Un nuevo tipo de detective de huellas de dinosaurios

Esas marcas poco profundas, casi invisibles salvo que la luz incida en el ángulo preciso, ya no dependen únicamente del ojo entrenado de un paleontólogo solitario armado con una cinta métrica. Hoy es una red neuronal la que "lee" esos pasos antiguos, y lo que el algoritmo está detectando en miles de huellas fosilizadas está cambiando, de forma silenciosa, nuestra comprensión sobre los orígenes de las aves y sobre cómo se desplazaban los dinosaurios.

Durante décadas, las huellas dejadas por dinosaurios han sido a la vez un tesoro y un quebradero de cabeza para la investigación. Pueden revelar velocidad, postura y comportamiento, pero la erosión, la deformación del barro y el paso del tiempo hacen que su interpretación sea incierta. No es extraño que dos expertos observen la misma huella y lleguen a conclusiones completamente distintas.

Para reducir ese margen de error, un equipo de la Universidad de Tübingen, en colaboración con la Universidad de Mánchester y el Museo für Naturkunde de Berlín, recurrió a la inteligencia artificial. El resultado fue un sistema integrado en una aplicación móvil llamada DinoTracker, que utiliza aprendizaje automático para organizar y comparar huellas de dinosaurios con una intervención humana mínima.

La IA evalúa las huellas exclusivamente por su forma, agrupándolas en un "espacio morfológico" de ocho dimensiones, en lugar de partir de etiquetas de especie predefinidas.

En el núcleo de DinoTracker hay una red neuronal convolucional entrenada con más de 2.000 huellas tridáctilas (de tres dedos) recopiladas en distintas regiones del mundo. Estas huellas, datadas entre aproximadamente 200 y 145 millones de años, fueron convertidas en siluetas y contornos "limpios" antes de ser procesadas por el algoritmo.

En lugar de instruir al sistema con clasificaciones como "esto es un terópodo" o "esto se parece a un ave", los investigadores optaron por dejar que la IA descubriera patrones por sí sola. Esta estrategia —el aprendizaje no supervisado— ayuda a evitar que el modelo herede errores y sesgos presentes en esquemas de clasificación más antiguos.

Cómo DinoTracker descifra un paso

Cuando alguien envía a DinoTracker una fotografía o un dibujo del contorno de una huella, la aplicación no se limita a superponer imágenes de un catálogo. Primero identifica "puntos de anclaje" geométricos: el ángulo entre los dedos, la longitud relativa del dedo central, la forma del talón y la curvatura de cada marca de garra.

A partir de esa geometría, el algoritmo calcula ocho variables morfométricas, es decir, números que condensan la estructura de la huella como si fueran su "ADN" de contorno. Después, cada impresión se posiciona en un espacio morfológico abstracto de ocho dimensiones, acercándose a otras huellas con geometría similar.

En las pruebas realizadas, para huellas bien conservadas, el sistema coincidió con las clasificaciones de los especialistas en aproximadamente nueve de cada diez casos, aplicando siempre los mismos criterios.

Este enfoque de "la forma primero" resulta especialmente útil cuando los fósiles están deteriorados, fracturados o parcialmente enterrados. En lugar de descartar una huella dañada, el software compara el contorno todavía visible con la base de datos global y señala las semejanzas más probables.

Entrenar con huellas falsas y deliberadamente dañadas

El equipo no se limitó a trabajar con huellas reales. Para hacer la IA más robusta, generó más de 10.000 huellas simuladas a partir de las formas originales. Estas versiones sintéticas fueron estiradas, rotadas, comprimidas, difuminadas y parcialmente borradas para reproducir lo que ocurre cuando un animal pesado pisa sedimentos húmedos que luego se secan, agrietan y erosionan.

Al exponer el modelo a estas variaciones del "peor escenario posible", los científicos buscaron un sistema capaz de trabajar en condiciones de campo reales, no solo con ejemplares perfectos de museo. De este modo, el algoritmo mejora su capacidad para separar diferencias anatómicas genuinas de los daños causados por el clima, el suelo o el desgaste natural.

