Detection rates of aphid DNA in the guts of larval hoverflies and potential links to the provision of floral resources
Notice bibliographique
Résumé
Abstract Aphidophagous hoverflies (Diptera, Syrphidae, Syrphinae) are common flower visitors and aphid predators in a range of flowering plants, including fruit crops. Here, we investigate whether aphid prey DNA can be detected in the gut contents of hoverfly larvae from a commercial strawberry field as a proof of concept that a molecular approach can be used to measure agricultural biocontrol. We used high-throughput sequencing (HTS) to target insect DNA and compared the resulting data to reference databases containing aphid and hoverfly DNA sequences. We explored what impact incorporating wildflowers within polythene-clad tunnels may have on aphid DNA detection rates in hoverfly larvae. In a randomized block experiment, coriander ( Coriandrum sativum ), field forget-me-not ( Myosotis arvensis ) and corn mint ( Mentha arvensis ) plants were inserted in rows of strawberries. Their effect on aphid DNA detection rates was assessed. Aphid DNA was found in 55 of 149 specimens (37%) validating the method in principle for measuring agricultural services provided by hoverflies. Interestingly, detection rates were higher near plots with forget-me-not than plots with coriander, though detection rates in control plots did not differ significantly from either wildflower species. These findings confirm that hoverflies predate aphids in UK strawberry fields, and that HTS is a viable method of identifying aphid DNA in predatory hoverflies. We comment on the need for further method development to narrow down identifications of both predator and prey. We furthermore provide some evidence that there is an effect of intercropping strawberry crops with wildflowers which may affect aphid consumption in hoverfly larvae.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».