Ein Forscherteam des Leibniz-Instituts für Ostseeforschung Warnemünde hat eine neuartige Methode entwickelt, die es ermöglicht, komplexe ökologische Muster in mikrobiellen Gemeinschaften sichtbar zu machen. Diese Technik, die ursprünglich für die Analyse von Texten konzipiert wurde, nutzt künstliche Intelligenz (KI), um die vielfältigen und oft schwer fassbaren Daten von Mikroorganismen effektiv zu untersuchen. Die Ergebnisse ihrer Studie wurden kürzlich im Fachjournal „Environmental Microbiome“ veröffentlicht und zeigen, wie diese innovative Herangehensweise in der Mikrobiologie wertvolle Einblicke in saisonale Veränderungen von Mikroben in der Warnow-Mündung bietet.
Mikroorganismen sind essenzielle Bestandteile vieler Ökosysteme, da sie eine Schlüsselrolle im Abbau organischen Materials, in Stoffkreisläufen und in der Reaktion auf Umweltveränderungen spielen. In Gewässern sind sie besonders wichtig, da ihre Zusammensetzung oft Aufschluss über den ökologischen Zustand eines Gewässers gibt. Allerdings stellen die enormen Datenmengen, die aus der Analyse von Wasserproben gewonnen werden, eine Herausforderung dar. In einer typischen Probe können bis zu Hunderttausende von genetischen Signaturen nachgewiesen werden, die durch verschiedene Umweltfaktoren wie Temperatur, Salzgehalt und Nährstoffkonzentrationen beeinflusst werden.
Das Forschungsteam um die Doktorandin Anna Kujat hat untersucht, ob das sogenannte Topic Modeling, ein Verfahren aus dem Bereich des maschinellen Lernens, auch auf die Analyse von Mikrobiomen angewendet werden kann. Dabei werden häufig zusammen auftretende Wörter in Texten zu Themen zusammengefasst. Übertragen auf Mikrobiome bedeutet dies, dass Mikroorganismen, die ähnliche Muster in ihrem Vorkommen zeigen, gruppiert werden können. So ist es möglich, aus einer umfangreichen Biodiversität eine überschaubare Anzahl biologisch relevanter Muster zu extrahieren.
Für ihre Untersuchung wählten die Forscher die Warnow-Mündung und angrenzende Küstengewässer der Ostsee als Testgebiet. Diese Region ist durch tägliche Veränderungen gekennzeichnet, die durch den Einfluss von Süß- und Salzwasser sowie menschliche Aktivitäten wie Abwässer und Tourismus bedingt sind. Die Datenbasis umfasste 1.551 Wasserproben, die über ein Jahr hinweg an 14 festen Stationen entnommen wurden. Diese Proben deckten verschiedene Habitate ab, von reinem Süßwasser bis hin zu salzhaltigen Ostseegebieten.
Nach der Aufbereitung der Daten konnten die Forscher insgesamt 1.236 unterschiedliche bakterielle Erbgutvarianten identifizieren. Sie testeten zwei verschiedene Ansätze des Topic Modeling und verglichen diese mit herkömmlichen Methoden zur Datenanalyse. Dabei stellte sich heraus, dass das Topic Modeling in der Lage war, die ökologischen Variablen wie Salzgehalt und Wassertemperatur ebenso gut abzubilden wie die klassischen Verfahren, in manchen Fällen sogar überlegen war.
Die detaillierte Analyse ergab, dass fünf spezifische mikrobielle Teilgemeinschaften in der Warnow-Mündung saisonal auftraten. Diese Gemeinschaften waren nicht gleichzeitig präsent, sondern folgten einem klaren jahreszeitlichen Rhythmus. Besonders interessant war, dass in der Mündung keine Gruppe über das ganze Jahr hinweg dominant war, was einen deutlichen Unterschied zu den Süßwasser-Abschnitten und der Küste darstellt.
Die Forscher identifizierten, dass bestimmte Gemeinschaften mit unterschiedlichen Umweltbedingungen assoziiert waren. Beispielsweise traten zwei Gemeinschaften im Sommer vor allem bei höheren Temperaturen und Salzgehalten auf, während die Frühjahrsgruppe bei gemäßigten Bedingungen zu finden war. Diese Erkenntnisse könnten wertvolle Hinweise darauf geben, wie sich mikrobiologische Gemeinschaften in dynamischen Lebensräumen verändern.
Die Anwendung dieser KI-gestützten Methode könnte weitreichende Vorteile für das Umweltmonitoring bieten. Sie ermöglicht eine präzisere Analyse komplexer Mikrobiomdaten und könnte dazu beitragen, Umweltveränderungen frühzeitiger zu erkennen. Die Forscher betonen jedoch, dass die Methode nicht als Ersatz für bewährte Verfahren gedacht ist, sondern diese vielmehr ergänzen soll.
Insgesamt eröffnet die Studie neue Perspektiven für die Integration von Methoden der Computerlinguistik in die Umweltforschung und zeigt das Potenzial auf, das hinter Algorithmen steckt, die auch in aktuellen Diskussionen um große Sprachmodelle eine Rolle spielen. Diese innovative Herangehensweise könnte dazu beitragen, die biodiversität und die ökologischen Zusammenhänge in unseren Gewässern besser zu verstehen und somit einen wertvollen Beitrag zum Schutz der Ökosysteme zu leisten.
