《Insects》:From Hive Sensors to Environmental DNA: Toward a Systems Biology Framework for Honeybee-Based Early Warning of Colony and Ecosystem Health
编辑推荐:
蜜蜂(Apis mellifera)作为生物哨兵,因为它们的觅食行为将蜂群健康与环境条件联系起来。传统的蜂巢检查具有侵入性、依赖观察者,并且通常仅在症状出现后才检测到问题。本综述综合了精准养蜂、环境DNA(eDNA)宏条形码、暴露组学和人工智能的进展,提出了基
蜜蜂(Apis mellifera)作为生物哨兵,因为它们的觅食行为将蜂群健康与环境条件联系起来。传统的蜂巢检查具有侵入性、依赖观察者,并且通常仅在症状出现后才检测到问题。本综述综合了精准养蜂、环境DNA(eDNA)宏条形码、暴露组学和人工智能的进展,提出了基于蜜蜂的早期预警系统(H-BEWS),这是一个统一的框架,将数字传感器、分子和化学监测以及生态数据整合到一个预测性早期预警系统中,用于蜂群和生态系统健康。通过将蜂巢传感器检测到的异常与有针对性的分子和化学分析联系起来,H-BEWS能够实现主动干预和环境监测,支持“同一健康”(One Health)观点。与以往专注于个别技术的综述不同,H-BEWS强调多层次整合、预测性风险评估和生态系统层面的见解,为早期检测蜂群压力和环境危害提供了一个新颖的概念框架。该方法通过将实时数据转化为可操作的见解并指导管理决策,为养蜂人、研究人员和政策制定者提供了实际应用。挑战包括传感器标准化、数据整合、人工智能(AI)验证以及小规模养蜂人的公平获取。未来方向将集中于实时测序、多模态AI模型、数字孪生创建以及全球监测网络的发展。H-BEWS展示了如何通过一个整合的、多层次的方法将蜜蜂蜂群转变为活的生物传感器,为养蜂管理和生态系统监测提供可操作的见解。
**1. 引言**
**1.1. 蜜蜂作为哨兵传粉者:传统监测的局限性**
蜜蜂(Apis mellifera)因其觅食行为将蜂群健康与外部环境条件相连,成为生物哨兵。传统蜂巢检查具有侵入性、依赖观察者,且常在症状出现后才发现问题。远程和基于传感器的监测可提供连续、非侵入性的数据,如蜂巢重量、温度、湿度、飞行活动、声音和振动等。在H-BEWS框架中,数字传感器作为第一预测层,提供实时测量,传感器衍生的异常可作为早期预警信号触发分子和化学分析。分子技术,如环境DNA(eDNA)宏条形码,可从蜂蜜、蜂巢碎屑等基质中恢复多界生物信号,包括病原体、害虫和植物群落。H-BEWS将数字传感器与分子数据结合,实现预测性洞察,支持蜂群和生态系统健康的同步监测。目前缺乏一个统一框架来系统整合数字、分子、化学和生态数据,而H-BEWS旨在填补这一空白,在“同一健康”(One Health)背景下将蜂巢监测转化为可操作指标。
**1.2. 从反应性到预测性:蜂巢作为集成生物传感器**
蜂群在明显损失前可能已暴露于新威胁,但反应性管理往往不足。预测性管理利用可量化的内部和外部信号,如温度、湿度、重量和气象数据,通过机器学习模型检测异常。在H-BEWS中,人工智能(AI)和机器学习作为决策层,整合数字传感器、分子信号、化学分析和生态数据,生成预测性洞察。蜂巢可作为活体采样工具,蜂蜜中的DNA保存多界信号,蜂巢碎屑eDNA可识别害虫和有益物种。化学表型提供额外预测层,检测农药、重金属和挥发性有机化合物(VOCs)。生态表型通过土地利用、植被覆盖等景观特征将蜂群响应与环境条件联系起来。H-BEWS整合数字、分子、化学和生态数据,形成一个统一的预测框架,用于蜂群和生态系统健康。
