逐次型LSTMニューラルネットワークを用いた象牙質δ15Nおよびδ13Cからの離乳期間推定：古生物学的応用における深層学習フレームワーク
Elissavet Ganiatsou1,2, Angelos Souleles1,2, Christina Papageorgopoulou1,2
1Laboratory of Biological Anthropology, Department of Humanities, Democritus University of Thrace, Komotini, Greece.
PloS one
|December 17, 2025
まとめ
新しい機械学習モデルは、歯の安定同位体（δ15Nおよびδ13C）を使用して乳児の離乳期間を正確に推定します。このアプローチは、過去の集団の健康と人口統計を理解するための堅牢なツールを提供します。
科学分野:
- 古生物学
- 古人類学
- 計算生物学
背景:
- 過去の集団における離乳期間の推定は、健康、栄養、および人口統計学的傾向を理解するために重要です。
- 従来の方法は、限られた同位体データに依存することが多く、複雑な発達パターンを見逃す可能性があります。
研究 の 目的:
- 逐次象牙質同位体データ（δ15Nおよびδ13C）から離乳期間を推定するための新しい機械学習アプローチを開発および検証すること。
- 逐次同位体パターンと歯種特異的変動を分析できる長期短期記憶（LSTM）ニューラルネットワークモデルを導入すること。
主な方法:
- 公開されている279人の逐次同位体データでトレーニングされた逐次型LSTMニューラルネットワークを利用しました。
- 予測精度を高めるために、時間的特徴と歯種エンコーディングを組み込みました。
- モンテカルロドロップアウトを介して不確実性を定量化し、RMSE、MAE、およびR2メトリックを使用してモデルパフォーマンスを評価しました。
主要な成果:
- LSTMモデルは、RMSE 0.46年、R2 0.82で高い予測精度を達成しました。
- 概念実証研究において、確立された離乳期間推定方法（WEAN、ChangeR）と比較して優れたパフォーマンスを示しました。
- δ15Nとδ13Cの両方の逐次パターンを離乳プロセスの推定に活用することに成功しました。
結論:
- 逐次同位体データから離乳期間を推定するための最初の機械学習フレームワークを導入しました。
- このモデルは、古生物学的研究のためのスケーラブルで堅牢なツールを提供し、過去の離乳習慣のより正確な再構築を可能にします。
- 複雑な生物学的軌跡の分析における高度な計算方法の可能性を強調しています。
