Ressources numériques en sciences humaines et sociales OpenEdition Nos plateformes OpenEdition Books OpenEdition Journals Hypothèses Calenda Bibliothèques OpenEdition Freemium Suivez-nous

Archéozoologie et Machine Learning : vers une collaboration d’avenir ?

L’identification taxinomique des espèces morphologiquement proches trouvées en contexte archéologique est un défi auquel sont confrontés régulièrement les bioarchéologues. En archéozoologie, traditionnellement, le processus d’identification d’un reste osseux ou dentaire repose sur des critères anatomiques, morphologiques et biométriques. Les taxons archéologiques sont confrontés à leurs homologues modernes ou fossiles, documentés dans des ostéothèques ou représentés dans les atlas d’anatomie. La littérature fournit souvent des critères d’identification éprouvés sur de larges collections actuelles de référence, critères dont on maîtrise plus ou moins bien la probabilité d’erreur. Cependant, cet exercice peut s’avérer difficile en raison de la mauvaise conservation, de la fragmentation et des convergences morphologiques au sein d’espèces étroitement apparentées. L’utilisation des critères anatomiques disponibles dans la littérature pour différencier les espèces morphologiquement proches, comme les petits ruminants sauvages et domestiques, est alors insuffisante.

Depuis quelques décennies, les analyses biomoléculaires contribuent notablement à l’identification des spécimens archéologiques. Les études menées en paléogénétique ont permis, par exemple, d’identifier et de suivre la diversité phylogénétique des chèvres domestiques en Asie du Sud-ouest depuis leurs domestications et durant les huit millénaires suivants (Daly et al., 2018), ainsi que de vérifier l’origine africaine de la domestication des ânes, cinq millénaires avant notre ère (Todd et al., 2022). En outre, l’utilisation de la paléoprotéomique pour les faunes anciennes est en plein essor. Cette méthode biomoléculaire se fonde sur les marqueurs protéiques contenus dans le collagène des ossements pour parvenir à une identification taxinomique. Elle est utilisée notamment pour différencier les espèces morphologiquement proches, comme les petits bovidés domestiques et sauvages. Récemment, les travaux de Le Meillour et al. (2020) ont permis de préciser les identifications taxinomiques effectuées sur les restes fauniques de la grotte Léopard en Namibie et, corrélées à des datations directes au radiocarbone, de mettre en évidence les stratégies d’élevage développées par les premiers agropasteurs occupant cette région aride africaine. Toutefois, l’emploi de ces méthodes n’est pas toujours possible en raison de la conservation du matériel (mauvaise préservation de l’ADN et des protéines anciennes ; altération de la surface osseuse ; cassures ; absence de référentiels) et de leur coût.

Également, depuis une vingtaine d’années, les archéozoologues ont recours à une méthode empruntée aux champs disciplinaires des mathématiques et de la biologie : la morphométrie géométrique (Cucchi et al., 2015). Cette approche permet d’étudier les (co)-variations qui existent entre les formes biologiques (Boosktein, 1978). Ces variations sont étudiées quantitativement à partir d’un patron morphologique constitué de point-repères discriminants positionnés sur différentes régions anatomiques permettant ainsi de détecter des similitudes et des différences à l’échelle statistique. Cette approche est employée, par exemple, pour différencier les taxons proches, comme les moutons et les chèvres domestiques (Colominas et al., 2019 ; Vuillien, 2020), ou encore documenter les processus de domestication de nombreuses espèces, comme les sangliers (e.g. Cucchi et al. 2021 ; 2023 ; Cucchi, 2023 ; Evin et al., 2015). Toutefois, l’emploi de la morphométrie géométrique dépend de la quantité et de la conservation du matériel archéologique et nécessite des compétences analytiques en statistiques et en mathématiques.

Il existe aujourd’hui des outils encore sous-employés permettant de proposer de nouvelles trajectoires d’étude sur l’identification taxinomique comme les méthodes en machine learning (ML). Le développement et l’adaptation d’outils originaux venant en appui aux archéozoologues présente un intérêt particulier pour les mathématiciens, tant du point de vue de l’objet lui-même que pour les développements méthodologiques complexes que cela représente. En effet, l’utilisation des outils en ML est en voie de développement pour les archives biologiques, telles que les restes végétaux et les restes osseux de mammifères terrestres (Cifuentes-Alcobendas et Domínguez-Rodrigo, 2019 ; Miele et al., 2020 ; Moclán et al., 2022) et marins (Bickler, 2021). Très récemment, une étude menée sur les graines et les noyaux de palmier-dattier, d’orge, d’olivier et de vigne a permis de comparer les performances d’une méthode d’apprentissage profond (réseau de neurones convolutif) à celle d’une approche en morphométrie géométrique (analyses de contour utilisant des transformées de Fourier elliptiques) dans le but de documenter les processus de domestication de ces taxons et leurs histoires biogéographiques (Bonhomme et al., 2023).

