Information

Identifizierung eines ungewöhnlichen Baumes

Identifizierung eines ungewöhnlichen Baumes


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ort: Lyon, Frankreich

Ich glaube, es ist einer der faulsten Bäume, die ich je gesehen habe XD


Wie Sudachi bemerkte, wurde es wahrscheinlich über viele Jahre hinweg beschnitten, um diese Form anzunehmen. Es ist keine natürliche Form.

Ich würde sagen, dass es ohne eine Nahaufnahme der Blätter nicht möglich ist, die genaue Baumart zu bestimmen. Beim Heranzoomen sieht es so aus, als könnte es sich um eine Lawson Cypress handeln (Chamaecyparis lawsoniana), obwohl es sich um eine Leyland-Zypresse handeln könnte (x Cupressocyparis leylandii) oder eine Reihe anderer Möglichkeiten.

Eine Möglichkeit, dies weiter zu untersuchen, wenn Sie es sicher wissen möchten, abgesehen von der Veröffentlichung einer Nahaufnahme des Laubs, die möglicherweise hilfreich ist, besteht darin, einige Zypressenexemplare zu finden, deren Namen Sie finden können. Vielleicht in einem Gartencenter oder einem Arboretum, dann vergleichen Sie den Geruch des Laubs, wenn Sie es zwischen den Fingern kneifen und zerdrücken. Verschiedene Arten haben einen charakteristischen Geruch, der eine nützliche Methode zur Identifizierung ist.


Die schnelle und zuverlässige Identifizierung von Insekten ist in vielen Zusammenhängen wichtig, vom Nachweis von Krankheitsüberträgern und invasiven Arten bis hin zur Sortierung von Material aus Biodiversitätsinventaren. Aufgrund des Mangels an ausreichendem Know-how besteht seit langem ein Interesse, automatisierte Systeme für diese Aufgabe zu entwickeln. Frühere Versuche basierten auf der mühsamen und komplexen manuellen Extraktion von Bildmerkmalen, aber in den letzten Jahren hat sich gezeigt, dass hochentwickelte Convolutional Neural Networks (CNNs) lernen können, relevante Merkmale automatisch und ohne menschliches Eingreifen zu extrahieren. Leider erfordert das Erreichen einer Genauigkeit auf Expertenebene bei CNN-Identifikationen erhebliche Rechenleistung und riesige Trainingsdatensätze, die für taxonomische Aufgaben oft nicht verfügbar sind. Dies kann durch Merkmalsübertragung angegangen werden: Ein CNN, das für eine generische Bildklassifizierungsaufgabe vortrainiert wurde, wird den interessierenden taxonomischen Bildern ausgesetzt, und Informationen über seine Wahrnehmung dieser Bilder werden zum Trainieren eines einfacheren, dedizierten Identifizierungssystems verwendet. Hier entwickeln wir eine effektive Methode des CNN-Merkmalstransfers, die eine Genauigkeit auf Expertenniveau bei der taxonomischen Identifizierung von Insekten mit Trainingssätzen von 100 Bildern oder weniger pro Kategorie, je nach Art des Datensatzes, erreicht. Insbesondere extrahieren wir reichhaltige Darstellungen von mittleren bis hohen Bildmerkmalen aus der CNN-Architektur VGG16, die auf dem ImageNet-Datensatz vortrainiert wurde. Diese Informationen werden einem linearen Support-Vektor-Maschinen-Klassifikator zugeführt, der auf das Zielproblem trainiert wird. Wir testeten die Leistung unseres Ansatzes an zwei Arten anspruchsvoller taxonomischer Aufgaben: 1) Identifizierung von Insekten zu höheren Gruppen, wenn sie wahrscheinlich zu Untergruppen gehören, die zuvor noch nicht gesehen wurden, und 2) Identifizierung visuell ähnlicher Arten, die selbst für schwer zu trennen sind Experten. Für die erste Aufgabe erreichte unser Ansatz

Die schnelle und zuverlässige Identifizierung von Insekten, entweder zu Arten oder zu höheren taxonomischen Gruppen, ist in vielen Zusammenhängen wichtig. Insekten bilden einen großen Teil der biologischen Vielfalt unseres Planeten, und Fortschritte beim Verständnis der Zusammensetzung und Funktionsweise der Ökosysteme des Planeten hängen teilweise von unserer Fähigkeit ab, die Insekten, die sie bewohnen, effektiv zu finden und zu identifizieren. Es besteht auch ein Bedarf an einer einfachen und genauen Identifizierung von Insekten, um Bedenken in Bezug auf menschliche Ernährung und Gesundheit auszuräumen. Solche Anwendungen umfassen den Nachweis von Insekten, die Pflanzenschädlinge ( FAO 2015), Krankheitsüberträger ( WTO 2014) oder invasive Arten ( GISD 2017) sind.

Die Identifizierung von Insekten ist aufgrund ihrer immensen Artenvielfalt [bis heute mehr als 1,02 Millionen beschriebene Arten ( Zhang 2011)] und der erheblichen Unterschiede innerhalb der Arten aufgrund von Geschlecht, Farbmorph, Lebensstadium usw. schwierig. Mit etwas Training kann man lernen, wie höhere taxonomische Gruppen wie Ordnungen zu unterscheiden, aber schon auf Familienebene wird die Aufgabe selbst für Experten ziemlich anspruchsvoll, es sei denn, wir beschränken das Problem auf eine bestimmte Lebensphase, geographische Region oder Insektenordnung. Generell gilt: Je niedriger die taxonomische Ebene, desto anspruchsvoller wird die Identifikationsaufgabe ( Abb. 1). Auf Artenebene kann eine zuverlässige Identifizierung jahrelange Schulung und Spezialisierung auf ein bestimmtes Insektentaxon erfordern. Solche erfahrenen Taxonomen sind oft gefragt, insbesondere für Gruppen, die nicht auffällig und attraktiv sind, und ihre Zeit könnte besser verwendet werden als für Routineidentifikationen.

Eine schematische Darstellung der Taxonomie von Insekten. Der vollständige Baum ist in hierarchische Ränge organisiert und enthält ungefähr 1,02 Millionen bekannte Arten und mehrere Millionen, die noch beschrieben werden müssen. Die Einordnung eines Exemplars in eine Gruppe höheren Ranges, wie zum Beispiel Ordnung, ist normalerweise mit einem bescheidenen Trainingsaufwand relativ einfach. Die Herausforderung und der Umfang des erforderlichen Fachwissens steigen erheblich (Übergang von Grün zu Rot), wenn der taxonomische Rang gesenkt wird.

Eine schematische Darstellung der Taxonomie von Insekten. Der vollständige Baum ist in hierarchische Ränge organisiert und enthält ungefähr 1,02 Millionen bekannte Arten und mehrere Millionen, die noch beschrieben werden müssen. Die Einordnung eines Exemplars in eine Gruppe höheren Ranges, wie zum Beispiel Ordnung, ist normalerweise mit einem bescheidenen Trainingsaufwand relativ einfach. Die Herausforderung und der Umfang des erforderlichen Fachwissens steigen erheblich (Übergang von Grün zu Rot), wenn der taxonomische Rang gesenkt wird.

