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

O artigo apresenta o BEEhaviourLab, uma plataforma automatizada de baixo custo e alto rendimento que utiliza visão computacional e análise acústica para detectar efeitos subletais de estressores químicos no comportamento de diversas espécies de insetos, oferecendo uma abordagem escalável para aprimorar a avaliação de risco ambiental.

O essencial

🐝 O "Laboratório de Comportamento das Abelhas": Um Detetive de Comportamento para Insetos

Imagine que você é um médico tentando descobrir se um remédio novo está fazendo mal a um paciente. Se o paciente morre, você sabe que o remédio foi fatal. Mas e se o paciente não morre, mas fica tonto, esquecido ou perde a capacidade de fazer suas tarefas diárias? Esse é o grande problema que os cientistas enfrentam ao testar pesticidas em abelhas e outros insetos.

Até hoje, os testes de segurança focavam apenas em uma coisa: quantas abelhas morrem? Se a abelha sobrevive, o pesticida é considerado "seguro". Mas isso ignora o fato de que a abelha pode ter saído do teste "viva", mas com a mente confusa, incapaz de encontrar flores ou de voltar para casa.

Os autores deste artigo criaram uma solução genial chamada BEEhaviourLab. Pense nele como um "vigia noturno automático e superinteligente" que observa abelhas 24 horas por dia, sem precisar de etiquetas ou de alguém olhando por uma janela.

1. O Que é o BEEhaviourLab? (O "Olho Mágico")

Imagine uma pequena caixa de vidro onde as abelhas vivem. Dentro dessa caixa, há:

• Câmeras de vídeo que filmam o tempo todo.
• Microfones que ouvem o zumbido delas.
• Um cérebro de computador (Inteligência Artificial) que assiste ao vídeo e escuta o áudio simultaneamente.

A Grande Magia: Antigamente, para rastrear uma abelha, você precisava colar um pequeno ponto de tinta ou um chip nela (como um crachá). O BEEhaviourLab não precisa disso! Ele usa uma tecnologia de visão computacional (semelhante à que seu celular usa para reconhecer rostos) para seguir qualquer abelha, mosca ou vespas, mesmo que elas se misturem e troquem de lugar. É como se o sistema tivesse olhos que nunca piscam e uma memória perfeita.

2. O Teste: O "Veneno" Veterinário (Moxidectina)

Os cientistas queriam ver o que acontecia com as abelhas quando expostas a um medicamento muito comum usado em animais de fazenda e pets chamado Moxidectina. Esse remédio mata parasitas, mas será que ele faz mal às abelhas que vivem no pasto?

Eles deram doses pequenas (que não matam a abelha imediatamente) e colocaram as abelhas no BEEhaviourLab.

O que eles descobriram?
Aqui está a parte mais interessante, usando uma analogia:

• O Teste Antigo (Morte): Seria como dizer: "O remédio é seguro porque a abelha não morreu".
• O Teste Novo (Comportamento): O BEEhaviourLab viu que, mesmo com doses baixas, as abelhas ficavam paradas.
  • Elas paravam de andar.
  • Elas paravam de "cantar" (zumbir).
  • Elas perdiam o ritmo do dia e da noite (ficavam confusas sobre quando acordar e dormir).

É como se você tomasse um remédio que não te mata, mas faz você esquecer como andar, parar de falar e ficar acordado o dia todo ou dormindo o dia todo. Para uma abelha, isso é fatal para a colmeia, mesmo que ela não morra na hora.

3. O "Termômetro" de Toxicidade

Os cientistas criaram um "Termômetro de Toxicidade Subletal".

• Eles mediram o quanto a abelha se movia e quanto ela zumbia.
• Eles compararam isso com o comportamento normal de abelhas saudáveis.
• Resultado: O sistema detectou que as abelhas estavam "doentes" (comportamento estranho) em doses 30 vezes menores do que a dose necessária para matá-las.

A Analogia do Carro:
Imagine que você está testando um novo combustível para carros.

