NeMO: a flexible R package for nested multi-species occupancy modelling and eDNA study optimization

Das R-Paket NeMO bietet einen benutzerfreundlichen, bayesschen Rahmen für die verschachtelte Multi-Spezies-Besetzungsmodellierung, der die Unsicherheit der Detektion in eDNA-Studien quantifiziert und hilft, die Probenahme- und Sequenzierungsressourcen für zuverlässige Biodiversitätsüberwachungen zu optimieren.

Das Wesentliche

🧩 Das große Rätsel der unsichtbaren Gäste

Stellen Sie sich vor, Sie sind auf einer riesigen Party (dem Fluss Rhône), bei der es hunderte von Gästen (Fische) gibt. Ihr Job ist es, herauszufinden, wer da ist und wer nicht. Aber hier ist das Problem: Die Gäste sind extrem schüchtern, verstecken sich gut oder tragen Tarnkappen. Wenn Sie einen Gast nicht sehen, heißt das nicht, dass er nicht da ist – er könnte einfach nur im Bad sein oder sich hinter einem Vorhang verstecken.

In der Wissenschaft nennt man das eDNA-Metabarcoding. Man nimmt Wasserproben, sucht nach winzigen DNA-Schnipseln der Fische und versucht, sie zu identifizieren. Das Problem: Oft findet man nichts, obwohl der Fisch eigentlich da ist. Das nennt man eine falsche Negativ-Antwort. Früher haben Forscher oft gedacht: „Kein DNA-Fund = Kein Fisch". Das ist aber gefährlich, weil man dann seltene oder bedrohte Arten übersieht.

🛠️ Die neue Werkzeugkiste: NeMO

Die Autoren dieses Papers haben ein neues, cleveres Computer-Programm namens NeMO entwickelt. Man kann es sich wie einen super-intelligenten Detektiv vorstellen, der nicht nur schaut, was er sieht, sondern auch berechnet, was er hätte sehen können müssen.

NeMO macht drei wichtige Dinge:

1. Es versteht die „Schichten" des Suchens:
   Das Suchen nach Fisch-DNA ist wie ein mehrstufiges Filter-System:

   • Schicht 1: Man fängt Wasser (die Probe).
   • Schicht 2: Man macht im Labor viele kleine Tests (PCR-Verdopplungen), um die DNA zu finden.
   • Schicht 3: Man zählt, wie viele DNA-Stücke man tatsächlich gefunden hat (Sequenzierung).

   NeMO weiß: Wenn man in Schicht 2 nichts findet, liegt es vielleicht nicht daran, dass der Fisch fehlt, sondern weil der Test in Schicht 2 einfach nicht geklappt hat. Das Programm rechnet diese Fehlerwahrscheinlichkeit heraus.

2. Es ist ein „Schwarm-Detektiv":
   Statt jeden Fisch einzeln zu untersuchen, schaut NeMO auf alle Fische gleichzeitig. Wenn es weiß, dass eine Fischart sehr schwer zu finden ist (weil sie wenig DNA abgibt), lernt es daraus für andere ähnliche Arten. Es „teilt" sein Wissen unter den Arten, um bessere Schätzungen zu machen.

3. Es sagt Ihnen, wie viel Arbeit nötig ist:
   Das ist vielleicht das Nützlichste: NeMO kann Ihnen sagen: „Hey, um sicher zu sein, dass du diesen einen schüchternen Fisch findest, brauchst du nicht nur 2 Wasserproben, sondern mindestens 5!" oder „Du musst im Labor 20 statt 12 Tests machen." Es hilft also, Geld und Zeit zu sparen, indem es genau berechnet, wie viel Aufwand nötig ist, um keine Gäste zu übersehen.

🐟 Was haben sie herausgefunden?

Die Forscher haben NeMO auf echte Daten aus dem Rhône-Fluss angewendet. Hier sind die lustigen Erkenntnisse:

• Seltene ≠ Unsichtbar: Es gibt Fische, die selten sind (nur wenige im Fluss), aber sehr leicht zu finden sind (sie machen viel Lärm/geben viel DNA ab). Und es gibt Fische, die überall sind (sehr häufig), aber extrem schwer zu finden sind (sie sind die „Meister der Tarnung"). NeMO kann diesen Unterschied klar erkennen.
• Der „Tarnkappen"-Effekt: Manche Fische, die man mit normalen Netzen nie fängt, wurden durch die DNA-Methoden entdeckt. Aber ohne NeMO hätte man gedacht, sie wären gar nicht da, weil die DNA-Spuren so dünn waren.
• Die Kosten-Nutzen-Rechnung: Das Programm zeigte, dass für manche Fische die ursprüngliche Studie gar nicht genug Tests gemacht hat. Für andere reichte es völlig. Ohne NeMO hätte man entweder zu viel Geld für unnötige Tests ausgegeben oder zu wenig für wichtige Arten investiert.

