RStudio를 이용한 가금류 모래 내 미생물 풍부도의 인터랙티브 3D 공간 시각화 생성

Summary

여기서는 격자 기반 샘플링 데이터를 사용하여 가금류 우리에서 미생물 수와 pH를 인터랙티브 3차원 시각화하는 프로토콜을 제시합니다.

Abstract

전통적인 가금류 배설물 미생물학과 물리화학적 구성 평가는 종종 정적인 표나 2차원 시각화에 의존하여 펜 환경 내 공간적 이질성을 포착하지 못할 수 있습니다. 이 프로토콜은 가금류 우리에 걸쳐 미생물 열거 데이터와 환경 매개변수를 통합하는 인터랙티브 3차원(3D) 시각화를 설명합니다. 격자 기반 레이아웃을 사용해 펜 샘플링을 근사했고, 작업 흐름을 시연하기 위해 시뮬레이션 데이터셋이 먼저 생성되었습니다. 실험 데이터셋은 수선, 먹이통, 펜 입구 등 환경 특징에 대한 공간적 구배를 평가하는 데 사용되었습니다. 데이터는 RStudio에서 plotly 를 사용하여 인터랙티브 3D 플롯을 생성했습니다. 호기성 박테리아 부하 범위는 5.9에서 8.6 log₁₀ CFU/g 사이였으며, 수면 근처에서 유의미하게 증가하는 풍부도(P = 0.023)와 지형에서 멀어질수록 감소했습니다. 결과물인 표면 플롯은 수분이 풍부한 지역 주변에 미생물 집단이 집집 있게 모여 있음을 시각적으로 강조했으며, 가금류 배변 내 미생물 군집의 공간적 패턴을 해석하는 데 이 프레임워크의 유용성을 입증했습니다. 상업용 가금류 조건에서의 추가 평가가 필요하지만, 현재 프로토콜은 가금류 모래 데이터셋에서 공간적 이질성을 시각화하고 분석하는 재현 가능한 방법을 제공합니다.

Introduction

가금류 산업에는 산란 및 육계 생산 시스템이 포함되며, 각 시스템은 침단 재료, 배설물, 사료 입자, 깃털, 깨진 알껍데기, 수분이 시간에 따라 축적되어 상당한 양의 가금류 배설물을 생성합니다 ^1,2,3. 이 쓰레기는 새, 곤충, 설치류, 에어로졸에서 유래한 다양한 미생물 집단을 지탱할 수 있습니다 ^2,3. 일부 미생물에는 살모넬라와 같은 병원체가 포함될 수 있으며, 이는 새들에게 질병을 일으키고 공중보건의 우려를 초래합니다². 가금류 쓰레기가 토지에서 비료로 적용될 수 있기 때문에^, 미생물 분포를 이해하는 것은 환경 모니터링, 닭 떼 건강, 식품 안전에 영향을 미칩니다.

따라서 대표성 가금류 모래 샘플링은 미생물 군집을 특성화하고 잠재적 병원체를 탐지하는 데 중요합니다. 가금류 배설물 샘플링 방법은 수십 년간 탐구되어 왔으며, 드래그 스왑, 배설물 수집, 직접 모래 수집, 일회용 신발 커버, 부츠 양말 등 다양한 방법이^{있습니다.} 하지만 샘플 채취 위치는 데이터가 전체 가금류 모래 상태를 얼마나 잘 반영하는지에 크게 영향을 미칩니다. 새들이 집 안을 돌아다니고, 물통, 먹이통, 선풍기, 냉방 또는 온열 패드 같은 환경 요소가 국소적인 환경을 만들기 때문에, 가금류 배변의 미생물 개체군과 영양 성분이 균등하게 분포되지 않습니다 3,8,9,10. 따라서 쓰레기 관련 데이터를 해석할 때 이질성을 고려하는 것은 효과적인 관리와 떼의 건강 유지에 필수적입니다.