Dans ce contexte, en tant qu’archéozoologue et utilisatrice de la morphométrie géométrique, je me suis questionnée sur le potentiel des méthodes d’apprentissage automatique pour préciser l’identification inter et intra-spécifique des caprinés domestiques et sauvages trouvés en contexte archéologique à partir de leurs ossements numérisés en 3D. Pour explorer cette question, je collabore avec les mathématiciens et les statisticiens présents au laboratoire du CEPAM à Nice. Une première série d’études réalisée par les étudiants du Master MSC Data Sciences & Artificial Intelligence de l’Université Côte d’Azur a été menée dans le cadre du projet Arch-AI-Story (resp. I. Théry, 2021 – 2023). Ces travaux m’ont conduite, avec Marco Corneli, professeur junior en intelligence artificielle appliquée à l’histoire et l’archéologie (CEPAM), à proposer un sujet de thèse en mathématiques appliquées et archéozoologie. Cette thèse, qui a débuté tout récemment, est réalisée par Davide Adamo (CEPAM, INRIA – MASAAI, CNRS, Université Côte d’Azur) sous la direction d’Emmanuelle Vila, Marco Corneli et moi-même.

Le premier objectif de ce travail de thèse repose sur la création d’un protocole d’apprentissage supervisé inter-observateur basé sur les connaissances archéozoologiques afin de distinguer des espèces morphologiquement proches, comme les caprinés domestiques et sauvages, les petits cervidés et les gazelles. Pour cela, j’ai contacté une dizaine d’archéozoologues qui ont accepté de se réunir aux côtés des mathématiciens. L’équipe se compose de jeunes chercheur.es (doctorant.es ; postdoctorant.es), d’ingénieur.es et de chercheur.es issu.e.s des unités mixtes de recherche du CEPAM (Nice), d’INRIA-MASAAI (Sophia-Antipolis), d’Archéorient (Université Lyon II Lumière, CNRS, Lyon), d’AASPE (MNHN, Paris) et de l’archéologie préventive (Éveha, Lyon).

Fig. 1 : Photo d’une partie des membres de l’équipe de travail constituée des archéozoologues et des mathématiciens issus des unités mixtes de recherche du CEPAM (Nice), d’INRIA-MASAAI (Sophia-Antipolis), d’Archéorient (Université Lyon II Lumière, CNRS, Lyon), d’AASPE (MNHN, Paris) et de l’archéologie préventive (EVEHA, Lyon). De gauche à droite debout : Davide Adamo, Tim Mibord, Karyne Debue, Emmanuelle Vila, Camille Lamarque, Marjan Mashkour, Jwana Chahoud et Zeinab Raya. De gauche à droite assis : Marco Corneli et Manon Vuillien (© J. Chahoud).

Ces approches ont été testées sur un os en particulier, le talus, petit os de l’articulation du tarse (la cheville). Ce choix s’explique par deux raisons principales. Premièrement, le talus présente l’avantage de bien se conserver en contexte archéologique et comprend plusieurs critères spécifiques discriminants pour ces taxons (e.g. Boessneck et al. 1964 ; Prummel, Frisch, 1986 ; Clutton-Brock et al., 1990 ; Fernandez, 2001). Deuxièmement, nous disposons d’un corpus de talus modernes et archéologique numérisé en 3D. Ce corpus constitue une ressource essentielle pour l’entraînement des modèles d’apprentissage automatique. Cette collection numérique conséquente se compose de spécimens acquis spécifiquement dans le cadre de ce projet, lors de précédents travaux : ma thèse de doctorat réalisée au laboratoire CEPAM (2015-2020) et deux projets nationaux : l’ANR EvoSheep (resp. E. Vila 2018-2023 (Chahoud et Vila, 2021 ; Vila et al., 2021 ; Vila & Amane, 2022 ; Vuillien, 2022) et le programme IBEX financé par l’IdEX de l’Université Côte d’Azur (resp. M. Vuillien 2023-2024). Le projet repose sur 150 spécimens, 30 par taxon, à partir des critères anatomiques et de l’expertise respective de chacun.e des participant.e.s, à la fois sur le matériel tant physique que numérique. L’ensemble des observations a été compilé dans un tableau de données construit pour répondre aux problématiques mathématiques.