**2. 蜜蜂监测的历史演变**
**2.1. 经典监测**
经典监测依赖视觉检查,评估成蜂数量、蜂子面积、食物储备、蜂王存在及病虫害症状。虽然提供基础生物学信息,但受观察者经验、检查时机和主观性限制。标准化方法如成蜂强度、蜂子模式等被提出以提高可比性。蜂子相关指标可提供早期预警信号。蜂群强度与疾病负担相关,食物储备反映景观资源可用性。害虫计数(如Varroa destructor)对病毒传播至关重要。经典监测的局限性包括主观性、侵入性、劳动密集和采样稀疏,需要更客观的定量方法。
**2.2. 分子时代**
分子技术用直接生物因子检测取代了基于症状的观察。聚合酶链反应(PCR)和逆转录PCR(RT-PCR)可精确识别细菌、真菌、微孢子虫和病毒靶标。DNA条形码和标记技术扩展了分子监测范围,包括蜜蜂谱系、花卉来源和蜂产品中的生物材料。宏基因组学通过非靶向发现多种生物,如蜂蜜DNA的鸟枪宏基因组学可恢复多界信号。环境DNA(eDNA)宏条形码对蜂巢碎屑进行分析,识别细菌、真菌和节肢动物群落,包括病原体和有益物种。分子时代提供了将蜂群健康与病原体压力、花卉利用和环境暴露联系起来的生物学清晰度。
**2.3. 数字时代**
数字监测用持续观测取代了定期检查。智能蜂巢和物联网(IoT)设备通过传感器监测温度、湿度、重量、声音、气体浓度、飞行活动和外部天气。精准养蜂将蜂巢测量与生物学状态连接。声学监测通过蜂巢声音识别状态变化,热成像和图像技术提供视觉数据。AI辅助解决方案将监测转向预测,利用机器学习对声音、图像和传感器读数进行分类,支持蜂群管理、健康监测和病虫害识别。然而,成本、可用性和数据标准化仍是挑战。数字时代提供了早期预警所需的连续数据层。
**3. 蜂巢传感器作为蜂群的实时生理信号**
**3.1. 蜂巢重量**
蜂巢重量反映 nectar 摄入、蜂蜜储存、蜜蜂活动和突发事件的累积效应。连续称重可最小化干扰,提供重复测量。重量日变化可区分早晨觅食者离开和下午返回的模式,有助于评估蜂蜜产量和资源可用性。短期重量波动可推断觅食者流量。重量数据可用于检测突然事件如分蜂和盗蜂。结合环境和行为数据,重量监测将蜂群质量变化转化为非侵入性生理指标。
**3.2. 温度**
温度是蜂群的关键生理指标,因为蜂子发育需要稳定热环境。蜂巢内部温度与蜂群强度相关,中心传感器位置提供最强相关性。温度变化与蜂子质量负相关,不稳定温度可能指示蜂子减少或护理不良。冬季温度模式可预测蜂群死亡率。温度传感器结合其他信号可帮助确定分蜂风险。温度监测提供蜂子体温调节、蜂群强度、分蜂相关变化和应激相关蜂子损失的非侵入性指标。
**3.3. 湿度、声音和振动**
湿度与 nectar 脱水、蜂子护理和内部条件相关。相对湿度(RH)与温度、声音、CO
2和重量整合,可用于预测性监测。湿度影响蜂子发育和蜂蜜成熟,高湿度可能与热带蜂群病虫害增加相关。声音和振动记录蜜蜂活动行为,声学监测可揭示蜂群状态和突然变化,如无蜂王状态。振动感测与蜂子周期相关,可用于分蜂预测。湿度、声音和振动传感器提供蜂子护理、蜂蜜加工、疾病条件、蜂王状态和分蜂风险的实时解释。
**3.4. 气体传感、飞行活动和计算机视觉**
气体传感器提供代谢和化学层,CO
2反映通风和呼吸模式,可估计蜂群大小和健康状态。挥发性有机化合物(VOCs)谱可区分环境污染模式。飞行计数器提供觅食活动、花粉摄入和异常运动的直接行为信号,可用于农药风险评估。计算机视觉通过卷积神经网络(CNN)识别进出、花粉携带和防御行为,量化捕食者-猎物相互作用。气体传感、飞行计数器和计算机视觉将监测从内部生理扩展到外部活动,连接呼吸、挥发性化学、觅食强度和农药相关损害。