공간 매핑 기법은 농학과 토양 과학에서 미생물 및 물리화학적 이질성과 국지적 핫스팟을 시각화하는 데 널리 적용되어 왔습니다^11,12. 하지만 닭장 내 여러 지역에서 가금류 배변 데이터를 수집할 경우, 수치 값으로 공간적 추세를 해석하기 어려울 수 있습니다 ^8,9. 3차원(3D) 시각화는 미생물 및 물리화학적 측정을 공간 좌표와 통합하여 상호작용하는 표면 모델을 생성하는 실용적인 접근법을 제공합니다^13,14. 정적인 2D 모델과 비교할 때, 3D 모델은 회전, 확대 및 확대, 샘플링 그리드 전반에 걸친 깊이 기반 그라데이션 시각화를 가능하게 하여 가금류 사육장 내 공간 패턴 해석을 개선할 수 있습니다.

현재 프로토콜은 격자 기반 레이아웃을 사용해 수집하고 RStudio에서 분석한 가금류 모래, 미생물 및 물리화학적 데이터를 상호작용 3D 시각화하는 구조화되고 재현 가능한 접근법을 설명합니다. 먼저 시뮬레이션된 미생물 및 물리화학 데이터를 시각화 워크플로우를 시연한 후, 실험적 가금류 배변 미생물 수에 적용합니다. 이 프로토콜의 목표는 가금류 모래 데이터셋에서 공간적 이질성을 시각화하기 위한 재현 가능한 프레임워크를 제공하고, 가금류 집 특징과 관련된 미생물 분포 패턴 해석을 지원하는 것입니다.

Protocol

이 프로토콜은 미생물 및 pH 값을 시뮬레이션한 데이터셋을 사용하여 시각화 워크플로우의 각 단계를 시연하고, 실험 가금류 모래 미생물 수를 실험 데이터에 적용하여 실험 데이터와 함께 사용하며 거리 관련 미생물 연관성의 통계적 해석을 지원합니다. 살아있는 동물 시술은 시행되지 않았습니다. 가금류장에서 동물과 직접 접촉하지 않은 채취된 모래 샘플이 수집되었습니다. 따라서 기관 동물 관리 승인은 필요하지 않았습니다.

1. 가금류 모래 샘플을 수집하고 미생물 개체수 데이터를 생성합니다

1. 브로일러 펜 전체에 일정한 간격을 두고 격자 기반 샘플링 레이아웃을 설정하세요.
   참고: 작은 펜에서는 스트링 그리드 시스템을 사용해 이 작업을 할 수 있으며, 큰 펜은 플래그 마커를 사용해 각 샘플링 위치를 표시할 수 있습니다. 격자는 보통 펜의 왼쪽 아래 모서리에서 시작하며, 이곳이 시작점으로 간주됩니다. 각 샘플링 위치는 그리드 위치를 사용하여 기록됩니다.
2. 각 샘플링 위치와 공급 라인, 난방 램프, 입구 등 환경 포인트의 X와 Y 좌표를 동일한 그리드 내에서 단일 위치나 위치를 나타내는 선을 사용해 기록하세요.
   참고: X 방향은 펜 길이를 따라 움직이고, Y 방향은 폭을 가로질러 나갑니다.
3. 데이터셋에 각 샘플링 위치별 펜 또는 처리 그룹을 식별할 수 있는 "Pen" 열을 포함하세요(예: "P1", "P2").
   참고: 펜으로 그룹화하면 공간 분석이 올바른 주거 환경 내에서 이루어지도록 보장합니다. 이 시연을 위해 펜 풋프린트를 전반적으로 6× 10개의 구조화된 격자를 정의하여 1개의 펜에서 60개의 샘플링 위치(n = 60)를 얻었습니다. 6 × 10 그리드는 펜 전체에 걸쳐 공간적 균형을 이루고, 대칭적이고 균일하게 배치되도록 선택되었습니다. 그리드 배치의 예시는 그림 1에 나와 있습니다.
4. 각 샘플링 지점에서 미생물 또는 물리화학적 분석을 위해 쓰레기 샘플 3개를 채취하세요. 미생물 검사를 위해 복제당 10g의 쓰레기를 무게를 나누어 멸균된 완충 펩톤 물 90mL에 넣어 첫 희석(10⁻¹)을 만듭니다. 샘플을 충분히 혼합하여 현탁액을 균질화하세요.
5. 혼합 슬리터 샘플을 10배로 연속 희석하여 각 희석액 0.1mL를 한천 플레이트에 배제합니다.
   참고: 측정하는 박테리아 그룹에 따라 다양한 배지를 사용할 수 있습니다. 예를 들어, 호기성 박테리아는 삼입산 대두 한천(TSA)에, 젖산 박테리아는 MRS 한천에, 장내세균과는 맥콘키 한천에 플레이트될 수 있습니다.
6. 판을 37°C에서 24시간 부양한 후 보이는 군집을 세세요. 미생물 풍부도를 클라니 형성 단위(CFU/g)로 계산하려면 다음을 사용하세요:
   CFU/g = (희석 계수 × 집락) ÷ 플레이트 부피
7. 복제 횟수 간 평균 값을 보고하세요.
   참고: 검출 한계는 도금된 부피(0.1 mL)에 의해 결정되며, 이는 도금 현탁액에서 약 10 CFU/mL, 또는 원래 샘플의 100 CFU/g에 해당합니다.
8. 미생물 열거 결과를 기록하면 이후 통계 분석 및 시각화를 위해 수치 형식으로 스프레드시트가 작성됩니다.
9. 다음 열로 CSV 파일을 생성하세요: 샘플 ID, X(공간 좌표), Y(공간 좌표), Xnum(X에 대한 수치 정렬 순서, 선택 사항), 그리고 미생물 수치나 pH와 같은 물리화학적 매개변수. 시뮬레이션된 표 시트의 예시는 그림 2에 나와 있습니다.
10. 정규분포의 무작위 값을 사용하여 시뮬레이션된 미생물 풍부도 값을 생성합니다. 경험적 측정을 바탕으로 평균, 표준편차, 범위를 정의하세요. 재현성을 보장하기 위해 고정된 무작위 시드를 적용하세요. 격자 전체에 공간적 그라데이션을 도입하고, 균일한 패턴을 피하기 위해 약간의 무작위 변동을 추가하세요.
    참고: 분포 유형, 범위, 공간 구조 등 데이터 생성에 사용되는 시뮬레이션 매개변수는 표 1에 요약되어 있습니다.

