编辑推荐：
为解决海洋物种遗传多样性分布及驱动因素认知有限的问题，研究人员以褐藻（brown macroalgae）为对象，结合遗传数据与机器学习算法开展研究。结果发现过去气候对遗传多样性影响更大，并绘制了多样性热点图。这为生物地理学、进化及保护提供基线。
在神秘的海洋世界里，褐藻（brown macroalgae）构建的海洋森林犹如一片水下 “绿色王国”，不仅为众多海洋生物提供了栖息之所，还在海洋生态系统中扮演着至关重要的角色。然而，长期以来，科学家们对这些海洋森林物种的遗传多样性了解十分有限，尤其是在全球范围内，它们的遗传多样性分布有何规律，又是什么在背后驱动着这种分布？这些问题如同层层迷雾，笼罩着海洋生物研究领域。
遗传多样性就像是物种的 “生命密码”，它影响着物种的进化潜力和对环境变化的适应能力。对于海洋物种而言，深入了解其遗传多样性，不仅能帮助我们揭开物种进化的神秘面纱，还能为海洋生态系统的保护提供关键依据。但目前，针对海洋物种遗传多样性的研究存在诸多不足。现有研究大多聚焦于鱼类，像褐藻这类生态意义重大的低扩散性物种却常被忽视。而且相关研究较为零散，缺乏从生物地理学角度的全面分析，使得我们对这些物种的进化和生态动态知之甚少。
为了驱散这些迷雾，来自葡萄牙阿尔加维大学海洋科学中心（Centro de Ciências do Mar do Algarve, CCMAR/CIMAR LA）等机构的研究人员踏上了探索之旅。他们围绕褐藻海洋森林遗传多样性与环境条件的关系展开研究，试图揭示背后隐藏的规律。
研究人员运用了多种关键技术方法。首先，通过在 “Web of Science” 平台进行文献回顾，收集褐藻的种内遗传多样性数据。之后，选取了包括长期温度、硝酸盐、磷酸盐等在内的环境变量数据。利用主成分分析（Principal Component Analysis），根据物种当代分布范围图来估计环境生态位及其质心（niche centroid） 。最后，借助机器学习算法 —— 提升回归树（Boosted Regression Trees，BRT）构建模型，以此来探究遗传多样性与环境条件之间的关系 。
遗传多样性数据收集
研究人员广泛查阅文献，从最初识别出的 1956 项潜在研究中筛选出 40 项有效研究。这些研究涵盖了 29 种褐藻，涉及来自 583 个地点的 669 个种群。其中多数物种为寒温带类型，仅有 1 种热带物种。研究采用了等位基因丰富度（allelic richness，Ar）、预期杂合度（expected heterozygosity，He）等多样性指标，使用微卫星（microsatellites）、线粒体 DNA（mtDNA）和单核苷酸多态性（single nucleotide polymorphisms，SNPs）等遗传标记进行测定。
遗传多样性建模
基于生态位质心理论，研究人员构建了统一的机器学习模型，用于预测以 Ar 和 He 衡量的遗传多样性。模型在交叉验证和最终预测中均表现出色，能解释 78%（Ar）和 77.5%（He）的偏差，相关系数分别达到 0.883 和 0.880。模型预测值与观测数据相比，Ar 平均低估 8.2% ，He 平均低估 22.4%。研究发现，末次盛冰期（Last Glacial Maximum，LGM）和当代与生态位质心的距离能显著提升模型对遗传多样性的解释力，且 LGM 时期的影响更大。
预测全球海洋森林遗传多样性
研究人员将模型应用于 280 种寒温带海洋森林物种的分布范围图，预测其遗传多样性模式。结果显示，高遗传多样性热点主要集中在东北太平洋、东北大西洋和澳大利亚南岸等地区，这些区域与物种丰富度高的区域相重叠。遗传多样性与物种丰富度呈显著正相关，不存在物种丰富度高但遗传多样性低的区域。
综合研究结果，过去气候条件（如 LGM 时期）对海洋森林遗传多样性的塑造作用比当代气候更为显著。研究首次绘制出全球温带和冷水海洋森林遗传多样性热点图，预测的 Ar 和 He 生物地理模式与物种丰富度模式相符，表明长期的地质时间尺度上的物种存续是基因和物种多样性的共同驱动因素。
这项研究意义重大。它为褐藻生物地理学、进化潜力研究和保护工作提供了重要的基线数据，有助于推动《2020 年后全球生物多样性框架》的实施。例如，确定的遗传多样性热点区域能为海洋保护区（marine protected areas，MPAs）的规划提供指导，帮助保护具有高遗传多样性的种群，提升其在气候变化下的恢复力。此外，研究结果还能为物种恢复行动提供参考，通过选择合适的种群作为供体，有望提高恢复成功率。然而，研究也存在一定局限性，如遗传数据存在空间和物种偏差、遗传标记分辨率有限等，但这并不影响其为后续研究和海洋保护工作奠定坚实基础。
