Forscher haben sich die Möglichkeiten des maschinellen Lernens zunutze gemacht und einen Rahmen für die Analyse der Faktoren entwickelt, die am meisten zur genetischen Vielfalt einer Art beitragen.
Die Studie, die vor kurzem veröffentlicht im Journal Molekulare Phylogenetik und Evolutionlässt darauf schließen, dass die genetische Variation zweier Arten, des Brasilianischen Sibilatorfrosches und der Körnerkröte, beides Amphibien, die im Nordosten Brasiliens heimisch sind, durch unterschiedliche Prozesse geprägt wurde.
Die Ergebnisse zeigten, dass die genetische Variation beim Sibilatorfrosch größtenteils durch demografische Ereignisse infolge von Lebensraumveränderungen im Laufe der letzten 100.000 Jahre geprägt wurde.
Im Gegensatz dazu wurde die genetische Vielfalt bei der Körnerkröte größtenteils durch zeitgenössische Landschaftsfaktoren geprägt – Kröten, die entweder aufgrund der geografischen Entfernung oder eines unwirtlichen Lebensraums relativ isolierter waren, wiesen eher genetische Unterschiede auf.
Frühere Untersuchungen haben sich zwar mit den Auswirkungen historischer demografischer und landschaftlicher Faktoren auf die genetische Vielfalt dieser Amphibien befasst, sie wurden jedoch mit getrennten Datensätzen für diese Faktoren durchgeführt. Daher war es schwierig zu erkennen, welcher der wichtigste war.
Nun sind die an dieser Studie beteiligten Forscher die ersten, die künstliche Intelligenz einsetzen, um zu untersuchen, wie beide Prozesse die genetische Vielfalt gleichermaßen beeinflussen, anstatt manuelle Annahmen darüber anzustellen, welcher Prozess möglicherweise wichtiger war.
„Vor dieser Arbeit mussten wir unsere Fragen unabhängig voneinander stellen, da man beide Einflüsse nicht im selben Rahmen untersuchen konnte“, sagte Bryan Carstens, Co-Autor der Studie und Professor für Evolution, Ökologie und Organismusbiologie an der Ohio State University.
„KI ermöglicht es uns, Prozesse zu simulieren, die sowohl in der Gegenwart ökologisch ablaufen als auch während evolutionärer Ereignisse in der Urzeit, und diese Ergebnisse mit den tatsächlichen Daten zu vergleichen, die wir von diesen Fröschen sammeln.“
Aufgrund der enormen Datenmenge, die Genetikern und anderen Wildbiologen in den letzten Jahrzehnten zur Verfügung stand, kann es für Forscher eine Herausforderung sein, bestimmte Faktoren zu identifizieren, die in bestimmten Experimenten wichtig sein könnten, sagte Carstens. Durch die Integration großer Informationsmengen in Simulationen, die diese Elemente in einer einzigen Analyse berücksichtigen können, ist es jedoch möglich, eine viel vollständigere Chronik der Entwicklung einer Art zu erhalten.
„Es dauert lange, unsere KI-Modelle zu erstellen und zu trainieren, aber wir wollten ein Modell, das die Bandbreite möglicher Variationen in der Geschichte der Arten so genau wie möglich erfassen kann und dabei dem entspricht, was wir über die Biologie des Systems wissen“, sagte Carstens.
Obwohl die in dieser Studie untersuchten Arten in derselben Region leben, gibt es viele Unterschiede in ihrer natürlichen Entwicklung. Obwohl sowohl ihre Eier als auch ihre Larven vollständig im Wasser leben, vermehrt sich der Brutfrosch während der gesamten Regenzeit und in unterirdischen Kammern kontinuierlich, während die Fortpflanzung der Körnerkröte explosionsartig erfolgt, da sie von starken Regenfällen abhängig ist.
In Kombination mit ihrem maschinellen Lernansatz ergab die Simulation der Forscher, dass ihre Modellszenarien hinsichtlich der historischen Erklärungen für die Ausbreitung des Sibilatorfrosches zu 100 % und hinsichtlich der Erklärungen für die Ausbreitung der Körnerkröte zu über 99 % unterstützt wurden.
Einer der Gründe für die hohe Genauigkeit ihres Modells liegt in seiner Fähigkeit, aktuelle demografische Ereignisse zu berücksichtigen und zu messen, wie sich Ereignisse wie die menschliche Entwicklung oder Lebensraumveränderungen über einen langen Zeitraum auf die genetische Vielfalt bei Tieren ausgewirkt haben könnten.
Doch auch beim Einsatz künstlicher Intelligenz müssten Forscher darauf achten, dass ihre Ergebnisse keine irreführenden Muster aufwiesen, sagte Carstens.
„Keine unserer Analysen wird jeden einzelnen Faktor erfassen, der für diese Arten über Millionen von Jahren wichtig war“, sagte er. „Wir müssen also eine Reihe von Möglichkeiten zulassen, ohne sie so breit zu gestalten, dass praktisch jedes Modell auf die Daten passen würde.“
Da die Forscher durch technologische Fortschritte nun in der Lage sind, ökologische Nischenfragen zu beantworten und neue Hypothesen zu testen, stellt ihre Arbeit laut Carstens einen Vorläufer für die Schaffung eines verbesserten Rahmens für maschinelles Lernen dar, der für einzigartige Untersuchungen anderer Arten eingesetzt werden könnte.
„Wir werden wahrscheinlich weiterhin verschiedene Kombinationen dieser KI-Tools auf unterschiedliche Weise verwenden, um die Evolutionsgeschichte zu verstehen“, sagte Carstens. „Und während wir weiter lernen, werden sich die von uns verwendeten Tools ändern und sich weiterentwickeln, um noch besser zu werden.“
Mehr Informationen:
Emanuel M. Fonseca et al, Künstliche Intelligenz ermöglicht eine einheitliche Analyse historischer und landschaftlicher Einflüsse auf die genetische Vielfalt, Molekulare Phylogenetik und Evolution (2024). DOI: 10.1016/j.ympev.2024.108116