2. 컴퓨팅 환경 구축

1. 필요한 통계 컴퓨팅 패키지를 설치하고 로드하세요.
   install.packages(c("plotly"))
   도서관(플롯 중심)
2. CSV 데이터 세트를 컴퓨팅 환경에 가져오고 작업 디렉터리를 설정하세요.
   setWD("path/to/your/folder")
   데이터셋 <- read.csv("path_to_your_file.csv")
   참고: 입력 데이터셋은 스프레드시트 형식(CSV 파일)으로 구성되어야 하며, 각 행은 하나의 샘플링 위치를 나타냅니다. 필요한 입력 데이터 구조와 변수 정의는 표 2에 요약되어 있습니다.

3. 데이터 준비 및 서식

1. CSV 파일에 누락되었거나 일관성 없는 데이터 값이 있는지 확인하세요.
   요약(데이터셋)
   any(is.na(데이터셋))
2. 필요에 따라 'NA' 값을 제거하여 데이터셋을 정리하세요.
   dataset <- na.omit(dataset)
3. 그래프의 정규화와 시각화를 개선하기 위해 미생물 수를 로그 변환 처리합니다.
4. 변수 이름을 일관된 밑줄무늬 표기법(예: log10_CFU_A 및 log10_CFU_B)으로 표준화하여 가독성과 재현성을 향상시킵니다.
5. 미생물 계수 데이터에 log10 변환을 적용하여 분산을 안정화하고 표준 CFU 보고 관행과 일치시키세요.
   dataset$Log10_CFU_A <- log10(dataset$OrganismA_counts + 1)
   dataset$Log10_CFU_B <- log10(dataset$OrganismB_counts + 1)
6. X와 Y 좌표 값이 수치형인지 확인하세요. 데이터가 알파벳 순서라면, 그리드 내 샘플링 위치와 정확히 일치하도록 수치 값으로 변환하세요.
   참고: 최종 데이터셋에는 펜 좌표계 내의 모든 고유 식별자, 수치 공간 좌표, 로그 변환된 미생물 수가 포함되어야 합니다.

