Effets des probiotiques sur le microbiote intestinal de l’abeille mellifère (Apis mellifera) et sur la performance des colonies au printemps en climat nordique
Bibliographic record
Abstract
Le microbiote intestinal regroupe l’ensemble des micro-organismes qui colonisent l’intestin d’un animal. Chez l’abeille, il participe à la digestion et aux fonctions immunitaires. Plusieurs facteurs environnementaux perturbent le microbiote de cet insecte, nuisant ainsi à sa santé. Pour prévenir cette situation, l’ajout de probiotiques dans l’alimentation des abeilles est une solution intéressante. Il a été montré que certains probiotiques favorisent la croissance des colonies et diminuent l’incidence de plusieurs maladies et parasites. Cependant, aucune information n’est disponible quant à leurs effets en climat nordique, là où la survie hivernale et le développement printanier des colonies sont des enjeux majeurs pour les apiculteurs. L’objectif principal du projet est d’évaluer l’effet de formules probiotiques sur la composition taxonomique du microbiote de l’abeille et la performance des colonies. Deux souches probiotiques commerciales (Bactocell® et Levucell®SB), une bactérie endogène(Parasaccharibacter apium) et un antibiotique ont été administrés à un total de 45 colonies d’abeilles à l’automne 2017 et au printemps 2018. Un profilage du microbiote bactérien a été réalisé à quatre moments au cours du projet : en septembre, novembre, avril et juin. La survie hivernale et la performance des colonies ont été évaluées en mesurant le nombre de larves, le nombre d’abeilles dans la colonie, la consommation hivernale de nourriture et le poids des ruches. Le moment de l’année a influencé la composition du microbiote intestinal de l’abeille, suggérant une adaptation aux conditions environnementales. De plus, la prise de probiotiques n’a modulé que légèrement le microbiote de l’abeille. Quant à la performance des colonies, les formules probiotiques Bactocell® et Levucell®SB ont amélioré le développement printanier des colonies. Ces résultats indiquent que les probiotiques peuvent améliorer la performance des colonies d’abeilles, et ce, sans perturber leur microbiote. Ces informations seront utiles dans l’optique de développer une formule probiotique destinée à l’industrie apicole canadienne.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".