**4. 环境DNA作为蜂巢的分子记忆**
**4.1. 蜂蜜来源的eDNA**
蜂蜜来源的环境DNA(eDNA)提供蜂群接触过的生物记录。蜂蜜中检测到多界DNA,包括植物、节肢动物、真菌、细菌和病毒。蜂蜜DNA可识别植物物种用于花卉景观重建,区分地理来源。蜂蜜eDNA支持非侵入性疾病和寄生虫监测,如Nosema ceranae和多种病毒。细菌和真菌组分反映蜂巢微生物组和环境暴露。蜂蜜eDNA可识别螨类和节肢动物,如Varroa destructor和Aethina tumida。蜂蜜来源的eDNA作为花卉环境、病原体、真菌、细菌、病毒和节肢动物的分子记忆。
**4.2. 蜂巢碎屑eDNA**
蜂巢碎屑eDNA收集来自蜜蜂、害虫、病毒和觅食过程中接触的生物痕迹。宏条形码可识别细菌、真菌和节肢动物群落,包括农业害虫、病原体、有益生物和人类健康相关类群。碎屑eDNA可检测低丰度生物,如入侵物种Varroa destructor的早期入侵。蜂巢碎屑eDNA作为蜂巢与景观相互作用的遗传档案,支持害虫、疾病、有益生物和入侵物种的监测。
**4.3. 花粉和蜂蜡eDNA**
花粉eDNA直接反映觅食生态,通过DNA宏条形码确定花卉组成和蜜蜂觅食偏好。花粉DNA可描述植物多样性和景观变化,作为季节性生态相互作用的记录。蜂蜡作为化学暴露的长期档案,积累杀螨剂和农药残留。花粉eDNA和蜂蜡化学连接植物多样性、觅食生态、景观变化和农药暴露历史。
**5. AI和机器学习用于蜂群状态预测**
AI和机器学习将蜂巢传感器数据转化为蜂群状态预测。声学分类可区分正常和分蜂状态,识别无蜂王蜂群。图像识别通过计算机视觉检测入口行为和结构问题,如Varroa destructor和蜂巢甲虫。低成本AI方案如TinyML在受限硬件上实现分类。系统级应用包括AI仪表板、可解释模型和异常检测,但面临数据可用性、泛化和部署挑战。AI目前可分类声音、图像和传感器读数,但需要更稳健的数据融合、可解释性和跨区域验证。
**6. 暴露组学:蜂群和生态系统风险的化学指纹**
暴露组学添加化学风险层,将农药、除草剂、杀菌剂、杀螨剂、重金属、微塑料、全氟和多氟烷基物质(PFAS)等解释为暴露指纹。农药残留常见于蜂蜡和花粉,多残留污染普遍。除草剂和杀菌剂也重要,如草甘膦在蜂面包和蜂蜡中检测到。蜂蜡积累杀螨剂和兽药残留。重金属如砷、镉、铅、汞在蜂蜡中检测到。微塑料和PFAS扩展暴露组。空气污染物如柴油尾气和臭氧影响蜂群性能。植物毒素也纳入暴露组。暴露组学将化学指纹与蜂巢功能连接,解释传感器异常,如异常飞行活动可能与农药暴露相关。化学暴露与病原体相互作用,需联合评估。
**7. 构建系统生物学框架**
**7.1. 数字表型**
数字表型是来自传感器流和图像的连续、非侵入性、实时的蜂群生理和行为表征。蜂巢重量记录 nectar 流入、食物消耗、分蜂和衰退。温度指示蜂子体温调节和蜂群强度。湿度提供 nectar 脱水和通风信息。声音和振动揭示集体行为和分蜂准备。飞行活动反映觅食强度和农药损害。图像表型通过计算机视觉评估成蜂数量、蜂子面积和疾病症状。多流融合提高早期预警的灵敏度和特异性,减少误报。数字表型作为系统生物学框架的功能前端,触发分子采样和干预。
