Die Ozeane der Erde erwärmen sich und werden saurer, wenn sich das Klima ändert. Für einen Großteil der Flora und Fauna des Meeres könnte dies das Aussterben bedeuten, es sei denn, die Arten können sich an neue Bedingungen und Nahrungsquellen anpassen – oder in gastfreundlichere Gewässer wandern.
Aber gefährdete Arten könnten möglicherweise Hilfe von Menschen erhalten, sagt Katie Lotterhos, außerordentliche Professorin für Meeres- und Umweltwissenschaften an der Northeastern, solange Wissenschaftler genau bestimmen können, welche Arten Hilfe benötigen.
Hier kommen Lotterhos und ihre Kollegen ins Spiel.
Innerhalb von Arten gibt es oft genetische Variationen. Einige genetische Stämme werden sich leichter an bestimmte neue Bedingungen anpassen können als andere. Wenn Forscher feststellen können, welche genetischen Stämme einer bestimmten Art unter den erwarteten neuen Bedingungen mit größerer Wahrscheinlichkeit überleben, können sie ihre Wiederherstellungs- und Schutzbemühungen auf diese Stämme konzentrieren. Oder, sagt Lotterhos, Wissenschaftler könnten Arten helfen, sich an den Klimawandel anzupassen, indem sie sie in einem Konzept namens „unterstützte Migration“ an Orte bringen, die später wahrscheinlich gastfreundlicher sind. Wissenschaftler und Branchenführer erwägen diesen Ansatz bereits für Landwirtschaft und Bäume.
„Es besteht ein dringender gesellschaftlicher Bedarf, genetische Stämme besser mit Umgebungen für Wiederherstellungsbemühungen angesichts des Klimawandels abzustimmen“, sagt Lotterhos. Zu diesem Zweck haben Wissenschaftler Methoden für die „Genomvorhersage“ entwickelt, sagt sie, die genetische Daten verwenden können, um „vorherzusagen, wie sich ein genetischer Stamm in verschiedenen Umgebungen verhalten wird“.
Aber im Moment sind sich Wissenschaftler nicht ganz sicher, ob diese Vorhersagen richtig sind. Also haben Lotterhos und Kollegen einen führenden Algorithmus für maschinelles Lernen auf die Probe gestellt. Ihre Ergebnisse werden in einem kürzlich in der Zeitschrift veröffentlichten Artikel berichtet Evolutionäre Anwendungen.
Der maschinelle Lernalgorithmus kombiniert genetische und Umweltinformationen, um vorherzusagen, wie schlecht ein bestimmter genetischer Stamm einer Art an eine bestimmte Reihe von Umweltbedingungen angepasst wäre, in einem Maß, das als „genomischer Offset“ bezeichnet wird, sagt Lotterhos. Um zu testen, wie genau der Algorithmus den genomischen Offset vorhersagt, hat das Team Computersimulationen von sogenannten „virtuellen Arten“ erstellt, die in der realen Welt nicht existieren, aber in der Welt geboren, tot, zerstreut, evolutionär selektiert und mutiert werden auf die gleiche Weise wie echte Arten in der Natur.
„Unsere Studie zeigt, dass genomische Vorhersagemethoden vielversprechend sind, wir aber ihre Stärken und Grenzen noch nicht vollständig verstanden haben“, sagt Lotterhos. Die Methode des maschinellen Lernens erwies sich als besser als andere Maßnahmen zur Vorhersage des genomischen Offsets, wenn die Forscher die Eingaben einfach hielten und nur genetische Informationen oder nur Umweltinformationen berücksichtigten. Aber zusammengenommen als Möglichkeit, Bevölkerungsrückgänge aufgrund von Umweltveränderungen vorherzusagen, könnten die Ergebnisse irreführend sein, sagt Lotterhos.
Um den maschinellen Lernansatz weiter zu testen, entwickelt das Team von Lotterhos weitere Simulationen. Die Wissenschaftler werden dieses Experiment auch offline nehmen und Feldexperimente durchführen.
Lotterhos erhielt kürzlich zwei prestigeträchtige Auszeichnungen: einen CAREER Award der National Science Foundation und ein Fulbright-Stipendium. Mit Unterstützung des CAREER-Awards führen Lotterhos und Kollegen Tests der genomischen Vorhersagemethoden in Austern durch. Das Fulbright-Stipendium hat sie nach Schweden geführt, wo sie die Methoden des dortigen Meereslebens wie Meeresschnecken, Seegras und Asseln, eine Krebstierart, zu der Asseln gehören, testet.
„Die Ostsee ist ein interessantes Studiensystem, da sich viele Arten genetisch an einen steilen Umweltgradienten von günstigen Meeresbedingungen zu einer saureren Süßwasserumgebung angepasst haben“, sagt Lotterhos. „Das Ziel ist festzustellen, wie gut diese Methoden funktionieren und unter welchen Bedingungen sie gut funktionieren.“
Áki Jarl Láruson et al, Den Wald vor lauter Bäumen sehen: Bewertung genetischer Offset-Vorhersagen aus Gradientenwäldern, Evolutionäre Anwendungen (2022). DOI: 10.1111/eva.13354