使用堆叠模型和物种性状预测食物网中的缺失连接

为何推测隐藏的食物链很重要

生态学家常把自然描绘为一张“谁吃谁”的网络，从土壤中的微生物到海中的捕食者。但即便是最详尽的食物网也存在空白：许多真实的摄食关系从未被观测到。本文展示了一种现代机器学习方法——模型堆叠，如何结合已知相互作用的模式与物种的简单信息（例如体型和生活方式），去预测哪些缺失的连接最可能真实存在。对隐藏连接做出更好的猜测可以提升我们对生态系统稳定性的理解，并将有限的实地调查资源聚焦到最有信息量的相互作用上。

从混乱的自然到网络图

食物网将生态系统转换为网络：物种是节点，箭头表示谁吃谁。实际上，收集每一条摄食连接几乎不可能。观测耗时，稀有事件易被遗漏，而且可能的连接数增长速度远快于物种数。来自社交网络的传统链接预测工具表现尚可，但它们通常忽视食物网的关键特征：摄食箭头有方向性（从食物指向食用者）、物种性状限制了哪些相互作用在生态上可行、且大多数食物网从植物到顶级捕食者存在明显的等级结构。因此，作者专门将堆叠技术——一种学习如何组合多条简单预测规则的方法——调整以适应食物网的现实。

教算法生态学常识

堆叠模型将数十种仅依赖“谁吃谁”模式的结构性预测器，与利用物种属性（如体质量、运动方式和代谢类型）的基于性状的预测器融合在一起。结构规则包括例如两种物种在网络中是否共享大量邻居或它们的中心性等。作者修改了这些规则以尊重能量在食物链中的流动：他们并非简单地闭合无向三元组，而是让“生态上相关的共同邻居”模式侧重于类似真实摄食链的母题。基于性状的规则同时捕捉相似性与对比性。有些性状，如栖息地，会促成物种间的相似互作，而另一些，如营养级，则更倾向于不同伙伴之间的连接。性状谱的距离度量，尤其是体质量比率，使得模型能够利用同配合（assortative）与异配合（disassortative）两类模式。

检验方法的能力

为检验堆叠是否确实学会利用结构与性状，研究团队首先构建了带已知规则的人工食物网。他们混合了仅由隐藏群组结构决定连接的网络与完全由物种性状决定连接的网络。在这些受控测试中，当性状无关紧要时，仅结构模型表现优异；当性状主导时，仅性状模型表现最佳。关键是，完整的堆叠模型在每种极端情况下都能达到与最佳专门化模型相当的性能，并且在混合情形下优于任何单一模型。这表明堆叠在未被告知真实规则的情况下，能发现应在每个网络中赋予结构与性状多少权重。

真实食物网如何揭示其秘密

随后，作者将该方法应用于来自湖泊、河流、海洋以及地上和地下陆地栖息地的290个全球经验食物网集合，每个食物网均带有一小组性状注释。在这份多样化语料中，三种模型类型——仅结构、仅性状与完整模型——在区分真实缺失连接与真实不存在的连接方面均远好于随机。平均而言，完整模型实现了接近完美的判别，略优于仅结构模型并明显优于仅性状模型。然而约有十分之一的食物网中，仅性状或仅结构的更简单模型表现最好，这强调不同生态系统以不同方式编码它们的相互作用规则。堆叠模型的内部特征排序突出了若干尤其有信息量的预测因子：与广泛食用者和资源相关的度量、借用相似物种伙伴的最近邻式规则、网络的低秩摘要以及消费者与猎物之间的体质量比率。

何时何地预测效果最好

由于数据集跨越多种生态系统，作者可以探讨是什么使得某个食物网更容易被预测。规模更大、连接更密集、分类学分辨率更好且分区性较低的食物网往往带来更高的准确性，可能是因为它们为模型提供了更多可学习的结构信号。陆地地下网（如土壤群落）最容易预测，而海洋和陆地地上网则相对较难。性状与结构的相对有用性也因生态系统类型而异，体型在海洋系统中发挥了特别重要的作用。这些差异暗示了不同环境中相互作用组织方式的更深层生态学差异。

这对理解生态系统的意义

对非专业读者而言，关键结论是，即便在数据不完整且有噪声的情况下，如今也能以较高的信心重建生态网络中未被观测到的部分。通过智能地将多种简单的结构线索与少数广泛测量的性状结合，堆叠模型不仅能补全可能缺失的摄食连接，还能揭示哪些特征——如体型或广食性行为——最强烈地决定了谁吃谁。这为更高效的实地调查、更严谨的生态理论检验以及从长远看在物种丧失或环境变化时更好的生态系统预测打开了大门。

引用: Van Kleunen, L.B., Dee, L.E., Wootton, K.L. et al. Predicting missing links in food webs using stacked models and species traits. Nat Commun 17, 2298 (2026). https://doi.org/10.1038/s41467-026-68769-7

关键词: 食物网, 物种性状, 链接预测, 生态网络, 机器学习