Aus diesen Gründen besteht seit langem ein Interesse an der Entwicklung automatisierter bildbasierter Systeme zur Insektenidentifikation ( Schröder et al. 1995 Weeks et al. 1997, 1999a, 1999b Gauld et al. 2000 Arbuckle et al. 2001 Watson et al. 2003 Tofilski 2004, 2007 ONeill 2007 Steinhage ua 2007, Francoy ua 2008 Yang ua 2015 Feng ua 2016 Martineau ua 2017). Allen derartigen bisher entwickelten Systemen ist gemeinsam, dass sie auf eine handwerkliche Merkmalsextraktion angewiesen sind. „Handcrafted“ oder „hand-engineered“ sind Standardbegriffe in Machine Learning und Computer Vision, die sich auf die Anwendung eines Prozesses wie eines Algorithmus oder eines manuellen Verfahrens beziehen, um relevante Merkmale zur Identifizierung aus den Rohdaten (Bilder in unserem Fall) zu extrahieren. . Beispiele für Merkmale, die zur taxonomischen Identifizierung verwendet wurden, sind das Flügelvenenmuster, die relative Position der Flügelvenenverbindungen und der Umriss des Flügels oder des gesamten Körpers. Obwohl viele dieser Systeme eine gute Identifikationsleistung erzielen, hat der Bedarf an spezieller Merkmalsextraktion, die auf jede Aufgabe zugeschnitten ist, ihren Einsatz in der Praxis eingeschränkt.

In den letzten Jahren haben sich Deep Learning (DL) und Convolutional Neural Networks (CNNs) als die effektivsten Ansätze für eine Reihe von Problemen in der automatisierten Klassifikation herausgestellt ( LeCun et al. 2015 Schmidhuber 2015) und Computer Vision ist eines der Gebiete, in denen Diese Techniken haben eine transformative Wirkung gehabt. Die Grundideen gibt es schon lange (Fukushima 1979, 1980 Fukushima et al. 1983), aber eine deutliche Zunahme der Komplexität und Größe der neuronalen Netze und eine enorme Zunahme der für das Training verwendeten Datenmengen haben zu spektakulären Fortschritten geführt in den vergangenen Jahren. Diese Entwicklungen wären wiederum ohne die zusätzliche Rechenleistung moderner Grafikprozessoren (GPUs) nicht möglich gewesen.

Im Gegensatz zu herkömmlichen Ansätzen des maschinellen Lernens, die eine handgefertigte Merkmalsextraktion erfordern, ermöglichen DL und CNNs ein durchgängiges Lernen aus einem Satz von Trainingsdaten. Beim End-to-End-Lernen besteht die Eingabe aus gekennzeichneten Rohdaten wie Bildern, sonst nichts. Die Bilder können sogar unterschiedliche Ansichten, Körperteile oder Lebensphasen darstellen – das CNN findet automatisch die relevanten Funktionen für die jeweilige Aufgabe. CNNs waren besonders erfolgreich bei Bildklassifizierungsaufgaben, bei denen große beschriftete Trainingssätze für überwachtes Lernen zur Verfügung stehen. Über die erste übermenschliche Leistung von GPU-betriebenen CNNs ( Cireşan et al. 2011) wurde 2011 in einem Verkehrszeichenwettbewerb berichtet ( Stallkamp et al. 2011). Der Durchbruch kam 2012, als eine CNN-Architektur namens AlexNet (Krzhevsky et al. 2012) alle anderen Systeme in der ImageNet Large Scale Visual Recognition Challenge (Russakovsky et al. 2015) übertraf, die damals 1,3 Millionen Bilder umfasste, die in 1000 Kategorien unterteilt waren , wie „Löwe“, „Tasse“, „Autorad“ und verschiedene Katzen- und Hunderassen. Seitdem hat sich die CNN-Leistung dank der Entwicklung tieferer, komplexerer neuronaler Netzarchitekturen und der Verwendung größerer Datensätze für das Training erheblich verbessert. Die Open-Source-Lizenzierung von DL-Entwicklungs-Frameworks hat weitere methodische Fortschritte ausgelöst, indem sie eine große Entwickler-Community angezogen hat.

Das Training eines komplexen CNN von Grund auf auf Leistungsniveaus, die dem Menschen ebenbürtig sind, erfordert eine riesige Menge an gekennzeichneten Bildern und verbraucht eine beträchtliche Menge an Rechenressourcen, was bedeutet, dass es derzeit nicht realistisch ist, ein dediziertes CNN für die meisten Bildklassifizierungsaufgaben zu trainieren. In den letzten Jahren wurde jedoch entdeckt, dass ein CNN, das auf eine generische Bildklassifizierungsaufgabe trainiert wurde, bei der Lösung eines spezielleren Problems unter Verwendung einer Technik namens Transfer-Lernen (Caruana 1995 Bengio 2011 Yosinski et al. 2014 Azizpour et al. 2016). Dies reduziert den Rechenaufwand und macht es auch möglich, von der Leistungsfähigkeit eines ausgeklügelten CNN zu profitieren, selbst wenn der Trainingssatz für die vorliegende Aufgabe mäßig bis klein ist.

Es wurden zwei Varianten des Transferlernens ausprobiert. In der ersten, Feinabstimmung, wird das vortrainierte CNN durch Feinabstimmung der Modellparameter leicht modifiziert, so dass das CNN die spezialisierte Aufgabe lösen kann. Die Feinabstimmung funktioniert in der Regel gut, wenn die spezialisierte Aufgabe der ursprünglichen Aufgabe ähnlich ist (Yosinski et al. 2014), kann jedoch eine beträchtliche Menge an Trainingsdaten und Rechenleistung erfordern. Es ist auch anfällig für eine Überanpassung an die spezialisierte Aufgabe, wenn die Datensätze klein sind, da es eine seltene Kategorie fälschlicherweise mit einem irrelevanten Merkmal wie einem speziellen Hintergrundtyp in Verbindung bringen kann, der zufällig in den wenigen Bildern dieser Kategorie vorhanden ist im Trainingsset.

Die zweite Variante des Transferlernens ist bekannt als Merkmalsübertragung, und beinhaltet die Verwendung des vortrainierten CNN als automatisierten Merkmalsextrahierer ( Donahue et al. 2014 Oquab et al. 2014 Razavian et al. 2014 Zeiler und Fergus 2014 Azizpour et al. 2016 Zheng et al. 2016). Das vortrainierte CNN wird dem Trainingssatz für die spezialisierte Aufgabe ausgesetzt, und dann werden Informationen aus den Zwischenschichten des CNN extrahiert, wodurch Bildmerkmale auf niedriger bis hoher Ebene erfasst werden (siehe Beschreibung der CNN-Schichtarchitektur unten). Die Merkmalsinformationen werden dann verwendet, um ein einfacheres maschinelles Lernsystem, wie beispielsweise eine Support-Vektor-Maschine (SVM) (Cortes und Vapnik 1995), auf die spezialisiertere Aufgabe zu trainieren. Die Funktionsübertragung in Kombination mit SVMs funktioniert tendenziell besser als die Feinabstimmung, wenn sich die spezialisierte Aufgabe von der ursprünglichen Aufgabe unterscheidet. Es ist rechnerisch effizienter, funktioniert für kleinere Bildsätze und SVMs sind weniger anfällig für Overfitting, wenn mit unausgeglichenen Datensätzen gearbeitet wird, d. h. Datensätze, bei denen einige Kategorien durch sehr wenige Beispiele repräsentiert werden (He und Garcia 2009).

