Der Proteom-Fingerabdruck zur Artidentifizierung - Biodiversitätsbestimmung von Zooplankton anhand optimierter Analyseverfahren für integrierte molekulare und morphologische Datensätze

• Antragstellerin: Dr. Jasmin Renz-Gehnke
• Fachliche Zuordnung: Ökologie und Biodiversität der Tiere und Ökosysteme, Organismische Interaktionen
• Förderung: Förderung seit 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 349621075

Zooplanktongemeinschaften reagieren schnell auf sich ändernde biologische und physikalische Umweltbedingungen und sind geeignete Indikatoren für Klimaveränderungen. Oft sind sie charakterisiert durch schnelle Änderungen der Artenzusammensetzung, durch hohe Diversität, aber auch durch zahlreiche Organismen, die sich anhand morphologischer Merkmale nur schwer bestimmen lassen. Eine schnelle, einfache und kostengünstige Messmethode zur Erfassung von Diversität und zur Artbestimmung wäre eine maßgebliche Bereicherung für viele marine Forschungsfelder. Artspezifische Proteom-Massenspektren, gemessen mittels MALDI-TOF MS (matrix-assisted laser/desorption ionization time of flight mass spectrometry) haben hohes Potential sich hier zu etablieren. Die Anwendbarkeit dieser mikrobiologischen Standardmethode auf Wirbellose wurde in der Vergangenheit mehrfach gezeigt. Jedoch umfassen die meisten Studien nur wenige Taxa, vernachlässigen mögliche phänotypische Plastizität und testen nicht, ob auch komplexe Gemeinschaften mit dieser Methode auf Artniveau unterschieden werden können. Dies sind jedoch zwingende Fragen für die Anwendung der Methode in Multi-Taxa-Studien. Im Rahmen dieses Projektes werden wir die Anwendbarkeit des proteomischen Fingerabdruckes für die Diskriminierung von Zooplanktonarten testen (hier des Zooplanktons der Nordsee) und Analyseverfahren für Monitoring bzw. Biodiversitätsmessung optimieren. Wir bestimmen die inter- und intra-spezifische Variabilität der Proteom-Profile von ca. 100-150 Zooplanktonarten (aus 13 verschiedenen Phyla), testen, ob eng verwandte Arten zuverlässig diskriminiert werden können und untersuchen die Auswirkungen der Komplexität der Gemeinschaft auf die Artunterscheidung anhand von Proteom-Merkmalen. Anschließend testen wir, welches (halb-)überwachte maschinelle Lernverfahren sich am besten für die Klassifizierung von Zooplanktonarten eignet, wobei ein besonderer Schwerpunkt auf der Detektion neuer Arten (z.B. für das Monitoring) liegt. Wir untersuchen den Einfluss der Merkmalsauswahl und vergleichen die Leistung verschiedener Klassifikationsverfahren: Random Forest, Support Vector Machine sowie neuronale Netze. Wir evaluieren, ob die Integration nicht-proteomischer Merkmale den Klassifikationserfolg erhöht. Weiterhin etablieren wir ein nicht-überwachtes maschinelles Lernverfahren zur Artunterscheidung (z.B. für Biodiversitätsbewertungen). Anschließend validieren wir die Methode anhand der hochdiversen Zooplanktongemeinschaft der Bermuda-Atlantischen Zeitreihenstudie in der Sargassosee. Abschließend entwickeln wir eine Strategie für die FAIR (Findable, Accessible, Interoperable, Reusable) Datenspeicherung integrativer Datensätze (Proteom-Profile, Taxonomie, genetischer Barcode). Diese Studie wird zu unserem Verständnis der Methodenvalidität aber auch der Fallstricke bei Verwendung von MALDI-TOF MS zur Analyse komplexerer metazoischer Artengemeinschaften beitragen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1991: Taxon-OMICS: Neue Herangehensweisen zur Entdeckung und Benennung von Arten und Biodiversität