Siluetas fósiles reales: base principal de entrenamiento procedente de yacimientos de varios continentes
Distorsiones simuladas: huellas estiradas, rotadas y erosionadas para imitar la degradación
Ocho variables morfométricas: descripción numérica compacta de cada contorno
Aprendizaje no supervisado: agrupamiento sin etiquetas fijas de especie

Huellas "de ave" mucho más antiguas de lo esperado

El hallazgo más llamativo no reside en la tecnología en sí, sino en lo que esta ha sacado a la luz. Entre los registros analizados por DinoTracker, la IA identificó un agrupamiento diferenciado de huellas muy antiguas con un aspecto sorprendentemente similar al de las aves.

Algunas de esas huellas podrían tener más de 210 millones de años, correspondiendo al Triásico tardío. Según el algoritmo, comparten características que hoy asociamos con las aves modernas: contornos estrechos de tres dedos, fuerte simetría a lo largo del eje central y dedos próximos entre sí, en lugar de muy abiertos.

Estas huellas triásicas exhiben una estructura del pie notablemente parecida a la de las aves actuales, pese a que los fósiles generalmente aceptados de las primeras aves aparecen mucho más tarde, en el Jurásico.

Este patrón llevó a los investigadores a considerar dos hipótesis principales. La primera es que las raíces del linaje de las aves podrían remontarse más atrás en el tiempo de lo que sugieren los fósiles óseos disponibles. La segunda es que algunos dinosaurios carnívoros primitivos podrían haber desarrollado, de forma independente, pies similares a los de las aves mucho antes de que estas existieran, lo que constituiría un caso de evolución convergente.

En cualquiera de los dos escenarios, los datos apuntan a una transición más gradual hacia el "plano corporal" de las aves, en lugar de un salto abrupto. Al comparar huellas antiguas con otras más recientes, la IA traza un continuo de formas que se aproxima, progresivamente, a lo que hoy reconoceríamos en una gaviota o en una garza.

Por qué las huellas pueden revolucionar el árbol genealógico

Tradicionalmente, los huesos fosilizados han dominado el debate sobre el origen de las aves, con protagonistas emblemáticos como el esqueleto del Archaeopteryx. Sin embargo, los huesos solo aparecen cuando la muerte y la fosilización se producen en condiciones muy específicas, y la distribución de esos hallazgos es irregular tanto en el tiempo como en el espacio.

Las huellas registran otra dimensión: el comportamiento en movimiento, preservado en antiguas líneas de costa, llanuras aluviales y entornos desérticos. También pueden capturar animales que raramente se fosilizan como esqueleto, o incluso linajes aún no reconocidos en el registro óseo.

Como la IA agrupa contornos sin partir de la pregunta "¿qué dinosaurio hizo esto?", esquiva parte del sesgo que consiste en encajar cada descubrimiento en una taxonomía preexistente. Esto abre una perspectiva alternativa sobre cómo estilos de locomoción y diseños de pie similares pudieron surgir en paralelo.

Del laboratorio al móvil: ciencia ciudadana con huellas de dinosaurios

DinoTracker no fue concebido únicamente para laboratorios especializados. El proyecto se plantea como una plataforma de ciencia ciudadana, invitando a senderistas, coleccionistas aficionados de fósiles y guías locales a compartir descubrimientos sobre el terreno.

Cualquier persona con la aplicación puede fotografiar una huella o dibujar su contorno en la pantalla. A continuación, el software devuelve dos resultados: un índice de semejanza respecto a huellas ya existentes en la base de datos y una indicación visual de dónde se posiciona la nueva huella en el espacio morfológico de ocho dimensiones.

Al convertir los teléfonos móviles en escáneres portátiles de huellas, el sistema amplía la búsqueda mucho más allá del reducido número de icnólogos profesionales.

Cada nueva contribución, una vez verificada frente a los datos existentes, puede reincorporarse al conjunto de entrenamiento. Con el tiempo, este ciclo de retroalimentación tiende a aumentar la precisión de la IA y, al mismo tiempo, a ampliar la cobertura geográfica de los yacimientos conocidos.