Ausgefeilte CNNs und Transfer Learning wurden in den letzten Jahren erfolgreich eingesetzt, um die Klassifizierung einiger biologischer Bilddatensätze zu verbessern, wie zum Beispiel „Caltech-UCSD Birds-200-2011“ (Birds-200-2011) ( Wah et al. 2011) ( 200 Arten, 40–60 Bilder pro Art) und „102 Category Flower Data set“ (Flowers-102) ( Nilsback und Zisserman 2008) (102 Blumenarten, die im Vereinigten Königreich häufig vorkommen, 40–258 Bilder pro Art) ( Tabelle 1) . Ähnliche, aber umfangreichere Datensätze, die von Citizen Scientists beigesteuert wurden, werden in mehreren laufenden Projekten untersucht, wie Merlin Bird ID (Van Horn et al. 2015), [email protected] (Joly et al. 2014) und iNaturalist (Webanwendung verfügbar unter http:/ /www.innaturalist.org). Bei diesen Datensätzen handelt es sich um Outdoor-Bilder von Arten, die für den Menschen normalerweise leicht zu trennen sind, zumindest mit etwas Training, und die automatisierten Identifizierungssysteme können in der Genauigkeit noch nicht ganz mit menschlichen Experten konkurrieren.

Vergleich der Leistung einiger automatisierter Bildidentifikationssysteme vor CNNs und einiger neuerer CNN-basierter Verfahren auf dem neuesten Stand der Technik an zwei gängigen feinkörnigen Datensätzen (dh Datensätzen mit einander ähnlichen Kategorien), Bird-200-2011 (Wah et al. 2011) und Flower-102 (Nilsback und Zisserman 2008)

Methoden . Vogel . Blume . Verweise .
Pre-CNN-Methoden
Farbe+SIFT 26.7 81.3 (Khan et al., 2013)
GMaxPooling 33.3 84.6 (Murray und Perronnin, 2014)
CNN-basierte Techniken
CNNaug-SVM 61.8 86.8 (Razavian et al., 2014)
MsML 67.9 89.5 (Qian et al., 2014)
Fusion-CNN 76.4 95.6 (Zheng et al., 2016)
Bilineares CNN 84.1 (Lin et al., 2015)
Raffiniertes CNN 86.4 (Zhanget al., 2017)
Methoden . Vogel . Blume . Verweise .
Pre-CNN-Methoden
Farbe+SIFT 26.7 81.3 (Khan et al., 2013)
GMaxPooling 33.3 84.6 (Murray und Perronnin, 2014)
CNN-basierte Techniken
CNNaug-SVM 61.8 86.8 (Razavian et al., 2014)
MsML 67.9 89.5 (Qian et al., 2014)
Fusion-CNN 76.4 95.6 (Zheng et al., 2016)
Bilineares CNN 84.1 (Lin et al., 2015)
Raffiniertes CNN 86.4 (Zhanget al., 2017)

Notiz: Alle CNN-basierten Methoden verwendeten vortrainiertes VGG16 und Transferlernen ( Simonyan und Zisserman 2014). Die Zahlen geben den Prozentsatz der korrekt identifizierten Bilder im vordefinierten Testsatz an, die während des Trainings nicht verwendet wurden.

Vergleich der Leistung einiger automatisierter Bildidentifikationssysteme vor CNNs und einiger neuerer CNN-basierter Verfahren auf dem neuesten Stand der Technik an zwei gängigen feinkörnigen Datensätzen (dh Datensätzen mit einander ähnlichen Kategorien), Bird-200-2011 (Wah et al. 2011) und Flower-102 (Nilsback und Zisserman 2008)

Methoden . Vogel . Blume . Verweise .
Pre-CNN-Methoden
Farbe+SIFT 26.7 81.3 (Khan et al., 2013)
GMaxPooling 33.3 84.6 (Murray und Perronnin, 2014)
CNN-basierte Techniken
CNNaug-SVM 61.8 86.8 (Razavian et al., 2014)
MsML 67.9 89.5 (Qian et al., 2014)
Fusion-CNN 76.4 95.6 (Zheng et al., 2016)
Bilineares CNN 84.1 (Linet al., 2015)
Raffiniertes CNN 86.4 (Zhanget al., 2017)
Methoden . Vogel . Blume . Verweise .
Pre-CNN-Methoden
Farbe+SIFT 26.7 81.3 (Khan et al., 2013)
GMaxPooling 33.3 84.6 (Murray und Perronnin, 2014)
CNN-basierte Techniken
CNNaug-SVM 61.8 86.8 (Razavian et al., 2014)
MsML 67.9 89.5 (Qian et al., 2014)
Fusion-CNN 76.4 95.6 (Zheng et al., 2016)
Bilineares CNN 84.1 (Lin et al., 2015)
Raffiniertes CNN 86.4 (Zhanget al., 2017)

Notiz: Alle CNN-basierten Methoden verwendeten vortrainiertes VGG16 und Transferlernen ( Simonyan und Zisserman 2014). Die Zahlen geben den Prozentsatz der korrekt identifizierten Bilder im vordefinierten Testsatz an, die während des Trainings nicht verwendet wurden.

Der Hauptzweck des aktuellen Artikels besteht darin, zu untersuchen, inwieweit der CNN-Merkmalstransfer bei der Entwicklung genauer Diagnosewerkzeuge verwendet werden kann, wenn Systematikern realistische Bildsätze und Rechenbudgets zur Verfügung stehen. Der Artikel stellt eine der ersten Anwendungen des CNN-Feature-Transfers auf anspruchsvolle und realistische taxonomische Aufgaben dar, bei denen ein hohes Maß an Identifizierungsgenauigkeit erwartet wird. Im Gegensatz zu früheren Studien wurden alle hier für Training und Validierung verwendeten unabhängigen Identifizierungen von taxonomischen Experten mit Zugang zu den abgebildeten Exemplaren bereitgestellt. So konnten die Experten für die Identifizierung kritische Zeichen untersuchen, die in den Bildern nicht sichtbar sind, wie beispielsweise Details der Bauchseite von von oben aufgenommenen Präparaten. Die Experten hatten auch Zugriff auf Sammlungsdaten, was oft die Identifizierung erleichtert.

Wir untersuchten zwei Arten anspruchsvoller taxonomischer Aufgaben: 1) Identifizierung in höhere Gruppen, wenn viele Exemplare wahrscheinlich zu Untergruppen gehören, die zuvor noch nicht gesehen wurden, und 2) Identifizierung visuell ähnlicher Arten, die selbst für Experten schwer zu trennen sind. Für die erste Aufgabe haben wir zwei Datensätze zusammengestellt, die aus verschiedenen Bildern von Diptera-Gesichtern bzw. dem dorsalen Habitus von Coleoptera bestehen. Für die zweite Aufgabe verwendeten wir Bilder von drei eng verwandten Arten der Gattung Coleoptera Oxythyrea, und von neun Arten von Plecoptera-Larven (Lytle et al. 2010). Das Training des automatisierten Identifizierungssystems basierte vollständig auf den Originalbildern, es wurde keine Vorverarbeitung verwendet, um dem Computer zu helfen, für die Identifizierung wichtige Merkmale zu identifizieren.

In all unseren Experimenten haben wir die CNN-Architektur VGG16 mit auf dem ImageNet-Datensatz (Simonyan und Zisserman 2014) vortrainierten Gewichten zur Merkmalsextraktion und einer linearen SVM (Cortes und Vapnik 1995) zur Klassifizierung verwendet. Unsere Arbeit konzentrierte sich auf die Optimierung von Merkmalsextraktionstechniken, um ein hohes Maß an Identifikationsgenauigkeit zu erreichen. Wir haben auch die Fehler des automatisierten Identifizierungssystems analysiert, um die Grenzen unseres Ansatzes zu verstehen. Um die Allgemeingültigkeit unserer Ergebnisse zu validieren, haben wir unser optimiertes System schließlich an mehreren anderen biologischen Bildklassifizierungsaufgaben getestet, die in der neueren Literatur zur automatisierten Identifizierung untersucht wurden.


