Kunne kunstig intelligens hjælpe truede marinearter med at overleve klimaændringer?

Jordens oceaner opvarmes og bliver surere, efterhånden som klimaet ændrer sig. For meget af havets flora og fauna kan det betyde udryddelse, medmindre arter kan tilpasse sig nye forhold og fødekilder - eller migrere til mere gæstfrie farvande.

Men truede arter kan muligvis få en hjælpende hånd fra mennesker, siger Katie Lotterhos, lektor i hav- og miljøvidenskab ved Northeastern, så længe forskerne nøjagtigt kan bestemme, hvilke arter der har brug for hjælp.

Det er her Lotterhos og hendes kolleger kommer ind.

Inden for arter er der ofte genetisk variation. Nogle genetiske stammer vil være lettere i stand til at tilpasse sig visse nye forhold end andre. Hvis forskerne kan identificere, hvilke genetiske stammer af en given art der er mere tilbøjelige til at overleve under de forventede nye forhold, kan de fokusere restaurerings- og beskyttelsesindsatsen på disse stammer. Eller, siger Lotterhos, at forskere kunne hjælpe arter med at tilpasse sig klimaændringer ved at flytte dem til steder, der sandsynligvis vil være mere gæstfrie nede ad vejen i et koncept kaldet "assisteret migration." Forskere og industriledere overvejer allerede denne tilgang til landbrug og træer.

"Der er et presserende samfundsmæssigt behov for bedre at matche genetiske stammer med miljøer for genopretningsindsats i lyset af klimaændringer," siger Lotterhos. For at gøre det har forskere udviklet metoder til "genomisk prognose," siger hun, som kan bruge genetiske data til at "forudsige, hvordan en genetisk stamme vil fungere i forskellige miljøer."

Men lige nu er videnskabsmænd ikke helt sikre på, om disse forudsigelser er nøjagtige. Så Lotterhos og kolleger satte en førende maskinlæringsalgoritme på prøve. Deres resultater er rapporteret i et nyligt papir offentliggjort i tidsskriftet Evolutionary Applications .

Maskinlæringsalgoritmen kombinerer genetisk og miljømæssig information for at forudsige, hvor dårligt tilpasset en given genetisk stamme af en art ville være til et bestemt sæt miljøforhold i et mål kaldet "genomisk offset," siger Lotterhos. For at teste, hvor præcist algoritmen forudsiger genomisk offset, forklarer hun, har holdet skabt computersimuleringer af, hvad de kalder "virtuelle arter", som ikke eksisterer i den virkelige verden, men som gennemgår fødsel, død, spredning, evolutionær selektion og mutation i samme måde, som rigtige arter gør i naturen.

"Vores undersøgelse viser, at genomiske prognosemetoder lover, men at vi stadig ikke har en fuld forståelse af deres styrker og begrænsninger," siger Lotterhos. Maskinlæringsmetoden viste sig at være bedre end andre foranstaltninger til at forudsige genomisk offset, når forskerne holdt inputs enkle, idet de kun overvejede genetisk information eller blot miljøinformation. Men samlet set som en måde at forudsige befolkningsfald på grund af miljøændringer, siger Lotterhos, at resultaterne kan være vildledende.

For at teste maskinlæringstilgangen yderligere er Lotterhos' team ved at udvikle flere simuleringer. Forskerne vil også tage dette eksperiment offline og udføre felteksperimenter.

Lotterhos modtog for nylig to prestigefyldte priser:En CAREER-pris fra National Science Foundation og et Fulbright-stipendium. Med støtte fra CAREER-prisen udfører Lotterhos og kolleger test af de genomiske prognosemetoder i østers. Fulbright-stipendiet har taget hende til Sverige, hvor hun afprøver metoderne i havets liv der, såsom havsnegle, ålegræs og isopoder, en orden af ​​krebsdyr, der omfatter skovlus.

"Østersøen er et interessant studiesystem, fordi mange arter genetisk har tilpasset sig en stejl miljøgradient fra godartede havforhold til et mere surt ferskvandsmiljø," siger Lotterhos. "Målet er at bestemme, hvor godt disse metoder virker, og under hvilke forhold de fungerer godt."