• O teste antigo pergunta: "O carro quebra e para de funcionar?" Se não, o combustível é bom.
• O BEEhaviourLab pergunta: "O carro está andando devagar? O motor está fazendo um barulho estranho? O piloto está dirigindo de forma errada?"
• Eles descobriram que o "combustível" (pesticida) estava fazendo o carro (abelha) andar de forma errada muito antes de o motor fundir.

4. Por que isso é importante?

Hoje, muitas leis de proteção ambiental só olham para a morte. Se a abelha não morre, o pesticida é liberado. Mas, na natureza, uma abelha que não consegue voar direito ou encontrar flores não consegue alimentar a colmeia. A colmeia morre de fome, e a biodiversidade cai.

O BEEhaviourLab é uma ferramenta barata, automática e precisa que permite aos cientistas e reguladores dizer:

"Esse produto não mata a abelha instantaneamente, mas a deixa 'zumbida' e incapaz de viver. Portanto, é perigoso."

Resumo em uma frase:

O BEEhaviourLab é um sistema de vigilância inteligente que usa câmeras e microfones para detectar se pesticidas estão "confundindo" a mente das abelhas muito antes de eles as matarem, garantindo que a segurança dos insetos seja medida pela qualidade de vida, e não apenas pela sobrevivência.

Resumo técnico

Título: BEEhaviourLab: Uma plataforma de alto rendimento para triagem de estressores subletais em insetos

1. O Problema

A avaliação de risco químico para insetos, especialmente polinizadores, depende historicamente de testes de toxicidade aguda focados em mortalidade (dose letal média, LD50) em poucas espécies modelo (como a abelha-melífera). Esta abordagem apresenta limitações críticas:

• Falha na detecção de efeitos subletais: Impactos comportamentais, de desenvolvimento e imunológicos, que ocorrem em concentrações abaixo do limiar letal, são frequentemente ignorados, embora possam ter consequências ecológicas graves (ex: redução na eficiência de forrageamento, navegação e reprodução).
• Falta de escalabilidade e padronização: Métodos existentes para medir comportamento (como rastreamento manual ou sistemas de nicho) são laboriosos, caros, não padronizados entre espécies e difíceis de escalar para triagem de alto rendimento.
• Vazio de conhecimento sobre pesticidas veterinários: Compostos como a moxidectina (usado em gado) persistem no ambiente e podem afetar polinizadores, mas seus efeitos subletais em abelhas não foram caracterizados experimentalmente de forma robusta.

2. Metodologia: O BEEhaviourLab

Os autores desenvolveram o BEEhaviourLab, uma plataforma automatizada, de baixo custo e de alto rendimento para fenotipagem comportamental.

• Hardware: O sistema consiste em unidades modulares distribuídas, cada uma contendo uma caixa de acrílico transparente, iluminação controlada (LEDs brancos e vermelhos), câmera Raspberry Pi (NoIR v2) para vídeo e microfone (RØDE smartLav+) para áudio. Cada unidade é controlada por um Raspberry Pi 4B e opera em paralelo, coordenada por um computador central via Wi-Fi.
• Software e Visão Computacional:
  • Utiliza o modelo de detecção de objetos YOLOv8n (ultralytics), uma arquitetura leve e rápida.
  • Rastreamento sem marcação (Tag-free): O sistema detecta e rastreia múltiplos insetos simultaneamente sem necessidade de etiquetas físicas.
  • Algoritmo de Rastreamento: Combina o algoritmo BoT-SORT para rastreamento inicial com uma etapa personalizada de correspondência (algoritmo húngaro) para manter IDs estáveis em um número fixo de indivíduos, evitando a criação/destruição de IDs durante oclusões.
  • Análise de Áudio: Pipeline personalizado para filtrar frequências relevantes (200–8000 Hz) e classificar quadros de áudio como "zumbido" ou silêncio, calculando a proporção de tempo com atividade acústica.
• Abordagem Estatística:
  • Uso de modelos lineares mistos generalizados (GLMMs) de dois componentes para separar a probabilidade de movimento (estado comportamental) da velocidade de movimento (desempenho condicional).
  • Modelos de inflação de zeros para análise de dados acústicos.
  • Criação de um Índice de Toxicidade Subletal Multimodal, normalizando desvios comportamentais em relação à variabilidade natural do grupo controle.