Seltsamer Organismus hat einzigartige Wurzeln im Baum des Lebens

Apropos Großfamilie: Ein einzelliger Organismus in Norwegen wurde als "entfernster Verwandter der Menschheit" bezeichnet. Es ist so weit von den uns bekannten Organismen entfernt, dass Forscher behaupten, es gehört zu einer neuen Basisgruppe, einem Königreich, auf dem Baum des Lebens.

„Wir haben einen unbekannten Zweig des Lebensbaums gefunden, der in diesem See lebt. Er ist einzigartig! Bisher kennen wir keine andere Gruppe von Organismen, die näher an den Wurzeln des Lebensbaums abstammen als diese Art“, Studie Das teilte der Forscher Kamran Shalchian-Tabrizi von der Universität Oslo in Norwegen mit.

Der Organismus, eine Art Einzeller, wurde von Forschern in einem See in der Nähe von Oslo gefunden. Protozoen sind der Wissenschaft seit 1865 bekannt, aber weil sie im Labor schwer zu kultivieren sind, konnten die Forscher ihre genetische Ausstattung nicht in den Griff bekommen. Sie wurden im Reich der Protisten auf dem Lebensbaum platziert, hauptsächlich aufgrund von Beobachtungen ihrer Größe und Form.

In dieser Studie, die am 21. März in der Zeitschrift Molecular Biology Evolution veröffentlicht wurde, konnten die Forscher genügend Protozoen, genannt Kollodiction, im Labor, um sein Genom zu analysieren. Sie fanden heraus, dass es genetisch in keines der zuvor entdeckten Königreiche des Lebens passt. Es ist ein Organismus mit membrangebundenen inneren Strukturen, der Eukaryont genannt wird, aber genetisch gesehen ist es kein Tier, keine Pflanze, kein Pilz, keine Alge oder kein Protist (die fünf Hauptgruppen der Eukayoten). [Extremes Leben auf der Erde: 8 bizarre Kreaturen]

„Der Mikroorganismus gehört zu den ältesten derzeit lebenden eukaryotischen Organismen, die wir kennen. Er hat sich vor etwa einer Milliarde Jahren entwickelt, plus oder minus ein paar hundert Millionen Jahren. Er gibt uns ein besseres Verständnis davon, wie das frühe Leben auf der Erde aussah.“ sagte Tabriz.

Funktionsmix

Wie es aussah, war klein. Der von den Forschern gefundene Organismus ist etwa 30 bis 50 Mikrometer (etwa die Breite eines menschlichen Haares) lang. Es frisst Algen und lebt nicht gerne in Gruppen. Es ist auch einzigartig, weil es anstelle von ein oder zwei Flagellen (Zellschwänze, die den Organismen helfen, sich zu bewegen) vier hat.

Der Organismus hat auch einzigartige Eigenschaften, die normalerweise mit Protisten und Amöben, zwei verschiedenen Zweigen, in Verbindung gebracht werden. Dies führte dazu, dass sich die Forscher fragten, wo der Mikroorganismus in den Baum des Lebens passt. Sie analysierten seinen genetischen Code, um festzustellen, wie ähnlich er bereits genetisch katalogisierten Organismen ist.

"Wir sind überrascht", sagt Studienforscher Dag Klaveness, ebenfalls von der Universität Oslo, denn die Art ist einzigartig. Mit wenig Glück verglichen sie sein Genom mit denen in Hunderten von Datenbanken auf der ganzen Welt. Bei all dem Suchen haben sie "nur eine teilweise Übereinstimmung mit einer Gensequenz in Tibet gefunden".

Die Forscher glauben, dass dieser Organismus in eine neue Gruppe am Baum des Lebens gehört. Forscher können nicht mit Sicherheit sagen, ob andere Organismen, die zuvor als Protozoen klassifiziert wurden, ohne ihre genetische Information in diesem Zweig vorkommen. Sein nächster bekannter genetischer Verwandter ist der Protist Diphylleia, obwohl andere Organismen, die nicht genetisch analysiert wurden, nähere Verwandte sein können.

"Es ist denkbar, dass nur wenige andere Arten in diesem Familienzweig des Lebensbaums existieren, der all die vielen hundert Millionen Jahre überlebt hat, seit die eukaryotischen Arten zum ersten Mal auf der Erde erschienen sind“, sagte Klaveness.

Da es Merkmale von zwei getrennten Königreichen des Lebens aufweist, denken die Forscher, dass die Vorfahren dieser Gruppe die Organismen sein könnten, die auch diese anderen Königreiche, die Amöbe und die Protisten, hervorgebracht haben. Wenn das stimmt, wären sie einige der ältesten Eukaryoten, aus denen alle anderen Eukaryoten, einschließlich des Menschen, hervorgehen.

Sie können der Autorin von LiveScience, Jennifer Welsh, folgen auf Twitter, An Google+ oder auf Facebook. Folgen Sie LiveScience für die neuesten wissenschaftlichen Nachrichten und Entdeckungen auf Twitter und weiter Facebook.

Anmerkung des Herausgebers: Dieser Artikel wurde aktualisiert, um die Tatsache zu korrigieren, dass Amöben und Protisten zwei Königreiche waren, obwohl sie in Wirklichkeit nur zwei verschiedene Zweige innerhalb der Eukaryoten sind.


Artenbiologie der Beifußsteppe

ARTENBIOLOGIE der SAGEBRUSH STEPPE:
Die Artenbiologie kann durch die Lebensstrategien einer Art beschrieben werden. Lebensstrategien sind die Art und Weise, wie ein Organismus Energie und Materialien zuweist, um in einer Umgebung konkurrieren zu können, zu überleben und sich fortzupflanzen. Die Entwicklung von Kompromissen zwischen Wachstums-/Überlebens-/Reproduktions-Lebensstrategien, die sich durch natürliche Selektion entwickeln, ist eine Summe aus Morphologie, Physiologie, Umweltreaktionen, Ressourcenbedarf, Energieaufnahme, -speicherung und -zuweisung, Reproduktionsstrategie und Lebenszyklus einer Art. Die Hauptlebensstrategien der Beifuß-Steppenarten sind Anpassungen an Hitze und Trockenheit (Dürre).

