Machine learning of honey bee olfactory behavior identifies repellent odorants in free flying bees in the field

Dit onderzoek toont aan dat een iteratief machine learning-model, getraind op olfactorisch gedragsdata, succesvol meer dan 130 potentiële afstotende geurstoffen heeft geïdentificeerd die in veldproeven bevestigd bleken vrij vliegende honingbijen effectief te weren van met pesticiden behandelde gewassen.

De kern

🐝 De Honingbij en de "Geur-Deur"

Stel je voor dat honingbijen als kleine, vliegende postbodes zijn die onze bloemen en gewassen bezoeken. Ze zijn onmisbaar voor onze voedselvoorziening. Maar er is een groot probleem: bij het bestrijden van ongedierte op gewassen gebruiken boeren gif (pesticiden). Helaas komen de bijen hier ook mee in aanraking, wat hen ziek maakt of doodt.

De onderzoekers dachten: "Wat als we een geur kunnen vinden die zo'n sterke 'Nee!'-boodschap geeft aan de bijen, dat ze de met gif behandelde gewassen gewoon links laten liggen?" Het idee is om deze geur bij het gif te spuiten. De bijen ruiken het, denken: "Oh nee, hier is het niet veilig," en vliegen weg. De gewassen zijn nog steeds beschermd tegen ongedierte, maar de bijen blijven veilig.

🧠 Het Grote Raadsel: De Neus van de Bij

Het probleem is dat de neus van een bij enorm ingewikkeld is. Ze hebben meer dan 160 verschillende geurreceptoren (alsof ze 160 verschillende geur-sensoren hebben). Het is voor wetenschappers bijna onmogelijk om één voor één te testen welke chemicaliën een bij "lelijk" of "gevaarlijk" vindt. Het is alsof je probeert te raden welke sleutel een slot opent, terwijl je duizenden sleutels hebt en geen idee hebt hoe het slot eruitziet.

🤖 De Oplossing: Een Digitale Geur-Oracle

In plaats van duizenden chemicaliën handmatig te testen, hebben de onderzoekers een kunstmatige intelligentie (AI) opgeleid.

1. De Training: Ze gaven de computer alle informatie die ze al hadden over geuren die bijen al kennen (sommige geuren trekken bijen aan, andere stoten ze af). De computer leerde de patronen: "Ah, als een molecuul deze vorm en deze chemische eigenschappen heeft, vinden bijen het vies."
2. De Grote Scan: Vervolgens liet de computer een enorme digitale bibliotheek van 50 miljoen chemicaliën langslopen. Het was alsof de computer in een seconde door 50 miljoen boeken bladerde om de juiste zinnen te vinden.
3. De Top 130: De AI selecteerde ongeveer 130 chemicaliën die volgens de berekeningen de beste "afstotende geur" zouden hebben.

🔄 De "Leerling-Meester" Cyclus

De eerste ronde was goed, maar niet perfect. De onderzoekers testten een paar van deze 130 chemicaliën in het lab met echte bijen.

• Het experiment: Ze zetten een bakje honing neer. Aan de ene kant was er een geur, aan de andere kant niets. Vlogen de bijen naar de geur of weg?
• De feedback: De resultaten van deze test stopten ze terug in de computer. De AI leerde hieruit: "O, ik dacht dat deze geur goed was, maar de bijen vonden het juist oké. Ik moet mijn regels aanpassen."

Dit is als een kok die een nieuwe soep maakt, proeft, en dan de receptuur aanpast op basis van de smaak. Door dit proces te herhalen, werd de computer steeds slimmer.

🌳 Het Veldtest: De Echte Proef

Uiteindelijk namen ze de beste zeven kandidaten mee naar buiten, naar een echte bijenkast in de natuur.

• Ze spooten een zoet watermengsel op wasplaten (een lokkertje voor bijen).
• Op sommige platen spooten ze de nieuwe geur.
• Het resultaat: De bijen vlogen massaal naar de platen zonder geur, maar bleven ver weg van de platen met de nieuwe geur. Het werkte! Ze vlogen zelfs weg van de geur, zelfs als er geen gif aanwezig was.

