Deep Learning and Bioengineered Feature Engineering for Automated Taxonomic Identification of Mediterranean and Atlantic Demospongiae

نظراً للتقارب المورفولوجي، والتنوع الخفي، وعدم التوازن الحاد في تصنيف الإسفنجيات البحرية في سجلات المجموعات الإقليمية، لا يزال التحديد التصنيفي الدقيق لهذه الإسفنجيات يمثل تحدياً كبيراً في رصد التنوع البيولوجي. تقدم هذه الدراسة إطاراً حسابياً جديداً يدمج التعلم العميق متعدد الفئات غير المتوازن مع هندسة الميزات المستندة إلى أسس بيولوجية لأتمتة التصنيف الهرمي لـ 503 عينة من الإسفنجيات البحرية جُمعت من بيئات البحر الأبيض المتوسط ​​والمحيط الأطلسي. نقدم مساراً لبناء الميزات قائماً على أسس بيولوجية، يشفر المعلومات المورفولوجية والبيئية والتطورية المستمدة من هياكل علم الإسفنج، مما يُنتج تمثيلات عالية الأبعاد متوافقة مع بنى الشبكات العصبية العميقة. ولمعالجة الانحراف التوزيعي الكبير عبر 7 رتب، و42 عائلة، و114 جنساً، و230 نوعاً، نطبق استراتيجية هجينة للتخفيف من عدم التوازن تجمع بين أخذ عينات زائدة اصطناعية للأقلية مع مراعاة الطوبولوجيا، وأخذ عينات تكيفية موزونة حسب الفئة، وفقدان التركيز الهرمي. تستخدم البنية المقترحة شبكة عصبية تلافيفية بيانية متعددة المهام لتعلم العلاقات التصنيفية مع الحفاظ على القيود الهرمية. تُظهر التقييمات التجريبية تحسينات كبيرة مقارنةً بنماذج التعلم الآلي التقليدية، حيث حققت متوسطات F1 الكلية 0.89 على مستوى الرتبة و0.76 على مستوى النوع، مع مكاسب ملحوظة في استرجاع البيانات للأنواع الأطلسية الأقل تمثيلاً. وتشير تحليلات الاستبعاد أيضًا إلى أن دمج الميزات المُهندسة حيويًا يُحسّن بشكل كبير من تعميم النموذج.