MétaCan
Menu
Retour à la cohorte
Enregistrement W4200417038 · doi:10.1016/j.ecolind.2021.108457

Honey bees as biomonitors of environmental contaminants, pathogens, and climate change

2021· article· en· W4200417038 sur OpenAlexafffund
Morgan Cunningham, Lan Tran, Chloe McKee, Rodrigo Ortega Polo, Tara Newman, Lance Lansing, Jonathan S. Griffiths, Guillaume J. Bilodeau, Michael Rott, M. Marta Guarna

Notice bibliographique

RevueEcological Indicators · 2021
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueInsect and Pesticide Research
Établissements canadiensCanadian Food Inspection AgencyAgriculture and Agri-Food CanadaUniversity of Victoria
Organismes subventionnairesAgriculture and Agri-Food CanadaGovernment of CanadaCanadian Food Inspection Agency
Mots-clésHoney beeBiomonitoringBiologySentinel speciesApiaryEcologyPesticidePollinatorEnvironmental sciencePollenPollination

Résumé

récupéré en direct d'OpenAlex

Monitoring the environment for pollution, pesticides, and pathogens is crucial for protecting human, agriculture, and overall ecosystem health. Diverse strategies ranging from physical sensors to sentinel species have been used for environmental monitoring. The European honey bee, Apis mellifera, is a globally managed pollinator that can serve as a continuous biomonitoring species. During foraging, honey bees are exposed to contaminants and pathogens and carry them to their hives where they can be detected and quantified. Although individual bees are vulnerable to environmental stressors, the honey bee colony as a whole is more resilient and can accumulate contaminants or respond to them without collapsing. This allows for long-term monitoring of the colony to map contaminants in a geographical area and study ecotoxicology gradients over space and time. In this paper, we review demonstrated and proposed uses of honey bees for environmental monitoring. We focus our discussion on heavy metals, air pollutants, pesticides, and plant pathogens that can be detected in bees and their hive materials including honey, wax, and stored pollen. We present the use of gene expression, microbiome profiling, and other high-throughput methodologies to study dose-dependent exposure and increase detection sensitivity; for example, stored pollen analysis with next generation sequencing can reveal the presence of plant viruses, fungi, and invasive species earlier than traditional detection methods. Finally, we discuss opportunities for using honey bees to monitor emerging threats such as climate change and antimicrobial resistance. This narrative review highlights the versatility and potential utility of the European honey bee as a biomonitoring species for ecosystem health.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,024
Tête enseignante GPT0,254
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations191
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEcological IndicatorsMême sujetInsect and Pesticide ResearchTravaux en français237 207