Pflanzen
Die Photosynthese ist die Grundlage der Nahrungskette und liefert Energie für alle trophischen Ebenen. Sonnenstrahlung wird verwendet, um H20 und C20 in Kohlenhydrate umzuwandeln, die Energie für Pflanzen und Tiere produzieren. Es gibt drei Photosynthesewege, die sich in verschiedenen Umgebungen entwickelt/angepasst haben und gedeihen: C3, C4 und CAM. Pflanzen sind Primärproduzenten, da sie Energie produzieren, indem sie Sonnenlicht verwenden, um Wasser und Kohlendioxid zu Kohlenhydraten für alle oberen trophischen Ebenen der Nahrungskette zu synthetisieren.
Der C3-Weg produziert 3-Kohlensäure. Es gibt einen einstufigen Kohlenstofffixierungsprozess, bei dem CO2 von Rubisco direkt in den Chloroplasten einer Pflanze fixiert wird. C3-Pflanzen haben den ältesten Pfad, weil sie sich zuerst während einer Zeit mit hoher CO2-Konzentration und niedrigem O2-Gehalt entwickelt haben. Daher können C3-Pflanzen durch hohe O2-Werte gehemmt werden, ein Problem, das als Photorespiration bezeichnet wird: Dabei bindet O2 an Rubisco statt an CO2. Sie sind Pflanzen der kühlen Jahreszeit, die empfindlich auf warmes und trockenes Klima reagieren (gedeihen bei Temperaturen von 65-75 Grad F).
Der C4-Weg produziert 4-Kohlensäure. Es kann die einstufige Funktion des C3-Wegs übernehmen oder ATP als Energie für einen zweistufigen Prozess verwenden, der die Photorespiration reduziert. Dieser zweistufige Prozess beinhaltet die PEPcase, die als anfänglicher Rezeptor von CO2 fungiert, nicht Rubisco. PEPcase hat eine hohe Affinität zu CO2 und keine zu Sauerstoff. Die Temperatur reicht von 90-95 Grad F, also sind sie Pflanzen der warmen Jahreszeit. C4-Pflanzen entwickelten sich nach C3 während eines Zeitraums mit hoher O2-Konzentration.
CAM-Pflanzen haben Anpassungen entwickelt, die Wasser in heißen und trockenen Umgebungen mit hoher Verdunstung sparen. Die Stomata öffnen sich nachts (dunkel) statt tagsüber (hell), wenn CO2 in die Pflanze eindringt. CAM-Pflanzen starten die Photoatmung mit PEPcase ohne Sonneneinstrahlung und fahren tagsüber fort, wenn Licht verfügbar ist. CAM-Pflanzen sind am engsten mit dem C4-Weg verwandt, dem zuletzt entwickelten Weg.
Die vorherrschenden Pflanzenarten in einem Ökosystem der Beifuß-Steppe sind Sträucher und Gräser, darunter Basin Big Beifuß, Antelope Bitterbrush, Idaho-Schwingel, Bluebunch Wheatgrass, Rubber Rabbitbrush, Green Rabbitbrush, Cheatgrass, Ventenata, Sandberg Bluegrass und Basin Wildrye. Die allgemeinen Anpassungen sind an Trockenheit (Aridität) und Hitze, mit üppiger Vegetation in Gebieten mit genügend Niederschlag, um Sträucher und Gräser, aber keine Bäume, zu unterstützen. Sie überleben im System, indem sie schneereiche Winter und heiße, trockene Sommer überstehen. Die dominierende Vegetation sind Pflanzen, die in einer halbtrockenen Umgebung überleben können. Die Anpassungen an Hitze und Dürre umfassen Mechanismen, um die geringen Niederschläge, niedrige Temperaturen, starken Winde und den hohen Salzgehalt semiarider Umgebungen zu überleben. Das Ökosystem der Beifuß-Steppe umfasst Pflanzenarten, die für die Bestäubung von Samen durch den Wind angepasst sind. Die Bodenqualität beinhaltet Ansammlungen von Bakterien, Algen, Moos und Flechtenwachstum. Diese Bodenmerkmale sind hitze- und trockenresistent und fixieren ihren eigenen Stickstoff. Dies beeinflusst die Bodenstabilität und den Erosionsschutz, die Wasserinfiltration, die Stickstofffixierung, erleichtert die Samenkeimung und den Nährstoffkreislauf. Ob Anpassungen von Vermeidung (abhängig von Niederschlag) oder Toleranz (Blattpolymorphismus, Stängelphotosynthese und Phreatophyten, um die Transpiration/Photosynthese zu reduzieren) oder Resistenz (viele CAM-Pflanzen resistent gegen Hitze und Trockenheit), Pflanzen haben sich entwickelt, um in einer Vielzahl unterschiedlicher Umgebungen zu überleben von Hitze und Trockenheit.


Neue Einblicke in die Baumbiologie und Genom-Evolution durch Genomik

Referenzgenomsequenzen sind der Schlüssel zur Entdeckung von Genen und Genfamilien, die interessierende Merkmale bestimmen. Jüngste Fortschritte bei den Sequenzierungstechnologien haben eine rasche Zunahme der Genomsequenzierung von Baumarten ermöglicht, was die Analyse komplexer Merkmale von wirtschaftlicher Bedeutung wie Frucht- und Holzqualität und Resistenz gegen biotische und abiotische Belastungen ermöglicht. Obwohl die Zahl der Referenzgenomsequenzen für Bäume hinter denen anderer Pflanzenarten zurückbleibt, ist es noch nicht zu früh, um Einblicke in die einzigartigen Merkmale zu gewinnen, die Bäume von Nichtbaumpflanzen unterscheiden. Unsere Überprüfung der veröffentlichten Daten legt nahe, dass, obwohl viele Genfamilien bei krautigen und Baumarten konserviert sind, einige Genfamilien, z Genome. Da die Genome von mehr Baumarten sequenziert werden, wird die vergleichende Genomik die Komplexität von Baumgenomen und deren Zusammenhang mit den einzigartigen Merkmalen von Bäumen weiter aufklären.


Danksagung

Wir danken J. Cate und S. Moore für ihren Beitrag zur ribosomalen Proteinanalyse, J. Doudna und E. Nawrocki für Vorschläge zur rRNA-Insertionsanalyse und M. Markillie und R. Taylor für ihre Unterstützung bei der RNA-Sequenzierung. Die Forschung wurde unterstützt vom US Department of Energy (DOE), Office of Science, Office of Biological and Environmental Research unter der Vergabenummer DE-AC02-05CH11231 (Sustainable Systems Scientific Focus Area und DOE-JGI) und der Vergabenummer DE-SC0004918 (Systems Schwerpunktbereich der Biologie-Wissensdatenbank). L.A.H. wurde teilweise durch ein Postdoktorandenstipendium des Natural Sciences and Engineering Research Council unterstützt. Die DNA-Sequenzierung wurde am DOE Joint Genome Institute, einer DOE Office of Science User Facility, über das Community Science Program durchgeführt. Die RNA-Sequenzierung wurde am DOE-unterstützten Environmental Molecular Sciences Laboratory des Pacific Northwest National Laboratory durchgeführt.


Horizontaler Gentransfer

Horizontaler Gentransfer (HGT) ist die Weitergabe von genetischem Material zwischen Arten durch andere Mechanismen als vom Elternteil an die Nachkommen.

Lernziele

Erklären Sie, wie horizontaler Gentransfer die Auflösung von Phylogenien erschweren kann

Die zentralen Thesen

Wichtige Punkte

  • Es wird angenommen, dass HGT in Prokaryoten häufiger vorkommt als in Eukaryoten, aber dass nur etwa 2% des prokaryotischen Genoms durch diesen Prozess übertragen werden können.
  • Viele Wissenschaftler glauben, dass HGT und Mutationen (insbesondere bei Prokaryonten) eine bedeutende Quelle genetischer Variation zu sein scheinen, die das Ausgangsmaterial für den Prozess der natürlichen Selektion ist.
  • HGT in Prokaryoten erfolgt durch vier verschiedene Mechanismen: Transformation, Transduktion, Konjugation und über Gentransfermittel.
  • HGT tritt in Pflanzen durch Transposons (springende Gene) auf, die zwischen verschiedenen Pflanzenarten übertragen werden.
  • Ein Beispiel für HGT bei Tieren ist die Übertragung (durch den Verzehr) von Pilzgenen in Insekten, die Blattläuse genannt werden, was es den Blattläusen ermöglicht, selbst Carotinoide herzustellen.