4. 인터랙티브 3D 시각화 생성

1. 공간 행렬을 구성하기 전에 데이터셋 구조를 검증하여 격자가 올바르게 생성될 수 있는지 확인하세요. 그 다음, 공간 좌표나 로그 변환된 박테리아 카운트 등 여러 부분을 결합하여 펜의 격자 배치에 맞게 공간 데이터 매트릭스를 준비합니다.
   참고: 코드는 펜, X, Y로 이루어진 관측값을 그룹화하고, 각 격자 점에서 평균 Log10_CFU_A을 계산한 후, 데이터셋 내 고유한 X와 Y 좌표를 기반으로 값을 행렬로 재구성합니다.
   org1_means <- aggregate(Log10_CFU_A ~ Pen + Y + X,
   데이터 = 데이터셋,
   재미 = 의미,
   na.rm = 참)
   org1_P1 <- subset(org1_means, Pen == "P1")
2. 행렬이 올바르게 매핑되도록 점들을 순서로 정렬하세요
   x_vals <- sort(unique(org1_P1$X))
   y_vals <- sort(unique(org1_P1$Y))
   ncol_grid <- 길이(x_vals)
   nrow_grid <- 길이(y_vals)
   org1_mat_P1 <- 매트릭스(org1_P1$Log10_CFU_A,
   nrow = nrow_grid,
   ncol = ncol_grid,
   byrow = 거짓)
3. 매끄러워 보이는 그래프에 빠진 값이 없는지 확인하세요.
   for(i in 1:ncol(org1_mat_P1)) {
   org1_mat_P1[is.na(org1_mat_P1[,i]), i] <- 의미(org1_mat_P1[,i], na.rm=참)
   }
4. 미생물 개체를 공간적으로 3차원으로 시각화하세요.
   참고: 이 그래프의 격자 크기는 데이터셋의 공간적 배치를 반영했습니다
   FigA <- plot_ly(
   x = x_vals,
   y = y_vals,
   z = org1_mat_P1,
   Type = "surface", colorscale = list(
   c(0, "어두운 파란색"),
   c(1, "초록색")
   )
   )
5. 수도관과 같은 환경 요소를 추가하여 미생물 수치나 기타 쓰레기 매개변수의 거리를 시각화할 수 있게 하여 사용자가 공간 패턴을 볼 수 있게 합니다.
   피가 <- 피그가 %>%
   add_trace(
   x = c(1, 5),
   y = c(6, 6),
   z = c(8.5, 8.5),
   타입 = "scatter3d",
   모드 = "라인",
   줄 = 리스트(color = "#1f77b4", 너비 = 8),
   이름 = "수도관"
   ) %>%
   add_text(
   x = 3, y = 6, z = 8.6,
   텍스트 = "수도선",
   textfont = list(크기 = 14, color = "darkblue"),
   showlegend = 거짓
   ) %>%
   레이아웃(
   제목 = "모의 유기체 A",
   장면 = 목록(
   xaxis = list(제목 = "X 좌표", tickvals = x_vals),
   yaxis = list(제목 = "Y 좌표", tickvals = y_vals),
   zaxis = list(title = "log10 CFU")
   )
   )
   피가
6. 가금류 우리 내 pH 수준을 시각화하는 데 사용되는 코드는 보충 파일 1 을 참조하십시오.

5. 실험용 가금류 모래 미생물 집계에 대한 3D 모델 적용

1. 펜 내에서 정의된 격자 배치에서 가금류 모래 샘플을 채취하고 공간 좌표를 사용해 샘플링 위치를 기록하세요.
   참고: 본 연구에서는 위스콘신 대학교 매디슨 캠퍼스의 가금류 우리에서 정의된 격자 배치를 사용하여 샘플을 채취했습니다. 샘플은 5× 7m 격자 배치로 채취되었습니다.
2. 각 샘플링 위치에서 정해진 양의 쓰레기를 무게 측정한 후 인산 완충 식염수(PBS) 또는 이에 상응하는 희석제에 부탁하여 초기 희석액을 준비합니다.
   참고: 본 연구에서는 Whirl-Pak 백을 사용해 각 장소당 1g의 모래를 수집하고, 인산염 완충 생리식염수(PBS)에 1:10 희석했습니다.
3. 적절한 배지에 배양된 채 배양 후 배양하여 미생물 열거를 수행합니다.
   참고: 본 연구에서는 삼입산 대두 한천(TSA)에 점평판법을 사용해 샘플을 복제하여 37°C에서 24시간 배양하였습니다. 미생물 계집계에 필요한 재료는 재료표에 나열되어 있습니다.
4. 미생물 풍부도를 집단 형성 단위(CFU)로 정량화하고, 분석용 로그₁₀ 변환을 적용합니다.
5. 처리된 미생물 데이터를 계산 워크플로우에 통합하고 필요한 입력 구조에 맞게 포맷하세요.
6. 위에서 설명한 방법을 사용하여 펜 전체에 걸친 미생물 풍부도를 나타내는 3D 공간 시각화를 생성하세요.
   참고: 본 연구에서는 샘플링된 펜 전체에 걸친 호기성 박테리아 개체 수를 시각화하기 위해 시각화되었습니다.