🎯 Das Fazit für den Alltag

Stellen Sie sich vor, Sie planen eine große Party und wollen wissen, ob alle Ihre Freunde kommen.

• Ohne NeMO: Sie schauen nur kurz durchs Fenster. Wenn Sie niemanden sehen, sagen Sie: „Niemand ist da." (Falsch!)
• Mit NeMO: Sie nutzen ein Programm, das Ihnen sagt: „Hey, dein Freund Max ist sehr schüchtern und versteckt sich oft. Um sicherzugehen, dass er da ist, musst du nicht nur einmal, sondern dreimal an die Tür klopfen und vielleicht sogar den Garten durchsuchen."

NeMO ist also der perfekte Planer für Naturforscher. Es hilft ihnen, nicht nur zu zählen, was sie sehen, sondern die ganze Wahrheit über die verborgene Welt der Natur zu verstehen, ohne dabei das Budget zu sprengen. Es verwandelt „Wir wissen es nicht" in „Wir wissen genau, wie sicher wir uns sein können".

Technische Zusammenfassung

Titel: NeMO: Ein flexibles R-Paket für verschachtelte Multi-Spezies-Besetzungsmodelle und Optimierung von eDNA-Studien

1. Problemstellung

Die Überwachung der Biodiversität mittels Umwelt-DNA (eDNA) und Metabarcoding hat sich als nicht-invasives und weit verbreitetes Werkzeug etabliert. Ein zentrales Problem bei eDNA-Studien ist jedoch die unvollständige Detektion (Imperfect Detection). Nicht-Nachweise werden oft fälschlicherweise als echte Abwesenheit interpretiert, was besonders bei seltenen oder schwer fassbaren Arten zu erheblichen Fehlern in der Bewertung der Biodiversität führt (z. B. unterschätzte Invasionsdynamiken oder unzureichende Schutzmaßnahmen).

Zwar bieten Besetzungsmodelle (Occupancy Models) einen statistischen Rahmen, um diese Unsicherheit zu quantifizieren, doch ihre Anwendung in der eDNA-Forschung bleibt begrenzt. Dies liegt vor allem an:

• Fehlenden benutzerfreundlichen und flexiblen Software-Tools.
• Der komplexen, verschachtelten Struktur von eDNA-Daten (Standort → eDNA-Proben → PCR-Replikate → Sequenzier-Tiefe), die von bestehenden Modellen oft nicht vollständig abgedeckt wird.
• Der Schwierigkeit, sowohl qualitative (Anwesenheit/Abwesenheit) als auch quantitative (Read-Counts) Daten sowie verschiedene Replikationsstrategien (individuell indexiert vs. gepoolt) in einem einzigen Modell zu vereinen.

2. Methodik: Das NeMO-Framework

Die Autoren entwickelten NeMO (Nested eDNA Metabarcoding Occupancy), ein benutzerfreundliches R-Paket, das auf einem Bayesschen Rahmenwerk (implementiert via JAGS) basiert.

Das statistische Modell:
NeMO modelliert die hierarchische Natur von eDNA-Metabarcoding-Studien durch vier verschachtelte Ebenen:

1. Besetzung (Occupancy, $\psi$): Wahrscheinlichkeit, dass die DNA einer Art an einem Standort vorhanden ist.
2. Sammlung (Collection, $\theta$): Wahrscheinlichkeit, dass eDNA in einer Probe gesammelt wird, gegeben die Besetzung.
3. Amplifikation (Amplification, $p$): Wahrscheinlichkeit, dass eDNA in einem PCR-Replikat amplifiziert wird, gegeben die Sammlung.
4. Sequenzierung (Read Count, $\varphi$): Erwartete Anzahl der Sequenz-Reads, gegeben die Amplifikation.

Das Modell nutzt latente Variablen ($Z, A, W, S$) und behandelt die beobachteten Read-Counts ($Y$) als multinomialverteilte Daten, die von der Sequenzier-Tiefe ($M$) abhängen. Für die latenten Read-Counts wird eine Negativ-Binomial-Verteilung verwendet, um die Überdispersion von HTS-Daten (High-Throughput Sequencing) abzubilden.

