BEEhaviourLab: A high-throughput platform for sublethal stressor screening in insects

El artículo presenta BEEhaviourLab, una plataforma automatizada y de bajo costo que permite la fenotipificación conductual de alto rendimiento en insectos, demostrando mediante el análisis multimodal de la abeja *Bombus terrestris* que este enfoque puede detectar efectos neurotóxicos subletales de pesticidas con mayor sensibilidad que las métricas de mortalidad tradicionales.

Lo esencial

¡Claro que sí! Imagina que este artículo es como la historia de un nuevo "detective de insectos" muy inteligente y económico llamado BEEhaviourLab.

Aquí tienes la explicación en español, usando analogías sencillas:

🐝 El Problema: Solo miramos si los insectos mueren

Hasta ahora, cuando las empresas querían saber si un químico (como un pesticida) era peligroso para las abejas, hacían una prueba muy simple: "¿El químico mata a la abeja?".

• La analogía: Es como evaluar la salud de un atleta solo mirando si se desmaya en la pista. Si no se desmaya, asumimos que está bien.
• El problema: Pero, ¿qué pasa si el químico no la mata, pero la deja tan mareada que no puede encontrar flores, no puede bailar (las abejas tienen un baile para comunicarse) o no puede encontrar su camino a casa? Esas abejas "vivas" pero "confusas" son un desastre para la naturaleza. Antes, era muy difícil y caro medir ese mareo en muchas abejas a la vez.

🛠️ La Solución: BEEhaviourLab (El gimnasio de las abejas)

Los científicos crearon BEEhaviourLab, una plataforma automatizada y barata.

• La analogía: Imagina una habitación llena de pequeñas cajas de cristal (como jaulas de plástico). Dentro, las abejas viven su vida. Sobre cada caja hay una cámara de video y un micrófono súper sensible, controlados por una computadora.
• El truco: No necesitan ponerles etiquetas o collares a las abejas. La computadora usa "ojos de robot" (inteligencia artificial) para verlas y seguirlas, incluso si hay varias abejas juntas y se cruzan. Además, escucha el "zumbido" de sus alas.

🔍 ¿Qué descubrieron? (La prueba del veneno)

Usaron este sistema para probar un medicamento veterinario muy común llamado moxidectin (usado para parásitos en animales de granja). A veces, este medicamento cae al suelo o en el estiércol y las abejas lo tocan sin querer.

1. El detector de mentiras: El sistema notó cosas que un humano no vería. A dosis muy bajas (que no matan a la abeja), las abejas empezaron a:

   • Moverse menos: Se quedaban quietas como si estuvieran "congeladas" o muy cansadas.
   • Zumbir menos: Dejaron de hacer el sonido característico de sus alas.
   • Perder el ritmo: Las abejas tienen un reloj interno (circadiano) que les dice cuándo estar activas de día y descansar de noche. El veneno les rompió ese reloj; se volvieron caóticas.

2. La diferencia entre "Zumbido" y "Movimiento":

   • El sistema descubrió que el micrófono era incluso más sensible que la cámara. Antes de que la abeja dejara de caminar, dejaba de hacer ruido. ¡El micrófono fue el primer en gritar "¡Algo va mal!"!

📉 El resultado final: ¡El peligro está mucho antes de la muerte!

El estudio encontró algo alarmante:

• La dosis que mataba a la mitad de las abejas (LD50) era de 81 ng (nanogramos).
• Pero la dosis que dañaba su comportamiento (haciéndolas lentas y confundidas) era de solo 2.7 ng.

La analogía final:
Imagina que el veneno es como un vaso de vino.

• La prueba antigua (mortalidad): Solo te preocupa si la persona bebe 5 vasos y se desmaya.
• La prueba nueva (BEEhaviourLab): Detecta que después de medio vaso, la persona ya no puede conducir bien, se le caen las llaves y no encuentra la puerta.

💡 ¿Por qué es importante?

Este sistema es como un sistema de alarma temprana. Nos dice que un químico es peligroso para las abejas mucho antes de que empiece a matarlas. Esto permite a los reguladores y científicos proteger a los polinizadores (que son vitales para nuestra comida) de manera más inteligente, midiendo no solo si sobreviven, sino si viven bien.

En resumen: BEEhaviourLab es un ojo y un oído digital que nos ayuda a escuchar el susurro de las abejas antes de que se callen para siempre.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: BEEhaviourLab

1. El Problema
La evaluación de riesgos químicos para insectos depende actualmente en gran medida de ensayos de mortalidad aguda en unas pocas especies modelo (principalmente la abeja melífera). Este enfoque tiene limitaciones críticas:

• Ceguera a efectos subletales: No detecta impactos ecológicamente relevantes como alteraciones en el comportamiento, desarrollo, inmunidad o comunicación, que pueden propagarse a nivel de población y ecosistema.
• Falta de escalabilidad y estandarización: Medir el comportamiento de manera estandarizada, cuantitativa y a gran escala en múltiples especies ha sido un desafío técnico.
• Brecha en la evaluación de pesticidas veterinarios: Compuestos como la moxidectina (usado en ganado) persisten en el entorno y afectan a polinizadores no objetivo, pero sus efectos subletales no han sido caracterizados experimentalmente en abejas debido a la falta de herramientas de screening adecuadas.

