹学研究从经验判断迈向数字化分析的重要一步。地球生物学研究常涉及大量遗迹标本的分类和对比，传统方法耗时且主观性强。该工具提供了标准化的定量分析流程，使任何研究者都能将自己的标本与近2000个足迹构成的数据库进行客观比对。这种数字化工作流程的普及，将推动遗迹学领域的标准化和可重复性革命，让更多地球生物学家能够便捷地应用先进分析方法。
启示3. 人机协同，赋能地球生物学家的智能决策：研究强调，机器学习并非取代人类专家的“黑箱”，而是辅助地球生物学家做出更精准判断的智能工具。机器的任务是识别模式，而人类专家则负责解读这些模式的生物学含义（如图2中对8个特征的解释）并验证结果的合理性。二者结合才是最佳路径。这种人机协同模式，既发挥了机器处理海量数据的优势，又保留了人类在背景知识整合和科学解释上的不可替代性。
——解读人：叶琴、韩凤禄
——责任编辑：叶琴