6. 통계 분석

1. 미생물 풍부도와 환경 변수의 공간 패턴을 요약하기 위한 기본 통계 분석을 수행합니다.
2. 실험용 가금류 모래 데이터셋에만 통계 분석을 수행하세요. 시뮬레이션된 데이터셋은 시각화 시연용으로만 사용하며 통계 검사에는 포함하지 마십시오.
3. 재현 측정이 가능할 때 각 격자 위치의 평균값을 계산합니다.
4. 선형 회귀분석을 사용하여 미생물 풍부도와 환경 랜드마크로부터의 거리 간의 관계를 평가합니다.
5. 환경 랜드마크의 알려진 격자 위치를 이용해 거리를 계산하세요. 거리를 연속적인 변수로 간주하세요.
6. 결과를 활용해 공간적 경향을 탐구하고 시각화 해석을 지원하며, 인과적 생물학적 관계를 확립하는 데 활용하세요.

Results

3D 모델을 설명하기 위한 미생물 및 물리화학 시뮬레이션 데이터
본 연구는 시뮬레이션 데이터를 바탕으로 가금류 우리(생물 A와 생물 B)의 미생물 풍부도와 쓰레기 pH를 시각화하는 코드를 제공합니다. 결과물은 격자 기반 모델을 기반으로 미생물 수(그림 3A,B)와 pH(그림 3C; 상호작용 경험은 보충 파일 3 참조)를 시각화합니다. 시뮬레이션된 pH 값은 펜 전체에 걸쳐 공간적 변화를 보여주었으며, 격자를 따라 점진적으로 변화하는 것이 부과된 공간 구배에 대응했습니다. 텍스트 중단 없이 전체 코드는 보충 파일 1에서 확인할 수 있습니다.

3D 모델의 실험적 가금류 모래 미생물 수에 적용
모델이 실제 생태 데이터를 어떻게 활용하는지 보여주기 위해, 가금류 모래에서 측정된 호기성 박테리아 수를 지도화하고 통계적으로 분석하여 선형 회귀 모델(LRM)을 사용해 환경적 지점(예: 먹이통, 수도관)과의 거리가 박테리아 개체 수에 미치는 영향을 평가했습니다. 분석에 사용된 실험 데이터셋은 보충 파일 2에 제공되어 있습니다. 3D 시각화는 펜 전체에서 유산소 수치의 뚜렷한 차이를 보여주었으며, 이 방법이 가금류 사육 환경 내 실제 미생물 분포를 효과적으로 표시할 수 있음을 보여주었습니다(그림 4; 상호작용 경험은 보충 파일 3 참조). 이러한 시각화는 특정 환경 특징 근처에 박테리아 개체수가 더 많은 국지적 영역이 존재하는 이질적인 공간적 분포를 드러냈습니다. 가금류 우우리 전역에서 유산소 농도는 5.9에서 8.6 log₁₀ CFU/g 사이였으며, 수면 근처에서 가장 높은 농도가 검출되고 중앙 먹이통 주변과 수면에서 낮은 농도가 관찰되었습니다. 평균 유산소 풍부도는 수선 근처의 8.0 log₁₀ CFU/g에서 가장 먼 기록 거리에서 7.4 log₁₀ CFU/g로 감소했습니다. 미생물 계수는 각 샘플링 위치에서의 복제 측정값의 평균값을 나타냅니다. 더불어, 수면에서의 거리는 호기성 박테리아 부하의 유의미한 예측 변수였으나(LRM, P < 0.05), 먹이통과 입구로부터의 거리는 그렇지 않았다(LRM, P > 0.05). 이러한 정량적 결과는 3D 표면 그래프에서 관찰된 시각적 추세를 뒷받침하며, 수분원에서 멀어질수록 미생물 풍부도가 명확히 감소함을 보여줍니다. 궁극적으로 이 결과들은 3D 격자 기반 프레임워크가 가금류 배변 데이터셋에서 공간적 이질성을 시각화하고 분석하는 데 실용적인 접근법을 제공함을 보여줍니다. 시뮬레이션 및 실험 데이터를 모두 활용하여 이 모델은 국지적인 미생물 분포 패턴을 포착하고, 펜 내 박테리아 개체 수와 환경 특성 간의 연관성을 통계적으로 해석할 수 있게 했습니다.