Les équipes niçoises et parisiennes sont arrivées au laboratoire Archéorient à Lyon dans la matinée du 19 décembre 2023 et ont rejoint les collègues déjà sur place pour partager un déjeuner convivial avec les membres du laboratoire (fig. 1). L’atelier a mis en évidence l’importance de l’homogénéisation des observations et des descriptions anatomiques entre archéozoologues. En effet, les critères anatomiques utilisés et disponibles dans la littérature archéozoologique pour les petits ruminants et l’os du talus ont suscité de nombreux débats au sein de la communauté du fait de leur utilisation et leur définition qui peuvent varier selon les spécialistes. Plus encore, les archéozoologues et les mathématiciens possèdent leur propre champ lexical et un même mot peut revêtir une signification différente. Cela souligne l’intérêt d’une compréhension commune qui passe par le dialogue et la définition précise des termes employés.

Fig. 2 : Photo des membres de l’équipe travaillant sur l’identification des espèces lors la deuxième journée d’étude, le mercredi 20 Décembre 2023. De droite à gauche : Marco Corneli, Karyne Debue, Camille Lamarque, Thierry Argant, Marjan Mashkour et Tim Mibord ©M. Vuillien.

Le travail d’identification des spécimens physiques et numériques a été réalisé les jours suivants à partir d’une vingtaine de critères retenus suite aux discussions liminaires (fig. 2). Le groupe a été scindé en deux : certains d’entre nous ont travaillé à partir de leur matériel de prédilection, l’os, pendant que d’autres se sont penchés sur les modèles 3D des talus (fig. 3 et 4). Ce travail fût intensif et fastidieux en raison des nombreuses observations à réaliser et à enregistrer, de la variété morphologique entre et au sein des taxons choisis et de l’utilisation du support 3D.

Fig. 3 : Karyne Debue en train d’observer les critères d’identification de la pièce anatomique et d’enregistrer ses observations dans le tableau de données associées. © M. Vuillien – 20 Décembre 2023.
Fig. 4 : Tim Mibord en train d’identifier les os numérisés en 3D à l’aide des planches et des critères anatomiques. ©M. Vuillien – 20 Décembre 2023.

Le bilan de ces trois jours a souligné le besoin de réviser les critères existants pour la diagnose spécifique, voire de les redéfinir quand cela est possible. La poursuite de ces travaux permettra de constituer le référentiel unique qui sera le socle des analyses en machine learning développées par M. Corneli et D. Adamo. La prochaine réunion de travail est fixée au mois de mars 2024. À terme, la finalité de nos recherches est de lever des verrous méthodologiques autour de l’identification de certains os à l’échelle de l’espèce et de mettre à disposition de notre communauté nos observations et les outils adossés en machine learning.

Affaire à suivre !

Remerciements

Le laboratoire du CEPAM par l’intermédiaire de la chaire de professeur junior de M. Corneli, le laboratoire Archéorient et le GDR Bioarchéodat ont soutenu scientifiquement et financièrement cet atelier. Un merci particulier à Joséphine Lesur (MCF MNHN, UMR 7209 AASPE, Paris) chargée des collections patrimoniales des ongulés (MNHN) pour son accueil et sa disponibilité en novembre 2023.

Bibliographie

Bickler, S.H., 2021. Machine Learning Arrives in Archaeology. Advances in Archaeological Practice. 9, 186–191. https://doi.org/10.1017/aap.2021.6

Boessneck, J., Müller, H.-H., Teichert, M., 1964. Osteologische Unterscheidungsmerkmale zwischen Schaf (Ovis aries Linné) und Ziege (Capra hircus Linné). Kühn-Archiv 78, 1–129.

Bonhomme, V., Bouby, L., Claude, J., Dham, C., Gros-Balthazard, M., Ivorra, S., Jeanty, A., Pagnoux, C., Pastor, T., Terral, J.-F., Evin, A., 2023. Deep learning versus geometric morphometrics for archaeobotanical domestication study and subspecific identification (preprint). Bioinformatics. https://doi.org/10.1101/2023.09.15.557939

Bookstein F.L., 1978. The Measurement of Biological Shape and Shape Change. Lecture Notes in Biomathematics, 24. Springer, 201 p.

