来源：中科院之声

地球上生活着1000多万种昆虫，它们亦敌亦友。在长期的生存竞争中，为了躲避天敌的猎捕和攻击，或为了更方便捕食其他猎物，经过漫长演化，具备了一些特殊的技能，例如各类常见的拟态和伪装行为。这些神奇的伪装术，不仅可以帮助动物躲避天敌，还可以使捕食者更好地隐藏自己以便高效捕捉猎物。

作为多样性最高的生物，昆虫往往能演化出不同的形态结构来实现这种生存策略，比较常见的当属拟态植物和覆物伪装。昆虫拟态植物，指的是昆虫模拟其生活环境中的植物以达到把自己隐藏在所处环境中的效果，例如竹节虫模仿树枝、螽斯拟态树叶等；覆物伪装则是指昆虫主动利用环境中的各种材料遮盖体躯，从而达到伪装效果的行为。其中，覆物行为是昆虫伪装术中非常奇特复杂的一类，需要昆虫同时具有辨别、采集、携带材料的能力以及相关的形态学适应。

图1. 竹节虫模仿树枝（图片来源：veer图库）

然而，我们对昆虫伪装技能是如何获得和演化等问题还知之甚少。加之化石保存的不完备性，我们对化石中拟态行为的判定更多是依靠肉眼观察与主观判定，仍缺少定量化的分析与判定。

为探索这些问题，2016年南京古生物所中生代研究团队对国内外馆藏的超过30万件白垩纪缅甸、法国和黎巴嫩虫珀标本进行了系统调查，先后发现了39枚伪装昆虫。这些昆虫分别是已知最古老的草蛉幼虫、蚁蛉总科幼虫（包括细蛉幼虫、蝶角蛉幼虫）和猎蝽，表明在有花植物大辐射之前已有至少3大类昆虫独立演化出覆物行为。

近期，中国科学院南京地质古生物研究所博士生许春鹏在王博研究员指导下，与武汉大学的崔晓辉教授、研究生樊丽合作，从一亿年前白垩纪缅甸琥珀中发现了一类奇特的昆虫拟态植物以及一系列昆虫覆物行为的化石记录。本次报道不仅是两大类昆虫（啮虫目和半翅目蟾蝽科）的覆物行为在中生代的首次报道，更将其覆物行为的记录推进到有花植物大辐射之前。相关研究成果已在线发表于《冈瓦纳研究》（Gondwana Research）和《历史生物学》（Historical Biology）期刊上。

此次研究现了七枚覆物伪装昆虫，涉及两大类昆虫（啮虫目和半翅目蟾蝽科）。其中六枚啮虫目昆虫包括三个形态种类，一枚蟾蝽科昆虫包含一个形态种类。该蟾蝽科昆虫的背上覆盖有大量的碎屑物，包括土壤颗粒、砂砾和植物碎屑等。这类昆虫极有可能利用背部的刚毛将碎屑物质粘在其背上。

图2. 覆物伪装行为的啮虫目（a-f）与半翅目蟾蝽科（g, h）昆虫

该物种被命名为王氏拟叶蚤蝼，属直翅目蚤蝼科。从形态上观察，拟叶蚤蝼与同时期苔类和卷柏类植物表现出了极高的相似性：中足腿节与胫节折叠后，与卷柏类植物的小叶极度相似；后足腿节异常膨大，与卷柏类等植物的叶片极其相似。经过度量，拟叶蚤蝼与卷柏类等植物在尺寸上也极为接近，更加证明了拟叶蚤蝼的拟态行为。

图3. 拟叶蚤蝼（b: 整体图；d: 中足腿节与胫节；f: 后足腿节）与卷柏类植物（a, c: 整体图；e: 小叶；g: 叶片）

图4. 拟叶蚤蝼生态复原图（杨定华 绘制）

同时，本研究还应用深度学习中孪生神经网络对化石昆虫的拟态行为展开了定量分析，进而验证了古昆虫的拟态行为，并为其提供了新的判定模型与方法。

孪生神经网络是近年来新发展的人工智能分析技术，被广泛应用于图像相似度衡量中。其主要利用对抗的思想，每次输入一对图片，使得经算法优化的目标与相似图像对距离更小，不相似的图像对之间距离更大。孪生神经网络还可以提取肉眼无法观察到的多维信息，从而对不同图片之间的语义距离进行定量化计算。由此，便可以定量化计算出不同图像之间的不相似度数值，从而客观地判断不同图像之间的相似性。

本研究使用来自TLL（相似图像对）数据集的1836个图像对对孪生神经网络进行初步训练，并使用来自LIMD数据集（现生拟态植物昆虫与被拟植物的图像对）的1453个图像对进行微调。而后通过对LIMD数据集剩余的665个图像对不相似度的计算，得出现生昆虫是否拟态的判定值域。再对FIMD数据集（化石中拟态植物昆虫与被拟植物的图像对）不相似度进行计算，以现生的判定值域为基础，进一步得出化石中昆虫是否拟态的判定值域。

图6. 昆虫拟态与覆物伪装行为的化石记录

本研究工作由中国科学院、科技部和国家自然科学基金委资助。北京夏虫琥珀博物馆卓德先生参与了本项研究。感谢王宁和葛畅先生为本研究提供了标本支持，南京古生物所杨定华绘制了生态复原图。

相关论文信息：

Xu, C., Wang, B., Fan, L., Jarzembowski, E.A., Fang, Y., Wang, H., Li, T., Zhuo, D., Ding, M., Engel, M.S. (2021). Widespread mimicry and camouflage among mid-Cretaceous insects. Gondwana Research. https://doi.org/10.1016/j.gr.2021.07.025.

Fan, L., Xu, C., Jarzembowski, E. A., Cui, X. (2021). Quantifying plant mimesis in fossil insects using deep learning. Historical Biology, 1-10. https://doi.org/10.1080/08912963.2021.1952199.

来源：中国科学院南京地质古生物研究所