Schlüsselbegriffe

  • Transformation: die Veränderung einer Bakterienzelle, die durch die Übertragung von DNA von einer anderen verursacht wird, insbesondere wenn sie pathogen ist
  • Transduktion: horizontaler Gentransfermechanismus in Prokaryoten, bei dem Gene mithilfe eines Virus übertragen werden
  • Konjugation: die vorübergehende Verschmelzung von Organismen, insbesondere im Rahmen der sexuellen Fortpflanzung

Horizontaler Gentransfer

Horizontaler Gentransfer (HGT) ist die Einführung von genetischem Material von einer Art auf eine andere Art durch andere Mechanismen als die vertikale Übertragung von Elternteilen auf Nachkommen. Diese Übertragungen ermöglichen es sogar entfernt verwandten Arten (unter Verwendung der Standard-Phylogenie), Gene zu teilen und ihre Phänotypen zu beeinflussen. Es wird angenommen, dass HGT in Prokaryonten häufiger vorkommt, aber dass nur etwa 2% des prokaryontischen Genoms durch diesen Prozess übertragen werden können. Einige Forscher glauben, dass diese Schätzungen verfrüht sind, die tatsächliche Bedeutung von HGT für evolutionäre Prozesse muss als in Arbeit begriffen werden. Wenn das Phänomen gründlicher untersucht wird, kann sich herausstellen, dass es häufiger vorkommt. Viele Evolutionisten postulieren eine wichtige Rolle für diesen Prozess in der Evolution, wodurch das einfache Baummodell kompliziert wird. Eine Reihe von Wissenschaftlern glauben, dass HGT und Mutationen (insbesondere bei Prokaryonten) eine bedeutende Quelle genetischer Variation zu sein scheinen, die das Ausgangsmaterial für den Prozess der natürlichen Selektion ist. Diese Übertragungen können zwischen zwei beliebigen Arten stattfinden, die eine intime Beziehung teilen, wodurch das Verständnis oder die Auflösung phylogenetischer Beziehungen eine weitere Komplexitätsschicht hinzufügt.

Mechanismen des prokaryotischen und eukaryotischen horizontalen Gentransfers: Horizontaler Gentransfer ist die Übertragung von genetischem Material von einer Art auf eine andere Art durch andere Mechanismen als die vertikale Übertragung von Elternteil(en) auf Nachkommen. Diese Übertragungen ermöglichen es sogar entfernt verwandten Arten (unter Verwendung der Standard-Phylogenie), Gene zu teilen und ihre Phänotypen zu beeinflussen. Beispiele für Mechanismen des horizontalen Gentransfers sind sowohl für prokaryontische als auch für eukaryontische Organismen aufgeführt.

HGT in Prokaryoten

Es hat sich gezeigt, dass der Mechanismus von HGT in den prokaryotischen Domänen von Bakterien und Archaeen recht häufig vorkommt, was die Sichtweise ihrer Evolution signifikant verändert. Diese Gentransfers zwischen Spezies sind der Hauptmechanismus, durch den Bakterien Resistenzen gegen Antibiotika entwickeln. Klassisch wurde angenommen, dass diese Art der Übertragung durch drei verschiedene Mechanismen erfolgt:

  • Transformation: Nackte DNA wird von einem Bakterium aufgenommen.
  • Transduktion: Gene werden mit einem Virus übertragen.
  • Konjugation: die Verwendung einer hohlen Röhre, die als Pilus bezeichnet wird, um Gene zwischen Organismen zu übertragen.

Vor kurzem wurde ein vierter Mechanismus des Gentransfers zwischen Prokaryoten entdeckt. Kleine, virusähnliche Partikel, die als Gentransferagenten (GTAs) bezeichnet werden, übertragen zufällige Genomsegmente von einer Prokaryontenart auf eine andere. Es wurde gezeigt, dass GTAs für genetische Veränderungen verantwortlich sind, manchmal mit einer sehr hohen Häufigkeit im Vergleich zu anderen evolutionären Prozessen. The first GTA was characterized in 1974 using purple, non-sulfur bacteria. These GTAs, which are thought to be bacteriophages that lost the ability to reproduce on their own, carry random pieces of DNA from one organism to another. The ability of GTAs to act with high frequency has been demonstrated in controlled studies using marine bacteria. Gene transfer events in marine prokaryotes, either by GTAs or by viruses, have been estimated to be as high as 10 13 per year in the Mediterranean Sea alone. GTAs and viruses are thought to be efficient HGT vehicles with a major impact on prokaryotic evolution.

HGT in Eukaryotes

Although it is easy to see how prokaryotes exchange genetic material by HGT, it was initially thought that this process was absent in eukaryotes. After all, prokaryotes are only single cells exposed directly to their environment, whereas the sex cells of multicellular organisms are usually sequestered in protected parts of the body. It follows from this idea that the gene transfers between multicellular eukaryotes should be more difficult. Indeed, it is thought that this process is rarer in eukaryotes and has a much smaller evolutionary impact than in prokaryotes. In spite of this fact, HGT between distantly-related organisms has been demonstrated in several eukaryotic species. It is possible that more examples will be discovered in the future.

In plants, gene transfer has been observed in species that cannot cross-pollinate by normal means. Transposons or “jumping genes” have been shown to transfer between rice and millet plant species. Furthermore, fungal species feeding on yew trees, from which the anti-cancer drug TAXOL® is derived from the bark, have acquired the ability to make taxol themselves a clear example of gene transfer.

In animals, a particularly interesting example of HGT occurs within the aphid species. Aphids are insects that vary in color based on carotenoid content. Carotenoids are pigments made by a variety of plants, fungi, and microbes, which serve a variety of functions in animals who obtain these chemicals from their food. Humans require carotenoids to synthesize vitamin A and we obtain them by eating orange fruits and vegetables: carrots, apricots, mangoes, and sweet potatoes. On the other hand, aphids have acquired the ability to make the carotenoids on their own. According to DNA analysis, this ability is due to the transfer of fungal genes into the insect by HGT, presumably as the insect consumed fungi for food. A carotenoid enzyme called a desaturase is responsible for the red coloration seen in certain aphids. Furthermore, it has been shown that when this gene is inactivated by mutation, the aphids revert back to their more common green color.

HGT within the aphid species: (a) Red aphids get their color from red carotenoid pigment. Genes necessary to make this pigment are present in certain fungi. Scientists speculate that aphids acquired these genes through HGT after consuming fungi for food. If genes for making carotenoids are inactivated by mutation, the aphids revert back to (b) their green color. Red coloration makes the aphids much more conspicuous to predators, but evidence suggests that red aphids are more resistant to insecticides than green ones. Thus, red aphids may be more fit to survive in some environments than green ones.


One in Four Tree Deaths in Blue Ridge Mountains Linked to Invasive Species

New research from the Smithsonian Conservation Biology Institute (SCBI) and Shenandoah National Park finds that invasive species of forest insects and pathogens contributed to about a quarter of the tree deaths in Virginia’s Blue Ridge Mountain forests in the past three decades.

According to the authors, this is the first study to evaluate the long-term impact of the multiple invasive species affecting forests. The results, published today in the journal Ecosystems, have implications for the protection of forest health and mitigation of climate change.

“As the world struggles with COVID-19, we are becoming increasingly aware that health is globally interconnected—that a disease agent accidentally transferred to a new host can have devastating consequences,” said Kristina Anderson-Teixeira, forest ecologist at SCBI and the Smithsonian Tropical Research Institute and lead author of the study. “We expect more exotic tree disease agents to arrive in the future, and how we handle that threat will have important consequences for the health and diversity of our forests, along with their ability to help sequester carbon dioxide from the atmosphere and slow climate change.”

Non-native insects and pathogens can cause significant harm when brought to a new environment by human activity. In the Blue Ridge Mountain region alone, invasive species have led to the classification of seven tree species as threatened or endangered.

