Jordens hav värms upp och blir surare i takt med att klimatet förändras. För mycket av havets flora och fauna kan det innebära utrotning, om inte arter kan anpassa sig till nya förhållanden och födokällor – eller migrera till mer gästvänliga vatten.

Men utsatta arter kanske kan få en hjälpande hand från människor, säger Katie Lotterhos, docent i marin- och miljövetenskap vid Northeastern, så länge som forskare kan exakt avgöra vilka arter som behöver hjälp.

Det är där Lotterhos och hennes kollegor kommer in.

Inom arter finns ofta genetisk variation. Vissa genetiska stammar kommer lättare att kunna anpassa sig till vissa nya förhållanden än andra. Om forskare kan identifiera vilka genetiska stammar av en given art som är mer benägna att överleva under de förväntade nya förhållandena, kan de fokusera restaurerings- och skyddsinsatser på dessa stammar. Eller, säger Lotterhos, forskare kan hjälpa arter att anpassa sig till klimatförändringar genom att flytta dem till platser som sannolikt kommer att vara mer gästvänliga på vägen i ett koncept som kallas "assisterad migration." Forskare och industriledare överväger redan detta tillvägagångssätt för jordbruk och träd.

"Det finns ett akut samhälleligt behov av att bättre matcha genetiska stammar med miljöer för restaureringsinsatser inför klimatförändringarna", säger Lotterhos. För att göra det har forskare utvecklat metoder för "genomisk prognos", säger hon, som kan använda genetiska data för att "förutsäga hur en genetisk stam kommer att fungera i olika miljöer."

Men just nu är forskarna inte helt säkra på om dessa förutsägelser är korrekta. Så Lotterhos och kollegor satte en ledande maskininlärningsalgoritm på prov. Deras resultat rapporteras i en ny artikel publicerad i tidskriften Evolutionary Applications .

Maskininlärningsalgoritmen kombinerar genetisk och miljöinformation för att förutsäga hur dåligt anpassad en given genetisk stam av en art skulle vara till en viss uppsättning miljöförhållanden i ett mått som kallas "genomisk offset", säger Lotterhos. För att testa hur exakt algoritmen förutsäger genomisk offset, förklarar hon, skapade teamet datorsimuleringar av vad de kallar "virtuella arter" som inte existerar i den verkliga världen men som genomgår födelse, död, spridning, evolutionärt urval och mutation i på samma sätt som riktiga arter gör i naturen.

"Vår studie visar att genomiska prognosmetoder lovar, men att vi fortfarande inte har en full förståelse för deras styrkor och begränsningar", säger Lotterhos. Maskininlärningsmetoden visade sig vara bättre än andra åtgärder för att förutsäga genomisk offset när forskarna höll indata enkla, med tanke på bara genetisk information eller bara miljöinformation. Men tillsammans som ett sätt att förutsäga befolkningsminskningar på grund av miljöförändringar, säger Lotterhos att resultaten kan vara missvisande.

För att testa maskininlärningsmetoden ytterligare utvecklar Lotterhos team fler simuleringar. Forskarna kommer också att ta detta experiment offline och genomföra fältexperiment.

Lotterhos fick nyligen två prestigefyllda utmärkelser:A CAREER award från National Science Foundation och ett Fulbright-stipendium. Med stöd från CAREER-priset genomför Lotterhos och kollegor tester av genomiska prognosmetoder hos ostron. Fulbright-stipendiet har tagit henne till Sverige, där hon testar metoderna i havslivet där som havssniglar, ålgräs och isopoder, en kräftdjursordning som inkluderar skogslöss.

"Östersjön är ett intressant studiesystem eftersom många arter genetiskt har anpassat sig till en brant miljögradient från godartade havsförhållanden till en surare sötvattenmiljö", säger Lotterhos. "Målet är att avgöra hur väl dessa metoder fungerar och under vilka förhållanden de fungerar bra."