Vocal repertoire of adult domestic pigs in a laboratory environment

Este estudo caracteriza o repertório vocal de porcos domésticos adultos em ambiente laboratorial, identificando cinco classes principais e 16 tipos de vocalizações através de análise perceptual e estatística, estabelecendo assim uma base essencial para o desenvolvimento de indicadores não invasivos de bem-estar animal.

O essencial

Imagine que os porcos são como uma orquestra silenciosa que, na verdade, está tocando uma sinfonia complexa o tempo todo. Por muito tempo, os cientistas que estudam esses animais em laboratórios sabiam que eles faziam barulhos, mas não tinham um "dicionário" ou uma "partitura" para entender exatamente o que cada som significava.

Este estudo é como se fosse a criação de um dicionário de "piguês" para adultos, feito especificamente para o ambiente de um laboratório de pesquisa.

Aqui está a explicação do que os pesquisadores fizeram, usando analogias simples:

1. O Cenário: Por que fazer isso?

Os porcos domésticos estão se tornando os "queridinhos" da pesquisa médica. Eles são inteligentes e parecidos conosco, o que é ótimo para testar remédios, mas também significa que precisamos cuidar muito bem da saúde e do bem-estar deles.

• A Analogia: Imagine que você é um enfermeiro cuidando de um paciente que não consegue falar. Você precisa olhar para o rosto dele, o suor na testa e o ritmo da respiração para saber se ele está com dor ou feliz. Com os porcos, o "rosto" é difícil de ler às vezes, mas a voz deles é um sinal honesto. Se eles gritam, é porque algo está errado. Se eles roncam baixinho, talvez estejam felizes. O problema é que ninguém sabia exatamente qual som significava o quê.

2. O Experimento: Gravando a "Conversa"

Os cientistas pegaram 12 porcos (5 machos e 7 fêmeas) que tinham cerca de 2 ou 3 meses de idade e os colocaram em um laboratório.

• O Processo: Eles gravaram os porcos em várias situações:
  • Quando os humanos chegavam para dar comida ou fazer carinho.
  • Quando os porcos eram presos com uma tábua (para simular um procedimento médico).
  • Quando eram soltos para brincar com outros porcos.
  • Quando eram passeados com uma coleira.
• A Metáfora: Pense nisso como um "diário de bordo" de áudio. Eles queriam ouvir como os porcos falavam quando estavam calmos, quando estavam com medo, quando estavam brincando e quando estavam com dor.

3. A Descoberta: O "Dicionário" de 16 Palavras

Os pesquisadores usaram dois métodos para organizar os sons:

1. O "Ouvido Humano" (Análise Perceptiva): Eles ouviram as gravações e olharam para as ondas sonoras (como se fossem partituras visuais) para agrupar os sons.
2. O "Robô Matemático" (Análise de Agrupamento): Um computador analisou os dados friamente, sem emoção, para ver quais sons eram parecidos.

O Resultado: Eles descobriram que os porcos têm 5 grandes categorias de sons (como "Familiares" de uma língua), que se dividem em 16 tipos específicos de "palavras".

Aqui estão os principais sons que eles encontraram, com analogias:

• Grunhidos (Grunts): São como o "Oi" ou o "Tudo bem?" do porco. São sons curtos, graves e nasais. A maioria dos sons que os porcos fazem são desse tipo.
• Choros Agudos (Squeals): São como um grito de "Ai!" ou "Cuidado!". São sons altos, rápidos e cheios de ruído.
• Gritos (Screams): São como um grito de terror ou dor extrema. São longos e muito agudos. Eles descobriram dois tipos: um que varia o tom (modulado) e um que é constante (estável).
• Estranhos e Novos: Eles encontraram sons que ninguém tinha catalogado antes em porcos adultos:
  • Uivos (Whines): Parecem um lamento suave, com um tom musical.
  • Yelps: Um som curto e agudo, como se o porco tivesse dado um pulo de susto.
  • Latidos (Barks): Curtos e secos, como um cachorro latindo, mas mais grave.
• Sons Mistos (Complexos): Às vezes, o porco começa a fazer um grunhido e termina com um grito. É como se ele dissesse "Oi... AI!" tudo de uma vez.