🦟 Specifiek voor Bijen (En niet voor Fruitvliegjes)

Een belangrijk detail: de onderzoekers wilden geen geur vinden die alle insecten weghoudt. Je wilt immers niet dat je fruitvliegjes (die soms als proefdieren worden gebruikt) of andere nuttige insecten ook weghoudt.
Ze testten de geuren op fruitvliegjes (Drosophila). Het resultaat? De fruitvliegjes vonden de geur niets bijzonders en vlogen gewoon door. De geur was specifiek voor bijen. Dit is als een sleutel die alleen past in de deur van de bijenkast, maar niet in de deur van de fruitvlieg.

💡 Waarom is dit geweldig?

Dit onderzoek toont aan dat we met slimme computers en een beetje geduld nieuwe manieren kunnen vinden om de natuur te beschermen.

• Voor de boer: Gewassen blijven veilig tegen ongedierte.
• Voor de bij: Ze kunnen veilig vliegen en hun werk doen zonder het gif op te nemen.
• Voor de toekomst: Deze methode kan gebruikt worden om geuren te vinden voor andere dieren, zodat we in de toekomst nog slimmere en veiligere manieren vinden om de wereld in evenwicht te houden.

Kortom: De computer heeft de taal van de bijen neus geleerd, en nu kunnen we met hen praten door te zeggen: "Hier is het niet veilig, ga daarheen!" zonder dat we ze hoeven te doden.

Technische samenvatting

Probleemstelling

Honingbijen (Apis mellifera) spelen een cruciale rol als bestuivers voor bijna een derde van de voedselgewassen. De populaties van bijen nemen echter onhoudbaar af, mede door blootstelling aan pesticiden. Wanneer bijen pesticiden behandelde gewassen bezoeken, brengen ze residuen terug naar de bijenkorf, wat leidt tot acute toxiciteit of subletale effecten (zoals navigatiestoornissen en immuunverzwakking) die de overleving van de kolonie bedreigen.

De traditionele aanpak om bijen te beschermen is beperkt: het vinden van nieuwe, effectieve afstotende geurstoffen (repellents) is een enorme uitdaging vanwege de complexiteit van het olfactorische systeem van de bij. Dit systeem bestaat uit meer dan 160 geurreceptor-genen en 21 IR-genen, wat het experimenteel testen van miljoenen chemische verbindingen ondoenlijk maakt. Tot nu toe is er geen enkel nieuw insectenrepellent geregistreerd door de EPA in de afgelopen 20 jaar, ondanks de noodzaak.

Methodologie

De auteurs ontwikkelden een iteratieve machine learning (ML) pipeline om afstotende geurstoffen te voorspellen op basis van de 3D-chemische structuur, zonder eerst uitgebreide biologische tests te hoeven uitvoeren.

1. Data Collectie en Feature Extractie:

   • Een trainingsset werd samengesteld uit bestaande literatuur over het olfactorische gedrag van honingbijen, inclusief verbindingen met een negatieve valentie (afstotend) en neutrale/attractieve verbindingen.
   • Voor elke chemische verbinding werden energie-geminimaliseerde 3D-structuren gegenereerd.
   • Er werden 5.290 fysisch-chemische eigenschappen (DRAGON-descriptoren) berekend, waaronder moleculaire vorm, ladingsverdeling en lipofiliciteit.
   • Een subset van 45 belangrijke descriptoren werd geselecteerd via Recursive Feature Elimination (RFE).

2. Machine Learning Modellen:

   • Verschillende algoritmen werden getraind, waaronder Regularized Random Forest, Gradient Boosted Decision Trees en een niet-lineaire Support Vector Machine (SVM) met een Radial Basis Function (RBF) kernel.
   • Het doel was om een binair label te voorspellen: "repel" (afstotend) versus "inactive" (niet-afstotend).
   • De prestaties werden gevalideerd via kruisvalidatie, gemeten aan de hand van de Area Under the Curve (AUC) van de Receiver Operating Characteristic (ROC).

