De oceanen van de aarde warmen op en worden zuurder naarmate het klimaat verandert. Voor een groot deel van de flora en fauna van de zee zou dat uitsterven kunnen betekenen, tenzij soorten zich kunnen aanpassen aan nieuwe omstandigheden en voedselbronnen - of migreren naar meer gastvrije wateren.

Maar bedreigde soorten kunnen misschien een helpende hand krijgen van de mens, zegt Katie Lotterhos, universitair hoofddocent mariene en milieuwetenschappen aan Northeastern, zolang wetenschappers maar nauwkeurig kunnen bepalen welke soorten hulp nodig hebben.

Dat is waar Lotterhos en haar collega's binnenkomen.

Binnen soorten is er vaak genetische variatie. Sommige genetische stammen zullen zich gemakkelijker kunnen aanpassen aan bepaalde nieuwe omstandigheden dan andere. Als onderzoekers kunnen identificeren welke genetische stammen van een bepaalde soort meer kans hebben om te overleven in de verwachte nieuwe omstandigheden, kunnen ze herstel- en beschermingsinspanningen op die stammen concentreren. Of, zegt Lotterhos, wetenschappers zouden soorten kunnen helpen zich aan te passen aan klimaatverandering door ze te verplaatsen naar plaatsen die later waarschijnlijk gastvrijer zullen zijn in een concept dat 'geassisteerde migratie' wordt genoemd. Wetenschappers en industrieleiders overwegen deze aanpak al voor landbouw en bomen.

"Er is een dringende maatschappelijke behoefte om genetische stammen beter af te stemmen op omgevingen voor herstelinspanningen in het licht van klimaatverandering", zegt Lotterhos. Om dat te doen, hebben wetenschappers methoden ontwikkeld voor 'genomische voorspelling', zegt ze, die genetische gegevens kunnen gebruiken om 'te voorspellen hoe een genetische stam zal presteren in verschillende omgevingen'.

Maar op dit moment weten wetenschappers niet helemaal zeker of die voorspellingen juist zijn. Dus hebben Lotterhos en collega's een toonaangevend algoritme voor machine learning op de proef gesteld. Hun resultaten worden gerapporteerd in een recent artikel gepubliceerd in het tijdschrift Evolutionary Applications .

Het algoritme voor machinaal leren combineert genetische en omgevingsinformatie om te voorspellen hoe slecht een bepaalde genetische stam van een soort zou zijn aangepast aan een bepaalde reeks omgevingsomstandigheden in een maatstaf die 'genomische offset' wordt genoemd, zegt Lotterhos. Om te testen hoe nauwkeurig het algoritme genomische offset voorspelt, legt ze uit, heeft het team computersimulaties gemaakt van wat zij 'virtuele soorten' noemen die niet in de echte wereld bestaan, maar die geboorte, dood, verspreiding, evolutionaire selectie en mutatie ondergaan in de op dezelfde manier als echte soorten in de natuur.

"Onze studie laat zien dat genomische voorspellingsmethoden veelbelovend zijn, maar dat we nog steeds geen volledig begrip hebben van hun sterke punten en beperkingen", zegt Lotterhos. De machinale leermethode bleek beter dan andere maatregelen om genomische offset te voorspellen wanneer de onderzoekers de invoer eenvoudig hielden, alleen rekening houdend met genetische informatie of alleen milieu-informatie. Maar samen genomen als een manier om bevolkingsafname als gevolg van veranderingen in het milieu te voorspellen, zegt Lotterhos dat de resultaten misleidend kunnen zijn.

Om de machine learning-aanpak verder te testen, ontwikkelt het team van Lotterhos meer simulaties. De wetenschappers zullen dit experiment ook offline halen en veldexperimenten uitvoeren.

Lotterhos ontving onlangs twee prestigieuze prijzen:een CAREER-prijs van de National Science Foundation en een Fulbright-beurs. Met steun van de CAREER-award voeren Lotterhos en collega's tests uit van de genomische voorspellingsmethoden in oesters. De Fulbright-beurs heeft haar naar Zweden gebracht, waar ze de methoden in het zeeleven daar test, zoals zeeslakken, zeegras en isopoden, een orde van schaaldieren die pissebedden omvat.

"De Oostzee is een interessant studiesysteem omdat veel soorten zich genetisch hebben aangepast aan een steile milieugradiënt van goedaardige oceaanomstandigheden naar een zuurder zoetwatermilieu", zegt Lotterhos. "Het doel is om te bepalen hoe goed deze methoden werken en onder welke omstandigheden ze goed presteren."