그림 1: 샘플 채취용 가금류 우리의 격자 배치. 가금류 우리를 가리에 걸쳐 공간 좌표와 샘플링 위치를 정의하는 데 사용되는 격자 기반 샘플링 프레임워크의 도식적 표현. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2: 스프레드시트 형식의 시뮬레이션 데이터 레이아웃 예시. 샘플 식별자, 공간 좌표(X와 Y), 그리고 분석에 사용되는 미생물 또는 물리화학적 변수를 보여주는 대표적인 스프레드시트 구조. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 가금류 우리 전역의 미생물 수치와 pH의 공간 분포를 시뮬레이션 한 모의 분포. (A) 모의 생물체 A 카운트, (B) 모의 미생물 B 카운트, (C) 격자 기반 3D 공간 모델을 사용해 시각화한 시뮬레이션된 pH 값. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4: 가금류 우리에 걸친 호기성 박테리아 수의 공간적 분포. 3D 표면 플롯은 거리(X–Y 좌표)에 따라 호기성 박테리아 수(log CFU/g)의 변동을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

매개변수	가치
분포	정상
민 (μ)	8.26
SD (σ)	0.77
분포	7.10–9.37
공간 패턴	선형 구배(Y-방향)
소음	정규 (μ=0, 분산 적음)
무작위 시드	10

표 1: 시뮬레이션된 미생물 데이터셋 생성에 사용되는 매개변수. 시뮬레이션 미생물 데이터를 생성하는 데 사용된 분포 매개변수(평균, 표준편차, 값 범위, 공간 구배 설정 등)의 요약입니다.

칼럼 이름	설명	데이터 타입	필수
펜	펜 또는 처리 그룹 식별자	본문	네
X	격자 내 X 좌표 위치	수치	네
Y	격자 내 Y 좌표 위치	수치	네
Log10_CFU_A	로그 형질전환 미생물 계수 (생물체 A)	수치	네
Log10_CFU_B	로그 변환 미생물 개체수 (생물체 B)	수치	선택 사항
pH	측정된 pH 값	수치	선택 사항
랜드마크 거리	환경 요소(예: 수도관)로부터의 거리	수치	선택 사항

표 2: 공간 분석을 위한 필수 입력 데이터셋 구조. 샘플 식별자, 공간 좌표, 미생물 또는 물리화학적 측정값 등 필수 변수 목록과 해당 데이터 형식.

보조 파일 1: 미생물 및 pH 공간 시각화 시뮬레이션 생성 코드.R 스크립트는 시뮬레이션된 데이터셋을 처리하고 생물체 A, 생물 B, 그리고 가금류 우리의 pH에 대한 3D 표면 플롯을 생성하는 데 사용되었습니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 2: 실험적 가금류 쓰레기 미생물 데이터셋. 3D 시각화 및 통계 분석에 사용되는 호기성 박테리아 수와 관련 공간 좌표를 담은 스프레드시트. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 파일 3: 인터랙티브 3D 시각화 접근 링크 및 QR 코드. QR 코드 및 해당 웹 링크에서 시뮬레이션 및 실험 데이터셋의 인터랙티브 3D 그래프에 접근할 수 있습니다.이 파일을 다운로드하려면 여기를 클릭하세요.