4. O Desafio da Matemática vs. O Ouvido

Quando o computador tentou agrupar os sons automaticamente, ele disse: "Ok, existem basicamente dois grupos: sons graves e sons agudos".

• A Analogia: É como se o computador dissesse: "Toda a música do mundo é apenas 'lenta' ou 'rápida'".
• A Realidade: Os humanos ouviram e disseram: "Não, tem muito mais nuance! Tem jazz, rock, blues...".
  O estudo mostrou que, embora o computador veja apenas dois grupos grandes, a realidade é muito mais rica e complexa. Os porcos têm uma linguagem muito mais sofisticada do que a matemática simples consegue capturar de primeira.

5. Por que isso é importante?

Antes, se um porco em um laboratório fizesse um som estranho, os pesquisadores podiam não saber se era dor, medo ou apenas um som aleatório.

• O Futuro: Agora, com esse "dicionário", os cientistas podem criar sistemas automáticos que escutam os porcos e dizem: "Atenção! O porco X está fazendo um 'Grito Estável', o que indica dor aguda" ou "O porco Y está fazendo um 'Grunhido Curto', ele está apenas pedindo comida".

Em resumo:
Este estudo foi como ensinar os cientistas a "falar a língua" dos porcos de laboratório. Eles mapearam 16 tipos de sons diferentes, criando uma ferramenta essencial para garantir que esses animais sejam tratados com mais cuidado, menos dor e mais respeito, transformando o barulho do laboratório em uma conversa clara sobre bem-estar.

Resumo técnico

1. Problema e Contexto

O uso de suínos domésticos (Sus scrofa domesticus) como modelos em pesquisas biomédicas e treinamento clínico tem crescido oito vezes nas últimas três décadas devido à sua relevância translacional e custo-benefício. No entanto, a avaliação não invasiva da saúde e do bem-estar desses animais em laboratórios permanece um desafio. Embora as vocalizações sejam reconhecidas como "sinais honestos" do estado fisiológico e emocional dos animais, o repertório acústico de suínos adultos em ambientes de laboratório biomédico ainda é mal definido.

Estudos anteriores focaram em leitões, javalis ou suínos em ambientes agrícolas. O ambiente de laboratório (paredes de concreto, reverberação, interação constante com humanos) e a idade dos animais podem alterar significativamente as características vocais. A falta de uma classificação padronizada e objetiva dificulta a comparação entre laboratórios e a criação de modelos preditivos para o bem-estar animal.

2. Metodologia

O estudo utilizou uma abordagem mista, combinando classificação perceptiva (aural-visual) e análise estatística objetiva (agrupamento/clustering).

• Sujeitos: 12 suínos domésticos de raça mista (5 machos, 7 fêmeas), com 2-3 meses de idade (peso inicial de 11-13 kg).
• Ambiente e Protocolo: Os animais foram alojados individualmente em um laboratório controlado. As gravações ocorreram em dois momentos: pré-acclimação (chegada) e pós-acclimação (após 2-3 dias de interação positiva e treinamento com coleira).
• Contextos de Gravação:
  • Procedimentos de Laboratório: Abordagem do investigador, toque, contenção com placa, injeção intramuscular, apresentação de comida e passeio com coleira.
  • Interações Sociais: Saída de caixas de transporte (de-crating), separação e reintrodução de parceiros, e estabelecimento de hierarquia social.
• Equipamento: Gravações feitas com microfone shotgun (beyerdynamic MCE 86 S II) e câmera GoPro Hero 2, a 48 kHz.
• Análise de Dados:
  1. Classificação Aural-Visual (AV): Um investigador cego ao contexto analisou os espectrogramas gerados no software Raven Pro 1.5. As vocalizações foram agrupadas hierarquicamente em classes, subclasses e tipos de chamada baseados em características sonoras e visuais.
  2. Medidas Acústicas: Foram calculadas medidas robustas para evitar viés de seleção manual, incluindo frequências (5%, 95%, quartis, centro), largura de banda (90% e intervalo interquartil) e duração (90%).
  3. Análise de Agrupamento (Cluster Analysis): Foi realizada uma análise de agrupamento em duas etapas (two-step cluster) usando o critério de informação bayesiana de Schwarz (BIC) para determinar o número ótimo de clusters objetivamente.
  4. Validação: A concordância entre a classificação AV e o agrupamento estatístico foi avaliada pelo coeficiente V de Cramer. Um modelo linear misto foi usado para verificar o efeito da não independência dos dados (múltiplas vocalizações por animal).

