Using community-­‐level modeling to understand and map current and future climate adaptation

Matthew  C.    Fitzpatrick (1),    Stephen    R.    Keller (2),    Vikram    Chhatre (3)

1    University    of    Maryland    Centre    for    Environmental    Science,    Appalachian    Lab,    301    Braddock    Road,    Frostburg,    Maryland,    21532,    USA.,    @MCFitzpatrick

2    Department    of    Plant    Biology,    111    Jeffords    Hall,    63    Carrigan    Drive,    University    of    Vermont,    Burlington    ,    VT    05405,    USA.

3    Department    of    Plant    Biology,    111    Jeffords    Hall,    63    Carrigan    Drive,    University    of    Vermont,    Burlington    ,    VT    05405,    USA.

A      critical       component       of       understanding       and       predicting       biological       responses       to       changes       in       climate       is    deciphering         the       underlying       genetic       basis       of       climate       adaptation.       Advances       in      molecular       ecology       and    genomics        are      providing      unparalleled,      genome-­‐wide        insight      into      the      molecular      diversity      present      within    organisms     that   can     be   used     to     identify   gene-­‐environment     relationships   and   the     molecular   basis   of   climate    adaptation       at     landscape     scales.     However,     statistical     frameworks     that     can     translate     these     new     genomic    insights        into      spatially      explicit      predictions      of      adaptive      variation      under      current      and      future      climate      have    remained    elusive.    In    this    talk,    we    discuss    how    two    relatively    new    biodiversity    modeling    techniques    based    on    the    concept    of    community-­‐level    compositional    turnover    functions    –    Generalized    Dissimilarity    Modeling    and    Gradient      Forests    –    can    be    powerfully     applied    to    analyzing    and    mapping     range-­‐wide      climate    adaptation,    including         the       identification       of      predicted       differences       in       the       genetic       composition       of      populations       under    current    and    future    climate.    Using    balsam    poplar    as    a    case    study    and    data    on    than    150,000    single    nucleotide    polymorphisms     (SNPs),     we   demonstrate   how   these   methods   can   (i)     accommodate     nonlinear   responses   of    loci    to    environmental    gradients,    (ii)    determine    where    along    gradients    changes    in    allele    frequencies    are    most    pronounced,       and       (iii)       identify       SNPs       that      are       candidates       for      climate       adaptation.       More       broadly,       these    methods     represent   an   important   advance     in   landscape   genomics     and   spatial   modeling   of   biodiversity   that    moves    beyond    species-­‐level    assessments    of    climate    change    vulnerability.