En regiones con pocos especialistas, la aplicación funciona además como herramienta de cribado: propietarios de terrenos, guardas de parques naturales o docentes pueden obtener una primera valoración sobre la probabilidad de que una marca sea una huella real de dinosaurio que justifique un análisis científico in situ.

Un aspecto crucial para mejorar la calidad de los registros recogidos en el campo es la forma de documentar la huella. Las fotografías con escala (por ejemplo, una regla), la indicación de la orientación y una iluminación rasante para resaltar el relieve pueden marcar la diferencia entre un dato útil y una imagen imposible de comparar.

También es importante tener en cuenta la protección del patrimonio. En muchos yacimientos, retirar rocas, aplicar productos para "realzar" las huellas o intervenir en el afloramiento puede dañar información irreversible e infringir normativas locales. La mejor práctica es registrar, georreferenciar cuando sea posible y comunicar los hallazgos a las entidades competentes o a equipos científicos.

Más allá de las huellas: un modelo para los fósiles digitales

Las mismas técnicas de reconocimiento de patrones pueden adaptarse a otros fósiles con contornos característicos. El equipo detrás de DinoTracker ya está valorando aplicaciones futuras a impresiones de plantas, rastros de invertebrados y fragmentos óseos parciales.

Al estandarizar la forma en que se registran y comparan las siluetas, las herramientas de IA pueden facilitar colecciones digitales unificadas entre museos, universidades y descubrimientos particulares. Esto podría revelar patrones de evolución y de clima difíciles de identificar cuando los datos permanecen dispersos en archivos locales.

Conceptos clave detrás de la tecnología

Dos términos sustentan este proyecto y merecen una aclaración: aprendizaje no supervisado y variables morfométricas.

El aprendizaje no supervisado significa que el algoritmo no recibe, para cada ejemplo, la "respuesta correcta". En su lugar, busca agrupamientos naturales en los datos —conjuntos de formas similares— y los señala para su interpretación científica. De este modo, se reduce el riesgo de perpetuar errores de etiquetado heredados.

Las variables morfométricas son valores numéricos que describen la forma. En este caso, pueden incluir proporciones como "longitud del dedo central en relación con la anchura del talón" o mediciones de los ángulos entre los dedos. Al traducir contornos en números, la IA puede comparar miles de huellas de manera consistente y detectar tendencias sutiles que la mirada humana podría pasar por alto tras cientos de mediciones.

Lo que esto puede cambiar en la búsqueda de fósiles del futuro

Para los investigadores profesionales, este enfoque ofrece una manera de contrastar ideas evolutivas sin quedar demasiado atrapados en categorías ya establecidas. Si emerge un nuevo agrupamiento en el espacio morfológico, eso puede apuntar hacia un comportamiento o un plano corporal ausente del registro óseo.

Para los entusiastas y las familias que visitan yacimientos con huellas, la tecnología acerca el descubrimiento a una experiencia de investigación compartida. Una excursión de fin de semana por un acantilado de arenisca puede contribuir a un trabajo científico de primer nivel, siempre que las personas registren y envíen lo que encuentran con cuidado y rigor.

Existen, naturalmente, límites. No toda marca en una roca es un paso de dinosaurio y, por muy bien entrenada que esté, una IA sigue dependiendo de los datos que ha procesado. Tipos de pies raros o verdaderamente únicos pueden agruparse de forma imprecisa hasta que existan suficientes ejemplos. Por ello, la revisión por parte de especialistas y la verificación sobre el terreno siguen siendo indispensables.

Aun así, la combinación de precisión computacional, participación masiva y profundidad temporal abre un escenario apasionante: un mapa vivo, en constante actualización, del movimiento antiguo a escala planetaria, construido huella a huella. Y en ese mapa, el discreto rastro de tres dedos de algo que ya caminaba como un ave mucho antes de que las aves, supuestamente, hubieran llegado a existir.