Schlüsselmerkmale des Pakets:

• Flexibilität: NeMO passt sich verschiedenen experimentellen Designs an und bietet drei Modellierungsprotokolle:
  • PCR_rep_seq_read: Vollständiges Modell mit individuellen PCR-Replikaten und Read-Counts.
  • seq_read: Vereinfacht, ohne PCR-Replikate, aber mit Read-Counts.
  • PCR_rep: Fokussiert auf PCR-Replikate, ignoriert Read-Counts (reine Anwesenheit/Abwesenheit).
• Kovariaten: Ermöglicht die Einbeziehung von Umwelt- und methodischen Kovariaten auf allen Ebenen (Art, Standort, Probe, Replikat), um deren Einfluss auf Besetzung und Detektion zu analysieren.
• Multi-Spezies-Ansatz: Schätzt Parameter für eine ganze Artengemeinschaft unter Nutzung eines hierarchischen Priors, der "Stärke aus der Gemeinschaft" (borrowing of strength) ermöglicht.
• Optimierungsfunktion: Die Funktion min_resources() berechnet die minimal erforderlichen Ressourcen (Anzahl Proben, PCR-Replikate, Sequenzier-Tiefe), um eine bestimmte Detektionswahrscheinlichkeit (z. B. 95 %) zu erreichen.

3. Anwendung und Ergebnisse

Die Autoren wendeten NeMO auf einen empirischen Datensatz an, der eine Fischbiodiversitätsstudie im Rhone-Fluss (Frankreich) mit 80 Standorten, 2 Proben pro Standort und 12 PCR-Replikaten pro Probe umfasste (100 Fischarten).

Wichtige Ergebnisse:

• Modellvergleich: Alle drei Protokolle lieferten ähnliche Ergebnisse in Bezug auf die Modellgüte (AUC-Werte ca. 0,8), wobei das komplexeste Protokoll (PCR_rep_seq_read) die meisten Informationen lieferte, aber deutlich mehr Rechenzeit benötigte (ca. 10 Tage vs. 2 Stunden für das einfachste Modell).
• Detektion vs. Besetzung: Es wurde eine positive Korrelation zwischen der Besetzungswahrscheinlichkeit ($\psi$) und den Detektionsparametern ($\theta, p, \varphi$) festgestellt. Allerdings zeigten sich wichtige Unterschiede zwischen Seltenheit (niedrige Besetzung) und Unfassbarkeit (niedrige Detektion):
  • Beispiel: Alosa spp. war selten (nur flussabwärts), aber sehr gut detektierbar. Scardinius erythrophthalmus war häufig, aber schwer zu detektieren (elusive).
• Ressourcenoptimierung: Die Analyse zeigte, dass das ursprüngliche Design (2 Proben, 12 Replikate) für ca. 63 % der Arten ausreichte, um eine 95%ige Detektionswahrscheinlichkeit zu erreichen. Für 18 Arten wäre jedoch zusätzlicher Aufwand nötig gewesen. Bei einigen extrem schwer detektierbaren Arten (z. B. Leucaspius delineatus) wären unrealistisch hohe Anzahlen an PCR-Replikaten (>1000) nötig gewesen, was die Grenzen des gewählten Designs aufzeigte.
• Kovariaten-Effekte: Die Einbeziehung der "Entfernung zum Meer" als Kovariate bestätigte bekannte biogeografische Gradienten (z. B. flussaufwärts lebende Arten wie Coregonus lavaretus vs. flussabwärts/diadrome Arten wie Alosa spp.).

4. Hauptbeiträge und Signifikanz

• Software-Entwicklung: NeMO schließt eine Lücke in der Verfügbarkeit von Tools für komplexe, verschachtelte eDNA-Daten. Es ist das erste Paket, das Read-Counts, PCR-Replikate und Multi-Spezies-Ansätze in einem flexiblen Bayesschen Framework vereint.
• Verbesserte Studienplanung: Durch die Fähigkeit, den minimalen Aufwand für eine zuverlässige Detektion zu berechnen, hilft NeMO Forschern, Studien effizienter zu gestalten und Ressourcen (Kosten vs. Detektionsleistung) optimal zu verteilen.
• Kritische Bewertung von Nicht-Nachweisen: Das Modell unterstreicht, dass Nicht-Nachweise nicht automatisch echte Abwesenheit bedeuten. Es bietet einen statistischen Weg, um "unsichere Abwesenheiten" zu identifizieren und zu filtern, was die Zuverlässigkeit von Biodiversitätsbewertungen, insbesondere für seltene Arten, erhöht.
• Unterscheidung von Konzepten: Die Studie verdeutlicht die Notwendigkeit, zwischen der biologischen Seltenheit einer Art und ihrer methodischen Unfassbarkeit zu unterscheiden, um Fehlinterpretationen in der Ökologie zu vermeiden.

Fazit:
NeMO ist ein entscheidendes Werkzeug für die nächste Generation von eDNA-Studien. Es ermöglicht nicht nur eine robustere Schätzung der Artenvielfalt unter Berücksichtigung von Detektionsfehlern, sondern liefert auch datengestützte Empfehlungen für das Design zukünftiger Feldstudien, um die Kosten-Nutzen-Relation zu optimieren und die Zuverlässigkeit von Naturschutzmaßnahmen zu erhöhen.