De årstidsbundna och geografiska variationerna av djurplankton övervakas regelbundet i Östersjön genom Sveriges nationella marina övervakningsprogram. I den konventionella övervakningsmetoden filtreras stora volymer havsvatten genom ett planktonnät och taxa räknas manuellt under mikroskop. Metoden anses vara arbetsintensiv och därför undersöks den DNA-baserade metoden metabarcoding av The Environmental genomics group (EnvGen) på SciLifeLab. Metabarcoding har visat lovande resultat för växtplankton, men hittills har sekvenseringsdata från metazoa filtrerats bort och därmed djurplankton. Därför undersöktes potentialen för metabarcoding för djurplanktonövervakning i det här projektet. Metabarcodingprover genererades genom att samla in och filtrera 0,5 liter havsvatten, följt av DNA-extraktion, polymerase-chain reaction (PCR) och Illumina-sekvensering. En primeruppsättning riktad mot den hypervariabla V4-regionen av 18S rRNA-genen användes. Amplikonsekvensvarianterna (ASV) annoterades i referensdatabasen PR2 och korrespondensen mellan mikroskopi och metabarcoding analyserades i R. Den relativa abundansen av släkten jämfördes mellan prover, stationer och månader. Maskininlärningsmodellen Random Forest (RF) med 5-faldig korsvalidering användes för att prediktera mikroskopidata från 16S och 18S sekvenseringsdata. Utöver detta genererades ny metabarcodingdata. Slutsatsen från resultaten är att metabarcoding lyckades identifiera de vanligast förekommande släktena av djurplankton i Östersjön samt fånga spatiotemporala mönster. Individuella metabarcoding-prover visade däremot inkonsistens för identifiering av släkten jämfört med mikroskopi. I motsats till detta visade RF-prediktionerna stark korrelation med mikroskopiobservationerna för många släkten av djurplankton.