Discussion

본 연구에서 제시된 시뮬레이션 기반 그래프는 가금류 모래 환경 내 미생물 및 물리화학적 분포의 시각화를 향상시키기 위한 3D 공간 지도의 잠재력을 입증하기 위해 개발되었습니다(보충 문서 3). 더 나아가, 이 접근법을 미생물 집계 데이터와 펜 내 환경 및 공간 마커와 결합하여 국소적 분포 패턴을 평가하고 거리 의존적 관계를 식별하였습니다(보충 문서 3).

현재 프로토콜에서 중요한 단계는 격자 기반 샘플링 프레임워크의 정확한 확립입니다. 3D 표면은 신뢰할 수 있는 공간 좌표에 의존하기 때문에, 원점의 정확한 지정, 균일한 간격, 그리고 X와 Y 위치를 정밀하게 기록하는 것이 필수적입니다. 이 방법에서 가장 노동 집약적인 부분은 격자를 배치하고 각 샘플이 지정된 좌표와 환경적 랜드마크(예: 급수관, 수도관, 진입 지점, 난방 구역)에 해당하는지 확인하는 것입니다. 이 단계에서 작은 위치 오차가 이후 분석에 영향을 줄 수 있습니다. 더 크거나 상업적인 환경에서는 레이저 기반 측정 도구나 유사한 위치 측정 도구가 노동을 줄이고 재현성을 높일 수 있습니다. 펜 랜드마크에 대한 세심한 주석도 중요한데, 이러한 특징들은 새의 활동, 습기, 영양분 분포에 의해 생성된 쓰레기 환경에서 미생물 구배를 이해하는 생태학적 맥락을 제공하기 때문입니다².

현재 프로토콜은 더 넓은 농업 응용 분야에 적용 가능합니다. 미생물 수와 pH 외에도 수분, 온도, 영양분 분포, 암모니아 관련 측정값, 또는 시퀀싱에서 유래한 미생물 군집 특징 등 다른 쓰레기 또는 바닥 관련 변수에도 적용할 수 있습니다. 실질적인 수정으로는 펜으로 데이터를 그룹화하고, 기록된 데이터셋에서 동적으로 행렬을 생성하며, 그래프 작성 전에 누락값을 선별하는 방법이 있습니다. 일반적인 문제 해결 단계로는 좌표 라벨을 숫자 값으로 변환하고, 공유 지점에서 복제 값을 평균화하며, 중복 또는 누락된 좌표 확인, 행렬 구조가 원래 펜 배치와 일치하는지 확인하는 것이 포함됩니다. 이 프레임워크는 다변량 분석과 쓰레기 깊이를 포함하도록 확장할 수 있어, 수평 및 수직 이질성 모두를 평가할 수 있습니다.

몇 가지 제한점도 인정해야 합니다. 이 방법은 본질적으로 샘플링 해상도나 생물학적 표현을 향상시키는 것이 아닙니다; 대신 수집 후 데이터의 공간적 조직과 해석을 개선합니다. 따라서 최종 모델의 품질은 샘플링 설계와 현장 실행의 일관성에 달려 있습니다. 그리드 건설은 육체적으로 힘들고 시간이 많이 소요될 수 있습니다. 또한, 성공적인 구현에는 컴퓨터 접근과 기본 데이터 처리 기술이 필요합니다. 명명 패턴, 좌표 입력, 그리드 셀의 누락은 행렬 생성을 방해하거나 오해를 불러일으키는 시각화를 만들 수 있습니다. 전반적으로 현재의 접근법은 형식적 공간 통계나 기전적 추론을 대체하기보다는 탐색적이고 시각화 기반의 프레임워크로 봐야 합니다.