3. Iteratieve Validatie en Verbetering:

   • Ronde 1: Het initiële model screende ~45 miljoen verbindingen uit de MolPort-database. De top-candidates werden getest op fruitvliegen (Drosophila melanogaster) om breed-spectrum repellency uit te sluiten, en vervolgens op honingbijen in een laboratorium-2-keuzetest (Petrischalen).
   • Retraining: De kwantitatieve gedragsdata van de geteste verbindingen uit ronde 1 werden toegevoegd aan de trainingsset. Dit verbeterde het model aanzienlijk.
   • Ronde 2: Het geoptimaliseerde model screende een nieuwe bibliotheek van ~10 miljoen verbindingen. Er werd ook een apart ML-model gebruikt om de dampdruk (vapor pressure) te voorspellen, zodat alleen verbindingen met een geschikte verdampingssnelheid voor veldtoepassingen werden geselecteerd.

4. Biologische Validatie:

   • Lab: 28 geselecteerde verbindingen werden getest op honingbijen in een 2-keuzetest met pure honing.
   • Veld: De beste 7 kandidaten werden getest in een veldexperiment waarbij vrij vliegende bijen werden geconfronteerd met met suikerwater besproeide wasfondsen, behandeld met de testverbindingen, een oplosmiddel (aceton) of DEET (positieve controle).

Belangrijkste Resultaten

• Voorspellend Vermogen: Het initiële ML-model behaalde een gemiddelde AUC van 0,88, wat aantoont dat het model effectief kon onderscheiden tussen afstotende en niet-afstotende vluchtige stoffen op basis van alleen de chemische structuur.
• Identificatie van Kandidaten: Uit de screening van miljoenen verbindingen werden meer dan 130 potentiële repellents geïdentificeerd. Na de iteratieve verbetering van het model werden 28 sterke kandidaten geselecteerd.
• Lab-Validatie: In laboratoriumtests toonden de meeste geselecteerde verbindingen sterke afstotende effecten. Bijen kozen significant vaker voor de controlekant dan voor de kant met het repellent. Het gebruik van pure honing (in plaats van verdunde honing) verhoogde de participatie van de bijen van 68% naar 81%.
• Selectiviteit: Cruciaal voor de toepassing was dat de nieuwe honingbijen-repellents geen afstotend effect hadden op fruitvliegen (Drosophila). Dit suggereert dat deze verbindingen specifiek zijn voor honingbijen en niet noodzakelijk schadelijk of afstotend zijn voor andere insecten (zoals plaagbestrijdingsdoelen).
• Veld-Validatie: In het veldtesten toonden alle 7 geteste verbindingen significante afstoting van vrij vliegende bijen vergeleken met de controle. Drie verbindingen bleven effectief tot het einde van de test. Zelfs bij een halvering van de concentratie (van 0,1 mg/cm² naar 0,05 mg/cm²) bleef het afstotende effect significant.

Bijdragen en Significantie

• Rationele Ontdekking: Dit onderzoek bewijst dat machine learning, gekoppeld aan een iteratieve cyclus van voorspelling en biologische validatie, een krachtige methode is om nieuwe geurstoffen te ontdekken voor insecten waarvoor beperkte gedragsdata beschikbaar is.
• Oplossing voor Bestuiverproblematiek: De studie biedt een praktische strategie om pesticiden te "verrijken" met specifieke geurstoffen die bijen afstoten, waardoor de blootstelling aan pesticiden op gewassen wordt geminimaliseerd zonder de effectiviteit van de bestrijding van plaaginsecten te verminderen.
• Schaalbaarheid: De methode is schaalbaar en kan worden toegepast op andere diersoorten om specifieke afstotende middelen te vinden, wat de zoektocht naar milieuvriendelijke bestuiverbescherming versnelt.
• Technologische Doorbraak: Het overwinnen van de complexiteit van het insecten-olfactorische systeem door puur op chemische structuur te vertrouwen, markeert een verschuiving van empirisch "trial-and-error" naar een computergestuurde, rationele ontwerpaanpak in de chemische ecologie.

Samenvattend biedt deze studie een bewezen, kosteneffectief en hoogdoorvoersysteem om honingbijen te beschermen tegen pesticiden door het gebruik van AI-gedreven, selectieve geurstoffen.