3. Contribuições Principais

1. Plataforma Unificada e Escalável: Um sistema que permite experimentos de longa duração (48h+) com múltiplas réplicas e espécies simultaneamente, reduzindo barreiras logísticas e financeiras.
2. Generalização entre Espécies: Demonstrou que um único modelo de detecção leve, treinado com um conjunto de dados diversificado (abelhas e moscas), consegue rastrear com alta precisão insetos de tamanhos, morfologias e dinâmicas de voo diferentes (ex: Bombus terrestris, Apis mellifera, Colletes hederae, Eristalis tenax).
3. Integração Multimodal: Combina vídeo e áudio para capturar dimensões comportamentais distintas (locomoção e produção de som), oferecendo uma visão mais completa da neurotoxicidade.
4. Metodologia de Análise Híbrida: A separação estatística entre "estar ativo" e "quão rápido está ativo" revela efeitos de baixa dose que seriam mascarados em análises de velocidade média única.

4. Resultados Chave

• Desempenho do Rastreamento: O modelo treinado com múltiplas espécies (Modelo 2) alcançou uma precisão média (mAP50) superior a 0,98 para todas as espécies testadas, superando significativamente um modelo treinado apenas em abelhas-bombos.
• Padrões Circadianos e Comportamentais: Identificou perfis de atividade distintos entre espécies. Abelhas-bombos mostraram alta probabilidade de movimento, enquanto abelhas-melíferas mostraram maior velocidade quando ativas. O sistema detectou ritmos circadianos robustos em todas as espécies.
• Efeitos da Moxidectina em Bombus terrestris:
  • Toxicidade Subletal: A exposição aguda à moxidectina causou reduções dose-dependentes na locomoção e no zumbido em concentrações subletais.
  • Sensibilidade Acústica: Medidas acústicas foram mais sensíveis que as de vídeo; a probabilidade de inatividade completa (não zumbir) aumentou linearmente com a dose, mesmo em doses baixas.
  • Mecanismo de Ação: O pesticida aumentou principalmente o tempo gasto em estado inativo (redução da probabilidade de movimento), com uma redução secundária na velocidade dos insetos que ainda se moviam.
  • Limiar de Efeito: O Índice de Toxicidade Subletal ultrapassou o limiar de variabilidade natural (1 desvio padrão do controle) em 2,73 ng/abelha.
  • Comparação com Mortalidade: A LD50 (48h) foi de 81,2 ng/abelha. Isso significa que os efeitos comportamentais foram detectados em concentrações >30 vezes menores do que as necessárias para causar mortalidade.
  • Supressão de Alimentação: A redução no consumo de açúcar só foi detectável em doses 10 vezes maiores que o limiar comportamental.

5. Significado e Conclusões

O estudo demonstra que a fenotipagem comportamental automatizada e de alto rendimento é uma ferramenta poderosa para a avaliação de risco toxicológico.

• Relevância Regulatória: O BEEhaviourLab oferece um caminho prático para integrar endpoints comportamentais subletais nas avaliações de risco químico, preenchendo a lacuna entre testes de mortalidade simples e experimentos de campo complexos.
• Proteção de Polinizadores: A descoberta de que a moxidectina causa disfunção neurocomportamental severa em concentrações muito baixas alerta para riscos não considerados na regulamentação atual de pesticidas veterinários.
• Futuro: A plataforma é extensível, permitindo a descoberta de padrões comportamentais complexos (como grooming, alimentação) através de aprendizado de máquina não supervisionado, facilitando a comparação padronizada de efeitos tóxicos entre diferentes espécies e estressores ambientais.

Em resumo, o BEEhaviourLab representa um avanço tecnológico crucial para a ecotoxicologia, permitindo a detecção precoce e quantitativa de danos neurocomportamentais em insetos polinizadores antes que ocorram danos letais ou populacionais.