이러한 한계에도 불구하고, 이 프로토콜은 집합 샘플과 고립된 점 측정에 의존하는 일반적인 접근법에 비해 명확한 장점을 제공합니다. 이는 펜 3,4,5,6,7 펜 내에서 미세한 공간 변동을 가릴 수 있습니다. 이번 연구에서는 호기성 박테리아 개체 수를 적용해 미생물 집단이 가금류 배변 내에 공간적으로 집단화될 수 있음을 보여주었습니다. 구체적으로, 박테리아 개체수는 수면 근처에서 더 많았고 펜 중앙으로 갈수록 감소하여 3D 표면 플롯에 명확한 구배가 나타났습니다(보충 파일 3). 이러한 패턴은 특히 습기와 같은 지역적 환경 조건이 가금류 배변 내 미생물 분포에 강한 영향을 미칠 수 있다는 해석을 뒷받침합니다. pH와 영양소 조성 같은 추가 변수들이 이러한 관계를 더욱 명확히 할 수 있습니다. 이전 연구들도 가금류 쓰레기 미생물 군집과 환경 조건이 pH, 사료 유출, 조류 활동에 따라 공간에 따라 다르다는 것을 보여주었다^. 미생물 또는 물리화학적 측정값을 동물 환경 내 정의된 위치와 연결함으로써 이러한 패턴을 더 가시적이고 해석 가능하게 만듭니다. 또한 토양 및 농학 과학에서 구배, 얼룩성, 국지적 초점을 식별하는 공간 지도 작성 접근법과 병행하며, 이러한 개념을 동물 생산 시스템^{11, 12, 13}에 적용합니다. 미래에는 우리, 떼, 생산 주기에 걸친 반복적인 공간 지도 작성이 미생물 핫스팟의 예측 모델링과 고위험 생태 구역의 보다 목표 지향적인 관리를 지원할 수 있습니다.

3D 시각화가 데이터의 정확성이나 정밀도를 향상시키지는 않지만, 가금류 배변의 미생물 패턴과 추세에 영향을 미치는 통계적으로 중요한 요인들의 해석을 향상시킵니다. 더 접근하기 쉬운 시각화는 모래 수정, 조류 건강, 침구 교체에 관한 의사소통과 정보에 기반한 의사결정을 지원할 수 있습니다^{14, 15, 16}. 연구 활용을 넘어, 이 도구는 가금류 생산자와 학술^{확장 인력}에게 실용적인 가치를 지닙니다. 이 3D 플롯은 농장 관리자, 이해관계자, 소규모 가금류 생산자가 복잡한 미생물 데이터를 보다 접근하기 쉽고 실행 가능한 형식으로 제시하는 효과적인 도구로 활용될 수 있습니다¹⁷. QR 코드를 통해 휴대전화에서 이 플롯에 접근할 수 있는 기능은 현장 기반 기술 지원에 대한 유용성을 더욱 높일 수 있습니다. 가금류 생산이 센서 기술과 데이터 생성으로 계속 발전함에 따라, 이러한 접근법은 통합 가금류 정보학 분야에서 점점 더 유용해질 수 있습니다 ^18,19.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
분석 균형	피셔 사이언티브	15997490	모래 무게 측정용(예: 샘플당 10g)
인터넷 접속이 가능한 컴퓨터	어떤 것이든	해당 없음	RStudio 실행 시
인큐베이터 (37 & deg; C)	써모 사이언티픽	50125590H	24시간 동안 박테리아 증식을 위해
미생물학적 배지 (TSA)	BD 디프코	236950	호기성 박테리아를 열거하기 위해
인산염 완충 식염수(PBS)	써모피셔 사이언티브	10010023	희석 및 미생물 현탁액에 사용됩니다
가금류 모래 샘플	가금류 육계장 또는 연구용 펜	해당 없음	격자 기반 설계로 수집된 신선한 모래
R 패키지: plotly, dplyr, htmlwidgets	크랜	https://cran.r-project.org	3D 시각화 및 데이터 처리를 위해
R 통계 컴퓨팅 환경 (v4.3 이상)	R 프로젝트	https://cran.r-project.org	cran.r-project.org
RStudio (v2024.12.0.467 또는 이후)	가설	https://posit.co/download/rstudio-desktop	posit.co
스프레드시트 소프트웨어 (엑셀, 구글 시트)	마이크로소프트/구글	https://www.microsoft.com/exce	RStudio로 가져오기 전에 데이터를 정리하기
멸균 10mL 원뿔관	써모피셔 사이언티브	339650	알리코트 운반을 위해
멸균 피펫 및 팁	피셔 사이언티브	해당 없음	정확하고 무균 액체 취급을 위해
멸균 Whirl-Pak 백	나스코	B01062	샘플 채취 및 균질화를 위해
보텍스 믹서	VWR	10153-838	샘플 균질화를 위해