3. Principais Contribuições

• Definição Hierárquica: Estabelecimento de um repertório vocal detalhado para suínos adultos em laboratório, estruturado em 5 classes vocais, 11 subclasses e 16 tipos de chamadas distintas.
• Padronização: Fornecimento de definições padronizadas que integram descrições qualitativas (aurais/visuais) e critérios quantitativos acústicos para cada tipo de chamada, criando uma linguagem comum para pesquisadores.
• Novos Tipos de Chamadas: Identificação de tipos de vocalização não previamente relatados em suínos adultos ou que foram agrupados erroneamente em estudos anteriores, especificamente: whines (gemidos), yelps (gritos agudos curtos) e stable screams (gritos estáveis).
• Análise Comparativa: Demonstração de que, embora a maioria dos métodos estatísticos sugira apenas dois clusters (baixa e alta frequência), a estrutura acústica real é mais complexa e rica.

4. Resultados

• Volume de Dados: Foram analisadas 1.136 vocalizações de alta qualidade a partir de 69 gravações.
• Distribuição das Classes:
  • Grunts (Roncos): A classe mais comum (81,95% do total), subdividida em Classic, Short, Croak, Growl e Modulated.
  • Squeals (Gritos agudos): Segunda classe mais comum, incluindo Classic, Yelp, Whine e Squeak.
  • Complexas: Combinações de ronco e grito (ex: Complex Squeal, Complex Scream).
  • Screams (Gritos longos): Divididos em Modulated e Stable.
  • Barks (Latidos): Curtos e de baixa frequência.
• Análise de Agrupamento: O algoritmo identificou 2 clusters como a solução estatística ótima (BIC = 4325,82), onde o Cluster 1 continha 95,9% dos casos (frequências mais baixas) e o Cluster 2 as frequências mais altas.
• Concordância: Houve concordância moderada entre a classificação perceptiva e a estatística (V de Cramer = 0,67, p < 0,0001).
• Variabilidade Individual: O modelo linear misto mostrou que as diferenças individuais entre os suínos explicaram menos de 4% da variância nas medidas acústicas, indicando que a classificação é robusta e não depende excessivamente de indivíduos específicos.
• Limitações do Clustering: A análise revelou picos de BIC em 5 e 19 clusters, sugerindo que a estrutura vocal possui mais nuances do que a simples divisão binária (alta/baixa frequência) capturada pelo modelo de dois clusters.

5. Significado e Implicações

Este estudo fornece a base fundamental para o desenvolvimento de ferramentas de monitoramento não invasivo do bem-estar de suínos em pesquisas translacionais.

• Aplicação Prática: As definições padronizadas permitem que laboratórios diferentes comparem dados de forma consistente, essencial para estudos multicêntricos.
• Bem-estar Animal: A capacidade de distinguir tipos específicos de vocalização (como whines ou stable screams) pode ajudar a identificar estados de dor, estresse ou desconforto com maior precisão do que a simples detecção de "barulho".
• Futuro da Pesquisa: Os resultados sugerem que métodos de classificação futuros devem considerar a complexidade gradativa das vocalizações suínas, possivelmente utilizando técnicas de "fuzzy clustering" (agrupamento difuso) em vez de classificações rígidas, para capturar melhor a riqueza do repertório comunicativo desses animais socialmente complexos.

Em resumo, o trabalho preenche uma lacuna crítica na bioacústica de suínos, oferecendo um framework técnico robusto para melhorar a avaliação de tratamentos e o cuidado animal em ambientes de pesquisa biomédica.