Teilprojekt 2: Erfassung schneller Evolutionsprozesse in sich verändernden Umgebungen: Ein neuartiger Ansatz zur Analyse populationsgenomischer Daten unter Nutzung maschinellen Lernens
Hauptforschende: Kathrin Otte and Chris Biemann
Doktoranden: Stylianos Mavrianos; Karim el Akoum
Dieses Projekt untersucht schnelle evolutionäre Prozesse in natürlichen und experimentellen Populationen des Kleinkrebses Daphnia, einer Schlüsselorganismengruppe in Seen und Teichen. Daphnia reagiert besonders empfindlich und schnell auf Umweltveränderungen wie Temperaturanstieg, neue Fraßfeinde oder Cyanobakterienblüten und eignet sich daher hervorragend, um Anpassungsmechanismen in sich wandelnden Ökosystemen zu erforschen. Durch die Nutzung großer genomischer Datensätze, insbesondere aus Zeitreihen, lassen sich selbst subtile genetische Veränderungen sichtbar machen, die Anpassung und Überleben steuern.
Das Projekt kombiniert Populationsgenomik mit modernen Methoden des maschinellen Lernens (ML). Ziel ist es, neue Algorithmen zu entwickeln, die evolutionäre Signaturen in komplexen Genomdaten erkennen können. Dabei sollen verschiedene neuronale Netzwerkarchitekturen wie CNNs, RNNs, GNNs und Transformer-Modelle getestet und ihre Interpretierbarkeit verbessert werden. Grundlage dafür sind simulierte Datensätze sowie Zeitreihen aus natürlichen Populationen norddeutscher Seen und aus kontrollierten Evolutionsexperimenten.
Im Labor werden Daphnia‑Populationen über mindestens 60 Generationen bei 20°C und 23°C gehalten, um zu untersuchen, wie sich ein modellierter Temperaturanstieg auf Genom und Fitness auswirkt. Parallel werden natürliche Populationen aus einem norddeutschen Langzeitforschungsgebiet analysiert, für die sowohl genomische Daten als auch umfangreiche Umweltinformationen vorliegen. Dies ermöglicht es, genetische Veränderungen direkt mit Umweltfluktuationen zu verknüpfen.
Langfristig wird das Projekt dazu beitragen, neue ML‑basierte Werkzeuge für die Populationsgenomik zu entwickeln und besser zu verstehen, wie schnell Organismen auf globale Veränderungen reagieren können. Die Zusammenarbeit zwischen Genetik, Ökologie und Data Science schafft eine Grundlage für die Vorhersage zukünftiger evolutionärer Entwicklungen.
Foto: Vera van Santvoort