Можно ли машине заметить стресс рыбы от нагрева воды

Созданная в университете Нагои система на базе искусственного интеллекта при тестировании на выборке из 50 особей рыб определяла момент наступления потери равновесия из-за температурного стресса с точностью, сопоставимой с разбросом оценок опытных исследователей, что описано в материале на портале Phys.org о новой методике. Разработка объединяет алгоритмы глубокого обучения DeepLabCut и ResNet34 и предназначена для объективного изучения термотолерантности водных животных в условиях изменения климата. Публикация результатов состоялась в журнале Scientific Reports 10 сентября 2026 года.

Как машинное обучение распознает стресс у обитателей водоемов

Группа под руководством лектора Томойи Накаямы и магистранта Ёсики Мацуо из Института трансформативных биомолекул (WPI-ITbM) предложила двухступенчатый подход. Сначала алгоритм идентифицирует отдельную рыбу в отсеке аквариума по видеопотоку. Затем нейросеть отслеживает семь ключевых точек на теле: кончик носа, левый и правый плавники, центр корпуса, переднюю и заднюю части туловища, а также хвост.

Координаты этих точек в динамике дают картину позы животного. Дополнительно применяется классификатор ResNet34, который на основе изображений определяет состояние — способна ли особь удерживать баланс. Когда траектории точек становятся хаотичными, а классификатор фиксирует отклонение, система автоматически помечает эпизод loss of equilibrium (LOE).

Важно, что повторный прогон одного и того же видео через модель давал идентичный результат. Такая воспроизводимость критична для статистических сравнений между видами, ведь ранее специалистам приходилось полагаться на собственный глазомер и ручную разметку.

Почему традиционный подход требовал слишком много времени

Стандартная процедура оценки температурной устойчивости предполагала постепенный нагрев или охлаждение воды с одновременной съёмкой. Момент, когда рыба переставала держаться ровно, фиксировали люди, просматривая записи вручную. Это порождало ряд проблем.

• Субъективность оценки приводила к расхождениям даже среди специалистов одного уровня;
• Обработка сотен видеофайлов занимала недели кропотливого труда;
• Невозможно было быстро сравнить сотни линий рыб при масштабных экспериментах;
• Утомляемость наблюдателя повышала риск ошибочной отметки времени события.

Новая методика снимает эти ограничения. Автоматизация позволяет прогнать тысячи записей за считанные часы, сохраняя единый критерий принятия решения. По сути, алгоритм становится беспристрастным арбитром, чья мера совпадает с человеческим консенсусом, но не устаёт и не сомневается.

Неожиданная холодостойкость родственника из Тайваня

Учёные протестировали несколько штаммов медаки и близких видов рода Oryzias. Ожидалось, что виды из высоких широт окажутся более устойчивыми к холоду. Японская медака (Oryzias latipes) подтвердила правило, показав лучшую переносимость низких температур среди изученных.

Однако недавно описанный в 2025 году тайваньский родственник Oryzias cabaranensis нарушил закономерность. Несмотря на обитание в теплых широтах, он продемонстрировал бóльшую холодостойкость, чем предсказывала модель по географической привязке. Это указывает на то, что адаптация определяется не только широтой.

1. Сбор линий рыб из разных климатических зон и лабораторное разведение;
2. Прогон каждой особы через автоматизированную камеру с понижением и повышением градуса;
3. Фиксация ИИ момента LOE и сравнение порогов между группами;
4. Анализ отклонений от широтного тренда для поиска иных факторов.

Такой сбой в логике «чем севернее, тем морозоустойчивее» заставляет пересмотреть простые схемы прогнозирования. Вероятно, история расселения или локальные генетические особенности играют роль не меньшую, чем карта.

Что это значит для оценки климата

Рыбы относятся к эктотермным животным, то есть не способны самостоятельно регулировать температуру тела. Колебания среды напрямую бьют по метаболизму, размножению и выживанию. Точная оценка порогов переносимости — фундамент для моделей будущего биоразнообразия.

Автоматизированная система хорошо подходит для крупномасштабных экспериментов с множеством видеозаписей и может ускорить сравнение десятков штаммов.

Исследователи из Нагои и университета Фукуи рассчитывают, что методика ляжет в основу мониторинга уязвимых популяций. Вместо ручного просмотра фрагментов специалисты получат объективную базу данных по термотолерантности сотен видов. Это шаг к заблаговременному выявлению зон риска в пресных и морских экосистемах.

Если алгоритм способен безошибочно замечать, когда существо теряет контроль над собственным телом при сдвиге термостата, не пора ли применить схожую логику к другим обитателям водоемов — от моллюсков до личинок амфибий? А пока стоит спросить: готовы ли мы доверить машине решение о том, какая популяция исчезнет первой при потеплении на два градуса.