**7.2. 分子表型**
分子表型通过eDNA、宏基因组学、病原体DNA/RNA、花卉DNA和害虫DNA确定蜂群及其环境的生物学身份。蜂蜜eDNA提供多界记录,包括细菌、真菌、节肢动物和病毒。宏基因组学从靶向检测扩展到全面生物学分析。病原体DNA/RNA是诊断核心。花卉DNA连接蜂群生物学和景观生态学。害虫DNA如Varroa destructor eDNA可早期检测入侵。分子表型将数字异常转化为生物学诊断,区分疾病和营养压力。
**7.3. 化学和生态表型**
化学表型代表蜂群及其产品携带的污染物指纹,通过蜂蜜、蜂蜡、花粉、蜂面包、蜜蜂和蜂巢空气中的残留检测,连接蜂巢性能与化学环境。农药、杀菌剂和除草剂多残留常见。重金属、PFAS、微塑料和VOCs扩展化学表型。生态表型将蜂群置于景观环境中,花卉多样性、土地利用、气候和作物日历影响觅食、污染物暴露和蜂群恢复力。化学和生态表型共同解释不同景观中相同数字异常的不同原因,如体重增加减少可能由作物日历间隙、干旱、农药暴露或饲料不足引起。
**7.4. 预测决策层**
预测决策层将数字、分子、化学和生态数据结合,生成风险评分,将蜂群分类为稳定、观察或干预。早期预警阈值不应基于单一变量,需结合多源数据。管理建议根据最可能的风险路径生成,如Varroa或病原体DNA增加建议治疗,花卉DNA多样性低建议补充饲喂。政策警告在多个蜂场出现相同风险模式时可行。生态系统健康指数整合蜂群性能、花卉多样性、病原体压力、污染物负荷和土地利用。决策层将生物学复杂性转化为分级警报、管理选项、政策信号和生态系统健康评估。
**8. H-BEWS框架:从蜂群健康到生态系统监测应用、标准化和社会维度**
H-BEWS是一个新颖的整合框架,统一数字传感器、分子eDNA、化学分析和生态数据,用于蜂群和生态系统健康的预测性早期预警。与以往单一技术或反应性评估不同,H-BEWS提供多层次整合,传感器异常触发靶向分子或化学分析,并链接环境背景。蜂群可作为分散的生物哨兵,产生可量化的预警信号。标准化对系统可靠性至关重要,包括传感器校准、采样频率、元数据结构和AI模型基准测试。伦理、社会和经济考虑包括养蜂人数据所有权、隐私、小规模养蜂人公平访问和开源传感器选项。H-BEWS为养蜂人、研究人员和环境决策者提供从观察到预测的实用路径。
**9. 未来研究议程**
未来研究应聚焦于完全实现H-BEWS作为预测性多层次早期预警系统。关键优先事项包括传感器校准标准化、元数据收集和生物信息学流程,以确保互操作性。低成本社区监测方法应探索,使小规模养蜂人参与。实时分子监测如纳米孔测序应在蜂场直接测试。多模态AI模型应整合传感器信号、图像、声学、分子谱、化学残留、天气和景观数据。数字孪生应创建以模拟蜂群生长、体温调节、觅食和病原体传播。全球监测网络需要标准化数据库,包括传感器流、病原体负荷、eDNA谱和化学残留。决策阈值应指导养蜂人何时需要实验室确认、治疗或检查。未来研究应建立验证过的监测策略,强调“同一健康”(One Health)视角。
**10. 结论**
本综述追踪了蜜蜂监测从传统视觉检查到分子和数字时代的演变。传统方法依赖观察者且发现问题过晚;分子技术允许早期感染检测但不实时;数字传感器提供连续数据但面临成本和校准挑战。H-BEWS包括四个表型层:数字表型提供实时信号,分子表型识别病原体和花卉资源,化学表型发现污染物,生态表型将蜂群置于景观背景。挑战包括传感器校准标准化、AI模型验证、成本和小规模养蜂人访问。未来优先事项包括实时纳米孔测序、多模态AI模型、数字孪生和全球监测网络。通过整合智能传感器、环境DNA、暴露组学和人工智能,H-BEWS可将蜜蜂蜂群转化为活的生物传感器,为蜂群健康和生态系统监测提供可操作见解。