Stochastic modeling of long-legged ant A. gracilipes locomotion in laboratory experiments

Título: Modelagem Estocástica da Locomoção da Formiga de Pernas Longas (Anoplolepis gracilipes) em Experimentos de Laboratório

1. Problema e Contexto

O movimento animal é fundamental para a ecologia, biologia e comportamento, influenciado por fatores internos (anatomia, fome) e externos (ambiente, presença de outros indivíduos). Embora o comportamento coletivo de formigas seja amplamente estudado devido à sua complexidade social, o comportamento de indivíduos isolados permanece menos compreendido.
O objetivo deste trabalho é preencher essa lacuna ao investigar a estrutura e as estatísticas do movimento de uma espécie específica, a formiga de pernas longas (Anoplolepis gracilipes), conhecida por seu comportamento de forrageamento eficiente e invasivo. O desafio reside em identificar um modelo simples e estocástico capaz de descrever a trajetória complexa de um organismo vivo, indo além de métricas simples (como deslocamento quadrático médio) para capturar os mecanismos geradores subjacentes.

2. Metodologia

• Coleta de Dados Experimentais:

  • Foram realizados experimentos de rastreamento com cerca de 100 espécimes individuais de A. gracilipes em uma arena retangular de acrílico (15x21 cm).
  • As formigas foram filmadas a 60 Hz por aproximadamente 20 minutos cada.
  • Controles: Foram realizados testes de controle para verificar o efeito de interações prévias com outras formigas, a limpeza da arena (para remover feromônios) e o horário do dia (manhã vs. tarde). Os resultados mostraram que essas variáveis não alteraram significativamente as estatísticas de trajetória.
  • Rastreamento: O vídeo foi processado usando uma rede neural convolucional profunda (SLEAP) para rastrear a postura da formiga (ponta da cabeça, centro do tórax e ponta do abdômen), gerando trajetórias espaciais de alta precisão (~0,2 mm de erro).

• Modelagem Teórica:

  • Os autores propõem um modelo híbrido que combina Movimento Browniano Ativo e o processo de Corrida e Tombamento (Run-and-Tumble).
  • Equações Governantes: O modelo é descrito por equações de Langevin que incluem:
    1. Corrida (Run): Movimento balístico com velocidade constante.
    2. Tombamento (Tumble): Reorientações discretas em ângulos $\Delta\theta$, distribuídos segundo uma distribuição de von Mises.
    3. Tempos de Espera: Períodos de imobilidade entre as corridas, distribuídos segundo uma lei de potência.
    4. Difusão Rotacional: Ruído contínuo para capturar a curvatura natural do caminho.
    5. Condições de Contorno: Forças e torques aplicados nas paredes da arena para simular o comportamento de seguimento de parede (thigmotaxis), alinhando a formiga com as bordas.

• Análise de Dados:

  • As trajetórias contínuas foram discretizadas para identificar eventos de "corrida" (movimento retilíneo) e "tombamento" (paradas ou mudanças bruscas de direção).
  • Os parâmetros do modelo (distribuições de ângulos de virada, tempos de corrida e tempos de espera) foram extraídos dos dados experimentais.
  • As previsões analíticas do modelo (via equação de Fokker-Planck) foram comparadas com os dados empíricos.

3. Contribuições Principais

1. Modelo Unificado: Desenvolvimento de um modelo estocástico unificado que descreve o movimento da formiga tanto no centro da arena quanto próximo às paredes, evitando a necessidade de modelos de "pedaços" (piecewise) separados para o interior e as bordas.
2. Validação Quantitativa e Qualitativa: Demonstração de que a combinação de Movimento Browniano Ativo e Run-and-Tumble reproduz com precisão as estatísticas observadas, tanto qualitativamente (formas das distribuições) quanto quantitativamente (valores de persistência e velocidade).
3. Descoberta de Distribuições Reprodutíveis: Identificação de distribuições de probabilidade consistentes para:
   • Ângulos de Virada: Seguem uma distribuição de von Mises (unimodal no centro da arena).
   • Tempos de Corrida: Seguem uma distribuição exponencial.
   • Tempos de Espera: Seguem uma distribuição de lei de potência (indicando comportamento intermitente).
4. Simulação Realista: Capacidade de simular trajetórias sintéticas que replicam fielmente os dados experimentais, incluindo o comportamento complexo nas bordas, utilizando apenas os parâmetros extraídos do centro da arena.

4. Resultados Chave

• Estatísticas de Locomoção:

  • Mapas de Ocupação: Confirmaram o comportamento de seguimento de parede, com maior tempo gasto nas bordas e alinhamento da orientação com as paredes.
  • Deslocamento Quadrático Médio (MSD): Revelou três regimes distintos: balístico (curto prazo), difusivo (médio prazo) e saturação devido ao tamanho finito da arena (longo prazo).
  • Tempos de Persistência: O tempo de persistência médio calculado foi de aproximadamente 1,66s a 1,86s, indicando o tempo típico antes de uma reorientação significativa.
  • Velocidade: A velocidade mediana foi de aproximadamente 12,2 mm/s a 16,3 mm/s.

• Comparação Modelo vs. Dados:

  • As previsões analíticas derivadas do modelo (usando a equação de Fokker-Planck) coincidiram fortemente com os valores medidos diretamente das trajetórias.
  • A distribuição de tempos de espera seguiu uma lei de potência com expoente entre 1,5 e 1,7, similar a observada em gafanhotos, sugerindo um paradigma de busca onde a percepção é maior durante as pausas.
  • Não houve evidências de que a distribuição de tempos de corrida siga uma lei de potência (o que apoiaria a Hipótese de Forrageamento de Lévy), sendo melhor descrita por uma exponencial.

• Simulações:

  • As trajetórias simuladas usando as equações de Langevin com os parâmetros extraídos reproduziram com sucesso a distribuição multimodal de ângulos de virada observada em toda a arena (incluindo o efeito "coroa" nas bordas), validando a eficácia das condições de contorno propostas.

5. Significado e Implicações

• Ecologia de Movimento: O estudo fornece uma ferramenta robusta para prever o comportamento de forrageamento e dispersão de espécies invasoras como a A. gracilipes, permitindo simulações de cenários ambientais complexos.
• Mecanismos Sensoriais e Neurais: A capacidade de descrever o movimento complexo com blocos de construção estocásticos simples oferece insights sobre os mecanismos de geração de movimento e sistemas sensoriais subjacentes, sugerindo que o comportamento pode ser modelado sem necessariamente replicar a complexidade neural interna.
• Aplicações Práticas: O modelo pode ser utilizado para simular estímulos para organismos reais, planejamento de infraestrutura, criação de ambientes virtuais (jogos) e previsão de dispersão de pragas.
• Metodológico: O trabalho demonstra a viabilidade de extrair parâmetros físicos fundamentais de dados biológicos ruidosos através de uma abordagem combinada de aprendizado de máquina (rastreamento) e física estatística (modelagem estocástica).

Em resumo, o artigo estabelece um marco na modelagem de movimento individual de insetos, provando que comportamentos complexos em ambientes confinados podem ser descritos com precisão por modelos estocásticos unificados, conectando dados empíricos a previsões analíticas e simuláveis.