Chahoud J, Vila E, 2021. EvoSheep – Origin and evolution of sheep breeds: The diversity of modern breeds, Lebanon. ArchéOrient – Le Blog. URL https://doi.org/10.58079/BD17

Cifuentes-Alcobendas, G., Domínguez-Rodrigo, M., 2019. Deep learning and taphonomy: high accuracy in the classification of cut marks made on fleshed and defleshed bones using convolutional neural networks. Scientific Reports 9, 18933. https://doi.org/10.1038/s41598-019-55439-6

Clutton-Brock, J., Dennis-Bryan, K., Armitage, P.L., Jewell, P.A., 1990. Osteology of the Soay sheep. Bulletin british Museum natural History Zoology 1, 1–56.

Colominas L., Evin A., Burch K., Campmajó P., Casas J., Castenyer P., Carreras C., Guardia K., Olesti O., Pons E., Tremoleda K., Palet J.-M., 2019. Behind the steps of ancient sheep mobility in Iberia: new insights from a geometric morphometric approach. Archaeological and Anthropological Sciences 11, 9, 971-4982. https://doi.org/10.1007/s12520-019-00837-0

Cucchi T., Baylac M., Evin A., Bignon-Lau O., Vigne J.-D. 2015. « Morphométrie géométrique et archéozoologie : Concepts, méthodes et applications », in : Balasse M., Brugal J.-P., Dauphin Y., Geigl.-M., Oberlin C., Reiche I. (éds.), Messages d’os. Archéométrie du squelette animal et humain. Paris, Archives contemporaines, Sciences Archéologiques, 197‑216

Cucchi T., Domont A., Harbers H., Evin A., Alcàntara Fors R., Saña M., Leduc C., Guidez A., Bridault A., Hongo H., Price M., Peters J., Briois F., Guilaine J., Vigne J.-D. (2021) ‒ Bones geometric morphometrics illustrate 10th millennium cal. BP domestication of autochthonous Cypriot wild boar (Sus scrofa circeus nov. ssp). Scientific Reports, 11, 1, p. 11435. https://doi.org/10.1038/s41598-021-90933-w

Cucchi T., Harbers H., Neaux D., Balasse M., Garbé L., Fiorillo D., Bocherens H., Drucker D., Zanolli C., Cornette R., Arbogast R.M., Bréhard S., Bridault A., Gourichon L., Guilaine J., Manen C., Perrin T., Schafberg R., Tresset A., Vigne J.D., Herrel A. (2023) ‒ 4500 years of morphological diversification in Western Europe wild boars (Sus scrofa) and the consequences of the Neolithic transition. Quaternary Science Reviews, 309, p. 108100. https://doi.org/10.1016/j.quascirev.2023.108100

Cucchi T., 2023. Voir dans l’invisible : nouvelles approches morphométriques du processus de domestication animale en archéologie. Bioarchéologies. URLhttps://doi.org/10.58079/vwdj

Daly, K.G., Maisano Delser, P., Mullin, V.E., Scheu, A., Mattiangeli, V., Teasdale, M.D., Hare, A.J., Burger, J., Verdugo, M.P., Collins, M.J., Kehati, R., Erek, C.M., Bar-Oz, G., Pompanon, F., Cumer, T., Çakırlar, C., Mohaseb, A.F., Decruyenaere, D., Davoudi, H., Çevik, Ö., Rollefson, G., Vigne, J.-D., Khazaeli, R., Fathi, H., Doost, S.B., Rahimi Sorkhani, R., Vahdati, A.A., Sauer, E.W., Azizi Kharanaghi, H., Maziar, S., Gasparian, B., Pinhasi, R., Martin, L., Orton, D., Arbuckle, B.S., Benecke, N., Manica, A., Horwitz, L.K., Mashkour, M., Bradley, D.G., 2018. Ancient goat genomes reveal mosaic domestication in the Fertile Crescent. Science 361, 85–88. https://doi.org/10.1126/science.aas9411

Evin A., Girdland Flink L., Bălăşescu, A., Popovici D., Andreescu R., Bailey D., Mirea P., Lazăr C., Boroneant A., Bonsall C., Strand Vidarsdottir U., Bréhard S., Tresset A., Cucchi T., Larson G. & Dobney K. 2015b. Correction to Unravelling the complexity of domestication : a case study using morphometrics and ancient DNA analyses of archaeological pigs from Romania. Philosophical Transactions B, 370. https://doi.org/10.1098/rstb.2013.0616

Fernandez, H., 2001. Ostéologie comparée des petits ruminants eurasiatiques sauvages et domestiques (genres Rupicapra, Ovis, Capra et Capreolus) : diagnose différentielle du squelette appendiculaire (Thèse de Doctorat). Université de Genève, Muséum d’histoire naturelle Genève.

