Moderne integrative Taxonomie und maschinelles Lernen zur Entschlüsselung retikulater Artbildung bei Pflanzen – eine Pilotstudie am Beispiel von Thymus (Lamiaceae)

• Antragstellerinnen / Antragsteller: Dr. Kevin Karbstein; Dr. Jana Wäldchen
• Fachliche Zuordnung: Evolution und Systematik der Pflanzen und Pilze
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 564834741

Moderne integrative Taxonomie kombiniert DNA-Sequenzierung mit anderen komplementären Datenquellen wie Morphologie, Ploidie, Reproduktionsbiologie oder Ökologie, und hat sich als neuer Goldstandard für die Artabgrenzung etabliert. Dabei wurde aufgezeigt, dass Arten, basierend auf morphologischen oder regionalen Beschreibungen, nicht immer natürlichen Einheiten entsprechen. Dies gilt besonders für Artengruppen, die durch komplexe evolutionäre Prozesse wie Hybridisierung oder Polyploidie geprägt sind. Hier zeigen sich die Herausforderungen der modernen Taxonomie: fehlende geeignete Methoden für solche komplexen Prozesse sowie eine oft subjektive Auswertung und manuelle Integration der verfügbaren Datensätze. Die Kombination moderner Taxonomie mit maschinellem Lernen (ML) bietet die Möglichkeit, Merkmale automatisiert und standardisiert zu extrahieren, Datensätze effizient zu fusionieren sowie evolutionäre Informationen einzubeziehen. Dadurch kann nicht nur die Subjektivität bei der Artabgrenzung reduziert, sondern auch die Analyse komplexer evolutionärer Prozesse verbessert werden. In diesem Projekt untersuchen wir die wirtschaftlich bedeutende Pflanzengattung Thymus (Thymiane), die hunderte retikulat evolvierender Taxa in Eurasien umfasst, deren genaue Artbeziehungen jedoch bislang weitgehend unbekannt sind. Hierzu führen wir Genomresequenzierung (WGR) auf der Basis von DNA-Extrakten aus Herbarbelegen durch und konzentrieren uns auf weit verbreitete diploide Stammarten sowie einige relevante polyploide Derivate. Genomweite SNPs, Kerngene, Plastomsequenzen sowie Ploidie-, morphologische und ökologische Daten werden mittels klassischer modellbasierter Ansätze analysiert, um Artgrenzen zu klären. Solche Ansätze neigen jedoch dazu, entweder Arten zu stark (z.B. basierend auf DNA) oder zu gering (z.B. anhand morphologischer Merkmale) aufzutrennen, und die Integration von Datensätzen erfolgt oftmals nur manuell. Um diese Einschränkungen zu überwinden, analysieren wir die Thymus-Datensätze auch mit modernsten fusionsbasierten ML-Methoden zur Artabgrenzung, die auf spezifischen Vortrainingsrunden und dem Erlernen retikulater evolutionärer Beziehungen basieren. Die Ergebnisse dieser ML-Analysen vergleichen wir mit den Resultaten klassischer DNA- und integrativer Methoden, um unterschiedliche Perspektiven auf Artgrenzen im Kontext retikulater Evolution zu gewinnen und taxonomische Revisionen vorzunehmen. Das DFG-Projekt verfolgt das Ziel, die Artabgrenzung bei Pflanzen zu verbessern, indem sie integrativer, objektiver und geeigneter für retikulate Evolutionsprozesse wird. Die im Rahmen des Projektes entwickelte Methode kann die Untersuchung der Biodiversität in Zeiten des globalen Wandels beschleunigen.

• DFG-Verfahren: Sachbeihilfen