Beyond individual types of trees, however, scientists have not previously studied how invasive species affect entire forests in the long term. For this research, Anderson-Teixeira and her co-authors studied decades of data from forest plots at Shenandoah National Park and the neighboring SCBI. At SCBI, this includes a plot from the Smithsonian’s Forest Global Earth Observatory (ForestGEO), a worldwide network of forest monitoring sites.

The research plots are distributed across an 80-mile stretch of the Blue Ridge Mountains in Virginia. According to the authors, these plots are by no means unusual among forests of the eastern United States, which have all been subjected to multiple invasive species. Scientists have monitored the plots for years to measure the growth, death, abundance and diversity of tree species present. Combined, the records total more than 350,000 tree observations dating from 1987 to 2019.

Anderson-Teixeira and her team focused on the impact of eight invasive species, including insects like the gypsy moth and emerald ash borer, as well as fungi that cause disease in trees. They found that these eight species contributed to substantial increases in tree mortality over the past three decades. Their findings attribute about 25% of tree deaths to non-native insects and pathogens, with at least 22 tree species affected.

The study also reveals the resilience of these forests, however. Despite significant losses to individual tree species, the total number of species present remained relatively constant, and there was no overall reduction in the number and size of the trees. Other tree species compensated for the losses, making the forests stable over the past several decades.

“Insect and fungal pathogens are continually reshaping the forest composition in Shenandoah National Park, and it is reassuring to know that park forests are demonstrating resilience to these pressures by maintaining tree diversity and abundance,” said Wendy Cass, botanist at Shenandoah National Park and co-author of the study. “Shenandoah National Park is pleased that data from the park's ongoing long-term forest-monitoring program has supported this study.”

This long-term forest data demonstrates how invasive species have shaped entire ecosystems over time. Despite past resilience, invasive species continue to pose a growing threat to forests, and limiting their spread is important to maintaining the health and diversity of these forests.

Trees also play an important role in climate regulation because they absorb carbon from the atmosphere. The authors say that efforts to limit the spread of invasive species will not only protect the health of forests worldwide, but also aid efforts to slow climate change.

This research received grant funding from the Virginia Native Plant Society and Shenandoah National Park Trust.


The Life Story of The Oldest Tree on Earth

Revered for its beauty and its longevity, the ginkgo is a living fossil, unchanged for more than 200 million years. Botanist Peter Crane, who has a written what he calls a biography of this unique tree, talks to Yale-Umgebung 360 about the inspiring history and cultural significance of the ginkgo.

Millions of urban dwellers know the ginkgo primarily as a street tree, with elegant, fan-shaped leaves, foul-smelling fruits, and nuts prized for their reputed medicinal properties. But botanist Peter Crane sees the ginkgo as much more — an oddity in nature because it is a single species with no known living relatives a living fossil that has been essentially unchanged for more than 200 million years and an inspiring example of how humans can help a species survive.

Crane, who is dean of the Yale School of Forestry & Environmental Studies, has written what he describes as a biography of the oldest tree on earth, a living link to the age of the dinosaurs. Sein neues Buch, Ginkgo, tells the story of a tree that over centuries has made its way from China across Asia and around the world and today is found along streets everywhere from Seoul to New York.

Im Interview mit Yale-Umgebung 360, Crane explains what makes the ginkgo unique and what makes it smell, how its toughness and resilience has enabled it to thrive, and what the tree’s long history says about human life on earth. The ginkgo, which co-existed with the dinosaurs, “really puts our own species — let alone our individual existence — into a broader context,” says Crane.

Yale Environment 360: You’ve been studying ginkgo trees for a long time. How did you come to develop an interest in them?

Peter Crane: I think that anyone who is seriously interested in plants inevitably comes across ginkgo pretty early in their training, because there are only five living groups of seed plants, and ginkgo is one of them. And ginkgo is the only one that consists of just one species. So it’s an important plant in any botanist’s view of the plant world — you inevitably run across it early in your training. The other thing is that it has such a distinctive leaf — once you see it, you don’t forget it. It’s thoroughly memorable.

e360: You’ve mentioned that ginkgo is something of a biological oddity in that it’s a single species with no living relatives. That’s somewhat unusual in the plant and animal world, isn’t it?

Crane: Jawohl. When we think about flowering plants, there are about 350,000 living species. And in an evolutionary sense, they’re equivalent to that one species of ginkgo. They’re all more closely related to each other than they are to anything else. But the ginkgo is solitary and unique, not very obviously related to any living plant. One of the points I wanted to draw out in the book is that in the past there were a variety of ginkgo-like plants, but this is the only one surviving.

e360: You describe the ginkgo as a “living fossil,” in the sense that in many ways it’s unchanged in more than 200 million years. Woher wissen wir das?

Crane: If you look at fossils from more than 200 million years ago, you can see leaves that are very very similar to modern ginkgo leaves. But you have to look more closely to really assess whether those leaves were produced by plants that are identical to modern ginkgo. And that work has been done now, by my colleague [Chinese paleobotanist] Zhou Zhiyan, who has worked on fossil material from China. And what he’s noticed is that there are some differences in the ways that the seeds are attached in these fossil plants — but in the grand scheme of things, they’re not very different.

With the fossils that I’ve worked on myself, from about 65 million years ago, we were able to determine exactly how the seeds were attached to the plant, and they were attached in an identical way to modern ginkgo. If we could go back in a time machine, maybe we would find some differences, but I suspect not.

e360: And the oldest fossil record?

Crane: A little over 200 million years old. So it is a good example of a living fossil, like the coelacanth, which has also changed very little over millions of years.

Ginkgo leaves in the autumn. AJYI/Ko.Yo

e360: Most of us know ginkgo from its very distinctive, fan-shaped leaves, and also from its very distinctive smell. What is with the smell?

Crane: It’s the outer part of the seed that produces the smell, and it smells, to put it bluntly, like vomit. More than likely, it reflects some sort of adaptation or modification in its dispersal biology. Probably either now or in the past the smell has been attractive to animals. You hear stories of dogs, for example, eating ginkgo seeds — sometimes with not a terribly happy outcome in that they don’t feel so good afterward. But it must be part of a dispersal system. The interesting question is, are the things that adapted to disperse it still around? Or are they extinct?

There’s this wonderful idea that [Daniel] Janzen and [Paul] Martin published about how many neo-tropical fruits don’t appear to have any dispersers in the contemporary fauna. And their idea was that as many large mammals went extinct about 10,000 years ago, many plants actually lost their most important dispersal agents. So in a sense, the plants have continued to live on, while the dispersers themselves have already gone extinct.

e360: So their theory would say that the ginkgo smell would have attracted dinosaurs to eat it?

Crane: Yes, or more likely some mammals that died out much more recently. But the idea is that the tree now could be out of phase with its dispersal agents. There are records of the seeds being eaten by badgers and so on, and as I talk to people it’s clear that the seeds do still move around. So something’s moving them. And you know, the seeds are very attractive — once that smell’s gone, they look a bit like a pistachio. And they have a nice nutritious meat in them, so they would attract animals like squirrels.

e360: When are the seeds on the ground? Is that the late fall?

Crane: They’re usually on the ground in the late fall here in temperate North America. So the trees are dropping their seeds in late November, December. And then often, what saves us from the smell is that they all freeze.

e360: When was the ginkgo first cultivated by humans?

Crane: Our best estimate is about 1,000 years ago in China, which is somewhat late for the cultivation of many plants in China. There’s a lot of Chinese literature from before 1,000 years ago, and it doesn’t mention ginkgo, while it does mention a lot of other plants. The evidence points to the fact that ginkgo was probably always a rather rare tree, and that it first attracted the attention of people about a thousand years ago. Probably originally as a nut — a rather unusual nut tree. And then it was moved around and grown for its nuts in China, before eventually — maybe in the 14th or 15th centuries — making its way up the coastal trade routes into Korea and Japan.

e360: And how and when did it appear in the West?