2. Metodología: BEEhaviourLab
Los autores presentan BEEhaviourLab, una plataforma automatizada, de bajo costo y de alto rendimiento para la fenotipado conductual de insectos.

• Hardware: Sistema modular distribuido que utiliza Raspberry Pi 4B, cámaras Raspberry Pi NoIR v2 (video) y micrófonos RØDE (audio). Permite la grabación sincronizada de video y audio en múltiples unidades paralelas bajo condiciones controladas (luz, temperatura, humedad).
• Software y Visión por Computadora:
  • Utiliza el modelo de detección de objetos YOLOv8n (nano), ligero y rápido.
  • Entrenamiento: Se entrenaron dos modelos. El modelo 1 (solo abejas bombus) falló al generalizar a otras especies. El modelo 2, entrenado con un conjunto de datos diverso (4 especies: Bombus terrestris, Apis mellifera, Colletes hederae y Eristalis tenax), logró un rendimiento alto y consistente (>0.98 mAP) sin necesidad de etiquetar físicamente a los insectos.
  • Rastreo: Implementa el algoritmo BoT-SORT para el seguimiento inicial, seguido de una capa personalizada que utiliza el algoritmo húngaro para asignar identidades fijas (IDs 1-N) y evitar la creación/destrucción de IDs durante interacciones cercanas, manteniendo un tamaño de población constante.
• Análisis de Audio: Pipeline personalizado para procesar audio (16 kHz, filtrado 200-8000 Hz). Clasifica los cuadros de audio (ventanas de 0.1 s) como "zumbido" o "silencio" basándose en umbrales de energía robustos.
• Diseño Experimental: Se aplicó a Bombus terrestris expuestos a dosis agudas de moxidectina (0 a 782 ng/abeja). Se registraron 48 horas de actividad, analizando locomoción, patrones circadianos, zumbido, distancia social y consumo de alimento.

3. Contribuciones Clave

• Plataforma Multimodal: Integración única de video y audio en un marco analítico unificado que permite la detección de estados conductuales (activo/inactivo) y el rendimiento condicional (velocidad/zumbido).
• Rastreo Multi-especie sin Etiquetas: Demostración de que un solo modelo de visión por computadora ligero puede rastrear con precisión insectos de diferentes tamaños, morfologías y dinámicas de vuelo sin marcadores físicos.
• Marco Estadístico Avanzado: Uso de modelos mixtos de efectos generales (GLMM) de dos partes para separar la probabilidad de movimiento (estado) de la velocidad de movimiento (rendimiento), y modelos beta inflados en cero para el análisis de zumbido.
• Índice de Toxicidad Subletal: Definición de un índice cuantitativo que combina desviaciones en múltiples modalidades, escaladas por la variabilidad natural de los controles, para establecer umbrales de toxicidad estandarizados.

4. Resultados Principales

• Caracterización Conductual: Se identificaron perfiles circadianos específicos por especie. Las abejas de abejorro mostraron alta probabilidad de movimiento pero velocidad moderada, mientras que las abejas melíferas tenían menor actividad pero mayor velocidad cuando se movían.
• Efectos de la Moxidectina:
  • Locomoción: La exposición aguda causó reducciones dosis-dependientes en la probabilidad de movimiento (el efecto principal) y, en menor medida, en la velocidad de los individuos activos.
  • Zumbido: La moxidectina aumentó drásticamente la probabilidad de inactividad acústica completa (no zumbido) y redujo la persistencia del zumbido.
  • Ritmos Circadianos: Las dosis altas distorsionaron la amplitud y la fase de los ritmos circadianos, indicando disrupción neural.
  • Sensibilidad Comparada: Las medidas acústicas y la probabilidad de movimiento fueron más sensibles que la velocidad de locomoción o la distancia social.
• Umbral de Toxicidad:
  • El Índice de Toxicidad Subletal (combinando movimiento y zumbido) superó el umbral de variabilidad natural (1 desviación estándar) a una dosis estimada de 2.73 ng/abeja.
  • La LD₅₀ (dosis letal para el 50% de la población) a 48 horas fue de 81.2 ng/abeja.
  • La supresión de la alimentación y la mortalidad ocurrieron a dosis más de un orden de magnitud superiores a las que causaron disrupción conductual clara.

5. Significado e Impacto

• Detección Temprana: El estudio demuestra que la fenotipado conductual automatizado puede detectar disrupción neurotóxica funcional a concentraciones 30 veces inferiores a las dosis letales, llenando una brecha crítica en la evaluación de riesgos.
• Relevancia Regulatoria: Proporciona un marco escalable y reproducible para integrar endpoints conductuales en las evaluaciones de riesgo químico, superando la dependencia exclusiva de la mortalidad.
• Aplicabilidad Global: La plataforma es de bajo costo y código abierto, lo que permite su adopción para monitorear los efectos de pesticidas veterinarios y agrícolas en una amplia gama de polinizadores, no solo en modelos estándar.
• Mecanismo de Acción: Los resultados sugieren que la moxidectina actúa principalmente aumentando el tiempo de inactividad (cambio de estado) antes de afectar la capacidad motora de los individuos activos, un matiz que solo se captura con análisis conductuales de alta resolución.

En conclusión, BEEhaviourLab representa un avance significativo hacia la ecotoxicología de próxima generación, permitiendo la detección sensible y estandarizada de efectos subletales que tienen implicaciones directas para la salud de los polinizadores y la seguridad alimentaria.