KI-Methode macht verborgene Muster in mikrobiellen Gemeinschaften der Warnow sichtbar

Die Analyse mikrobieller Gemeinschaften stellt die ökologische und bioanalytische Praxis vor Herausforderungen: Mikroorganismen besetzen Schlüsselrollen in Stoffkreisläufen und reagieren hochsensibel auf Umweltveränderungen, doch ihre immense Biodiversität erschwert das Erkennen klarer Muster. In aquatischen Ökosystemen dient die Mikrobiomzusammensetzung zwar als präziser Bioindikator, erzeugt jedoch komplexe Hochdurchsatz-Datensätze. Eine einzelne Wasserprobe kann Hunderttausende genetischer Signaturen enthalten, deren Verteilung von Parametern wie Temperatur, Salinität und Nährstoffgehalt abhängt.

Ein Forschungsteam des Leibniz-Instituts für Ostseeforschung Warnemünde (IOW) um Anna Kujat und Theodor Sperlea untersuchte daher den Einsatz von Topic Modeling zur Auswertung dieser Datensätze. Das Verfahren des unüberwachten maschinellen Lernens stammt aus der Computerlinguistik und bündelt häufig koökkurrierende Wörter zu semantischen Themen. Auf Mikrobiomdaten übertragen gruppiert der Algorithmus Mikroorganismen mit analogen Abundanz- und Verteilungsmustern. „Wir haben so die Grundidee der Textanalyse auf ein ökologisches Problem übertragen, um aus einer kaum überschaubaren Biodiversität eine kleine Zahl biologisch interpretierbarer Muster zu extrahieren“, erläutert Kujat den Ansatz.

Vergleichende Validierung an Ästuar-Proben

Als Testmodell diente die hochdynamische Warnow-Mündung inklusive angrenzender Ostseeküstengewässer. Die Datengrundlage umfasste 1.551 Wasserproben aus dem Projekt OTC Genomics 2, die zwischen April 2022 und April 2023 an 14 Stationen entlang eines Süßwasser-Ostsee-Gradienten genommen wurden. Neben physikochemischen Parametern (Salinität, Wassertemperatur, Chlorophyll-a, Nährstoffe) flossen hydrologische Daten zum Flusszufluss ein. Nach der Sequenzierung und bioinformatischen Aufbereitung verblieben 1.236 bakterielle Erbgutvarianten im Datensatz.

Das Team verglich zwei Topic-Modeling-Varianten mit etablierten Dimensionalitätsreduktionsverfahren. Die quantitative Bewertung erfasste, wie präzise die komprimierten Daten repräsentative Umweltvariablen sowie funktionelle Ähnlichkeiten der Taxa abbildeten. Im Ergebnis war Topic Modeling den konventionellen Methoden in der Analyseleistung mindestens ebenbürtig und zeigte in spezifischen Auswertungen überlegene Ergebnisse.

Saisonale Dynamik mikrobieller Teilgemeinschaften

Für die vertiefende Auswertung nutzte das Team eine Variante mit hoher Informationserhaltung. Von elf identifizierten Teilgemeinschaften erwiesen sich fünf als spezifisch für den Mündungsbereich. Diese traten in einer klaren saisonalen Sukzession auf (Schwerpunkte im Frühjahr, Sommer, Frühherbst und Spätherbst/Winter). Im Gegensatz zu den Süßwasser- und Küstenabschnitten existierte in der Mündung keine durchgängig dominante Gemeinschaft.

Die Taxa-Zusammensetzung korrelierte eng mit den physikochemischen Rahmenbedingungen:

• Sommer-Teilgemeinschaften: Bevorzugt bei Wassertemperaturen oberhalb von 20 °C und Salinitäten von 15–20 PSU.
• Frühjahrs-Teilgemeinschaften: Dominanz bei 8–17 °C und 8–15 PSU.
• Herbst-Sukzession: Steigender Süßwasserzufluss und sinkende Salinität führten zum schrittweisen Ersatz durch typische Süßwasser- bzw. Küstenmikrobiome.

„Die Methode hat nicht nur gezeigt, dass sich die mikrobielle Gemeinschaft verändert, sondern macht auch sichtbar, welche Gruppen von Organismen gemeinsam auf bestimmte Umweltbedingungen reagieren. Gerade in einem so dynamischen Lebensraum wie der Warnow-Mündung eröffnet das eine zusätzliche ökologische Perspektive“, hebt Theodor Sperlea hervor.

Perspektiven für Analytik und Umweltmonitoring

Die systematisch validierte Übertragung linguistischer Algorithmen auf multivariate Mikrobiomdaten ermöglicht eine starke Datenverdichtung bei vollständigem Erhalt der ökologischen Signalstruktur.

„Damit könnte Topic Modeling künftig helfen, Umweltveränderungen früher zu erkennen und Gewässer gezielter zu überwachen. Zunächst soll es bewährte Analyseverfahren jedoch nicht ersetzen, sondern eher ergänzen“, kommentiert Theodor Sperlea. „Unsere Studie macht jedoch die Tür auf für den Import weiterer Methoden aus der Computerlinguistik in die Analyse hochkomplexer Datensätze wie die aus der Umweltmikrobiologie – einschließlich der Algorithmen, die hinter den aktuell so viel diskutierten Large Language Models stecken“, so der IOW-Forscher abschließend.

Quelle

Leibniz-Institut für Ostseeforschung Warnemünde (IOW) (08/2026)