Crane: The first Westerner to encounter ginkgo — or at least the first Westerner to encounter it and write about it — was Engelbert Kaempfer, who was with the Dutch East India Company at their trading station in southern Japan in 1692. When he returned, he wrote his account of his time in Japan. He is the one who first uses the word in the Western literature — ginkgo — and he provides an illustration of it. But probably living plants weren’t introduced into Europe until a few decades after that — perhaps in the 1730s, but I think more likely in the 1750s.

e360: Ginkgoes have long been valued for their healing properties, their medicinal properties, particularly for helping memory. And we see today ginkgo being sold pretty widely in health food stores. Did the medicinal use of ginkgo emerge in China, and if so, how recent is its move to the West?

Crane: That’s a very interesting question, because if you look and see how ginkgo is used medicinally in China, it’s mainly the seeds that are used. Yet, the Ginkgo biloba that you buy in health food stores here is an extract of the leaves. And this is pretty much a Western phenomenon. So this is a use that we’ve invented for it in the West, rather than a use that has come to us from China. The medicinal uses in the East and the supposed medicinal uses in the West have gone in different directions, using two different parts of the plant — mainly the seeds in the East, and mainly the leaves in the West.

e360: Are there any scientific studies that looked at the efficacy of the medicinal properties, like for memory enhancement — either for the leaves or the seeds?

Crane: The most work’s been done on the leaves in the West. And I think it’s true to say the results are equivocal. I don’t think there’s really strong evidence for its efficacy, but on the other hand, there are conflicting results. There’s some evidence that it’s helpful in some ways, but the large-scale trials that we expect from our drugs these days have been unable to be really definitive about that. It’s a bit of an enigma in that respect — it’s difficult to prove its value.

e360: You write in the book about how the ginkgo’s resilience has enabled it to become quite a popular street tree — it can take a lot of abuse. What makes the ginkgo so resilient as a tree?

Crane: It’s hard to put a finger on what exactly does it. But the leaves are particularly unattractive to pests, so it doesn’t suffer from the pest problems that some trees do. And it seems to survive in a street setting: its roots aren’t getting much oxygen, they’re getting a lot of salt and goodness knows what else is getting poured on them, and it seems relatively resistant to those problems. So it’s just a good old tough tree, and it is incredibly widely planted.

e360: How widely, and in what places is it most common?

Crane: Well, it’s particularly widespread in the East: you see it all over Tokyo, you see it all over Seoul. But you also see it all over Manhattan. Once you start to recognize ginkgo trees in the urban landscape, you start to see them everywhere.

An early Western botanical illustration of Ginkgo biloba, published in Europe in 1835.

e360: You mentioned in the book that the female seeds are the ones that smell. In New York City, the parks department has a policy of planting only males?

Crane: Jawohl. I think today most people would plant males. Most reputable nurseries will sell only males.

e360: One of the things you get into in the book is the broader discussion of the importance of street trees. One of the benefits, which I had never thought about before, is how trees along a street make it feel narrower and cause drivers to go more slowly. It makes sense, but I had never thought of it. Can you describe some of the other benefits that street trees bring to a city or an urban setting?

Crane: I think most obviously they help reduce the urban heat island effect. They provide shade they make the place a lot more comfortable. But I think there are a lot of intangible benefits too: people want to walk in the shade, they want to be out in the shade. And so trees create a less sterile environment and encourage people to want to be outside, with all the benefits that come from people being out and about — from having kids playing outside, to having neighbors keep an eye on each other’s houses, to encouraging people to linger in a shopping area that they would otherwise walk right through.

e360: You certainly see ginkgos everywhere, especially in New York City. You tell a story about a Harlem homeowner who has a ginkgo tree in front of her house and finds people in it regardless of the smell. Können Sie erklären?

Crane: Yes, in many places where ginkgo is planted in the West, people who’ve known ginkgo or know about ginkgo through their cultural background, will often seek out the trees in the fall and collect the seeds. Particularly with people from Korea or China or Japan, it’s quite common. You see them in Central Park [in New York]. I’ve seen them in Chicago. You see them all over. And I’m sure none of those seeds are sold into commerce. I’m sure those seeds are used locally because people enjoy eating them. And sometimes people won’t wait for the seeds to fall. They’ll take sticks and bang them up into the branches to try to get the seeds to come down.

e360: I was surprised to learn from your book that the ginkgo nut is potentially toxic?

Crane: Yes, it does have some toxicity to it. It’s generally recommended that people don’t eat too many of these seeds. A small proportion of the population seems to have a bad reaction to ginkgo, but it’s a very small proportion. I’ve eaten ginkgo seeds many times.

e360: You actually have an ancient species of ginkgo, Ginkgo cranei, named after you, right?

Crane: Well, yes, that’s the fossil ginkgo from North Dakota that I worked on as a researcher, which a colleague quite recently very kindly named after me. But in a way it’ll be interesting to see if the name survives, because giving it a separate name implies that it’s actually different from modern ginkgo. And the study did point out a few very subtle differences. However, it remains to be seen whether those differences hold up. So I wouldn’t be surprised to see my name get synonymized back into Ginkgo biloba irgendwann.

e360: By distributing ginkgo around the planet, humans have, unlike with many other species, helped ensure the ginkgo’s survival. Is that the right way to look at it?

Crane: Yes, I think that’s right. I think by cultivating plants like ginkgo that are very rare in the wild, we’ve sort of taken out insurance for their long-term survival. In China, for a long time there was a lot of discussion about whether there were any native ginkgos at all, or whether all of them had the hand of people in their past. I think the consensus now is that probably a couple of wild, original populations still exist in China. But it’s very difficult to exclude the possibility that even those have been aided by people.

That is another message in the book. Obviously we should try to preserve animals and plants in their native habitats, where they’re part of a functioning integrated ecosystem. But in the same way that we’ve used ex situ methods for conserving large mammals, charismatic animals, I think conservation through cultivation is an important part of the toolkit for preserving plant diversity for the future.

e360: You’ve talked about how one of the things that drew you to learn more about the ginkgo was the sense of timelessness that its history gives you and how that helps us think about our place in the world.

Crane: Obviously, we’re evolved to live in the present, so we’re very focused on the short-term. One of our biggest shortcomings is that we can’t see the long-term, and we see that in the way we respond to all kinds of environmental issues. So reflecting on a plant like ginkgo that was around in very different ecosystems when the dinosaurs were on the planet, that has been around for hundreds of millions of years, really puts our own species — let alone our own individual existence — into a broader context.

It’s a bit like those diagrams that you see, where there’s a picture of the Milky Way and there’s a little sign that says, “You are here.” Well, it’s the same idea. Erraten Sie, was? We’re not at the center of everything. Und rate was? The universe doesn’t revolve around us. Und rate was? We’re only here for a short time, whereas some things have been here for a really long time. That ought to encourage us to take the long view as we think about our relationship to the natural world.


Significance to Wildlife

One interesting aspen poplar fact is their importance to beavers. Both kinds of aspens are a principal food of beavers throughout their range. The mammals will eat the bark, leaves and the twigs of these trees, and use the branches to construct dams. Other mammals that depend on the aspen tree for food include deer, moose and elk, which browse the leaves and twigs. Rabbits and muskrats will eat the bark, and birds such as the ruffed grouse will consume the seeds and the flower buds. The yellow-bellied sapsucker and the hairy woodpecker frequently hollow out parts of the tree to create a nesting cavity.