Le Meillour, L., Zirah, S., Zazzo, A., Cersoy, S., Détroit, F., Imalwa, E., Lebon, M., Nankela, A., Tombret, O., Pleurdeau, D., Lesur, J., 2020. Palaeoproteomics gives new insight into early southern African pastoralism. Scientific Reports 10, 14427. https://doi.org/10.1038/s41598-020-71374-3

Miele, V., Dussert, G., Cucchi, T., Renaud, S. (2020). Deep Learning for Species Identification of Modern and Fossil Rodent Molars. bioRxiv, 2020.08.20.259176. https://doi.org/10.1101/2020.08.20.259176.

Moclán, A., Domínguez-García, Á. C., Stoetzel, E., Cucchi, T., Sevilla, P., & Laplana, C. (2022). Machine Learning interspecific identification of mouse first lower molars (genus Mus Linnaeus, 1758) and application to fossil remains from the Estrecho Cave (Spain). Quaternary Science Reviews299, 107877. https://doi.org/10.1016/j.quascirev.2022.10787

Prummel, W., Frisch, H.-J., 1986. A guide for the distinction of species, sex and body side in bones of sheep and goat. Journal of Archaeological Science 13, 567–577. https://doi.org/10.1016/0305-4403(86)90041-5

Todd, E.T., Tonasso-Calvière, L., Chauvey, L., Schiavinato, S., Fages, A., Seguin-Orlando, A., Clavel, P., Khan, N., Pérez Pardal, L., Patterson Rosa, L., Librado, P., Ringbauer, H., Verdugo, M., Southon, J., Aury, J.-M., Perdereau, A., Vila, E., Marzullo, M., Prato, O., Tecchiati, U., Bagnasco Gianni, G., Tagliacozzo, A., Tinè, V., Alhaique, F., Cardoso, J.L., Valente, M.J., Telles Antunes, M., Frantz, L., Shapiro, B., Bradley, D.G., Boulbes, N., Gardeisen, A., Horwitz, L.K., Öztan, A., Arbuckle, B.S., Onar, V., Clavel, B., Lepetz, S., Vahdati, A.A., Davoudi, H., Mohaseb, A., Mashkour, M., Bouchez, O., Donnadieu, C., Wincker, P., Brooks, S.A., Beja-Pereira, A., Wu, D.-D., Orlando, L., 2022. The genomic history and global expansion of domestic donkeys. Science 377, 1172–1180, https://doi.org/10.1126/science.abo3503

Vila, E., Abrahami, P., Albesso, M., Amane, A., Bader, C., Berthon, R., Bouzid, S., Bradley, D., Breniquet, C., Chahoud, J., Cucchi, T., Davoudi, H., de Cupere, B., Escarguel, G., Estrada, O., Gourichon, L., Helmer, D., Huangfu, W., Lesur, J., Mashkour, M., Michel, C., Mohaseb, A., Orlando, L., Pompanon, F., Studer, J., Vuillien, M., 2021. EVOSHEEP: the makeup of sheep breeds in the ancient Near East. Antiquity 95, e2. https://doi.org/10.15184/aqy.2020.247

Vila E., Amane A., 2022. EvoSheep – Origin and evolution of sheep breeds: The diversity of modern breeds, Ethiopia. ArchéOrient – Le Blog. URL https://doi.org/10.58079/BD2B

Vuillien M., 2020. Systèmes d’élevage et pastoralisme en Provence et dans les Alpes méridionale durant la Protohistoire : nouvelles perspectives en archéozoologie, Thèse de doctorat en Préhistoire, Université Côte d’Azur, 2 vol., 687 p.

Vuillien M., 2022. EvoSheep – Origin and evolution of sheep breeds: 3D bone modelling to morphometrics investigation. ArchéOrient – Le Blog. URL https://doi.org/10.58079/BD2L

L’autrice

Manon Vuillien est archéozoologue, post-doctorante IdEX à l’Université Côte d’Azur et rattachée à l’UMR 7264 CEPAM – Cultures, Environnements : Préhistoire, Antiquité, Moyen-Âge -, Université Côte d’Azur, à Nice, France.


OpenEdition vous propose de citer ce billet de la manière suivante :
Manon Vuillien (9 mars 2024). Archéozoologie et Machine Learning : vers une collaboration d’avenir ? Bioarchéologies. Consulté le 23 mars 2025 à l’adresse https://doi.org/10.58079/vzq7


Vous aimerez aussi...

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

This site uses Akismet to reduce spam. Learn how your comment data is processed.