2017년 11월 1일
생활 테이블 곤충 인구에 있는 근원의 정량화 및 사망률의 속도 허용 하 고 이해, 예측 하 고 agroecosystems의 인구 역학을. 실시 하 고 무 미 숙 생활 단계와 곤충에 대 한 필드에서 코 호트 기반 생활 테이블 분석 방법 제시 됩니다.
이 코호트 기반 생명표 접근 방식의 전반적인 목표는 현장에서 곤충 개체군의 사망률을 직접 정량화하고 사망 원인을 식별하는 것입니다. 이 방법은 개체군의 사망률에 기여하는 요인을 이해하고 궁극적으로 개체군이 증가하고 감소하는 속도를 이해하는 것과 같은 개체군 역학의 주요 질문에 답하는 데 도움이 될 수 있습니다. 이 기술의 가장 큰 장점은 현장의 현실적인 조건에서 여러 원인으로 인한 사망률과 원인을 직접 측정한다는 것입니다.
이 방법에 대한 아이디어는 곤충이 미성숙 단계에서 움직이지 않는다는 것을 알았을 때 처음 떠올랐습니다. 이를 통해 우리는 개별 곤충의 운명을 직접 따를 수 있습니다. 대학원생인 이사도라 보르디니(Isadora Bordini)와 실험실 기술자인 프란시스코 보조르케스(Francisco Bojorquez)가 시연
을 맡습니다.곤충이 존재하면 작물이 자라는 동안 언제든지 생명표를 준비하십시오. 연구를 시작할 시기의 선택은 연구의 목표와 목적에 따라 달라집니다. 플롯 중앙 근처에 있는 두 행의 작물을 선택하여 주변 플롯 또는 경작되지 않은 지역의 가장자리 효과를 최소화합니다.
각 줄의 머리에는 철사, 깃발 또는 나무 말뚝을 표시하십시오. 3-4미터 줄에서 샘플링 사이트를 선택합니다. 이후의 관찰을 단순화하기 위해 한 행을 선택하여 난자 코호트를 설정하고 두 번째 행을 선택하여 유충 코호트를 설정합니다.
난자 코호트에는 최소 50개의 난자가 포함되어야 합니다. 행동과 식물 성장의 결과로, Bemisia tabaci의 생활 단계는 일반적으로 캐노피에 수직으로 분포하며 알은 위쪽 근처에 있고 아래쪽에는 점진적으로 나이가 많은 애벌레 단계가 있습니다. 8x 핸드 렌즈를 사용하여 나뭇잎 아래쪽에 새로 낳은 알을 찾습니다.
이상적으로는 핸드 렌즈의 측면에 펜이 들어갈 수 있는 구멍이 있어야 합니다. 연구에서 각 식물에 대해 알이 있는 잎 하나를 찾으십시오. 다음으로 15x 렌즈를 사용하여 보다 세심하게 검사합니다.
계란은 성숙함에 따라 황갈색으로 어두워지므로 신선한 계란은 밝은 흰색을 띠고 오래된 계란과 차별화됩니다. 이 프로토콜의 가장 중요한 측면은 새로 낳은 알과 새로 정착한 첫 번째 인스타 애벌레를 정확하게 식별하는 것입니다. 정확한 결과를 얻으려면 생명표 관찰이 각 수명 단계의 맨 처음부터 시작하는 것이 중요합니다.
알을 찾은 후 무독성 초미세 점 검은색 영구 마커를 사용하여 알 주위에 작은 원을 그립니다. 그 안에 다른 알이 낳지 않도록 원을 작게 유지하십시오. 같은 잎에 4개의 다른 부문에서 최대 4개의 계란을 표시합니다.
목화잎에는 주요 잎맥으로 나뉘어진 4개의 구역이 있습니다. 잎 부문당 하나의 알만 선택하십시오. 잎자루의 잎자루 주위에 있는 작고 가벼운 판지 태그를 사용하여 표시된 잎을 식별하고 실험 설계에 따라 플롯 또는 처리 번호를 표기합니다.
그런 다음 식물 상단 근처에 눈에 잘 띄는 깃발을 부착하십시오. 이제 줄을 따라 더 멀리 떨어진 다음 식물에서 알을 찾는 것으로 이동합니다. 하루 만에 코호트를 설정할 수 있습니다.
정상적인 애리조나 여름 조건에서는 알이 5-7일 안에 부화하기 때문에 잎은 8-10일 안에 모을 준비가 됩니다. 건강한 난자가 모두 부화할 수 있도록 채취 시간을 조정하십시오. 현장에서는 난자가 너무 작아서 현장에서 사망률과 사망 원인을 명확하게 평가할 수 없습니다.
따라서 탈구, 포식 또는 생존 불능과 같은 사망의 원인은 실험실에서 해부 현미경으로 결정됩니다. 알이나 유충의 사망 원인을 정확하게 식별하는 것이 중요한데, 이는 개체군 성장과 조절에 영향을 미치는 요인에 대해 도출할 수 있는 생태학적 추론에 영향을 미치기 때문입니다. 알이 날씨나 씹는 포식으로 인해 사라졌다면 제거된 것입니다.
알이 붕괴된 융모막으로 렌더링된 경우, 이는 포식으로 분류됩니다. 부화한 알도 접힌 것처럼 보이지만 작은 핀을 사용하여 찾을 수 있는 융모막에 수직 슬릿이 있습니다. 알이 부화하지 못하면 실행 불가능한 것으로 분류하십시오.
8x 핸드 렌즈를 사용하여 나뭇잎 아래쪽에 새로 정착한 첫 번째 인스타 애벌레를 찾습니다. 이러한 잎은 목화 식물의 꼭대기에서 약 3-5 개의 마디로 이루어질 것입니다. 애벌레가 발견되면 15x 렌즈를 사용하여 자신의 단계를 확인합니다.
각 연구에서 최소 50마리의 유충을 찾습니다. 행을 따라 잘 분포된 식물을 선택하고 하루 만에 코호트를 설정합니다. 이전과 마찬가지로 식별된 유충 주위에 작은 원을 그립니다.
잎당 최대 4개의 유충을 각각 다른 섹터에 표시하고 다음 식물로 진행합니다. 갓 부화한 첫 번째 인스타 애벌레는 정착하기 전에 몇 센티미터 위로 이동할 수 있으며 몇 시간이 걸릴 수 있습니다. 정착 된 유충은 움직이지 않고 잎에 더 단단히 눌려 있으며 더 반투명한 호박색을 띠기 때문에 기어 다니는 유충과 구별 할 수 있습니다.
나이가 많은 첫 번째 instar 애벌레는 털갈이가 가까워지면서 부풀어 오르고 뻣뻣한 것처럼 보입니다. 플롯 또는 치료 번호에 대한 표기가 있는 태그를 표시하고 잎의 잎자루에 고정합니다. 그런 다음 식물 상단 근처에 눈에 잘 띄는 깃발을 부착하십시오.
잎 섹터 정보를 포함하여 유충의 위치를 자세히 기록하십시오. 유충을 식별한 지 한두 시간 후에 기어 다니는 유충이 동그라미를 치지 않았는지 다시 확인하십시오. 필요에 따라 정착한 애벌레에 대해 언급합니다.
코호트 확립 후 1-2일 후에 15x 렌즈를 사용하여 유충의 발달을 평가하고 죽은 경우 사망 원인을 지정합니다. 일주일에 최소 3회 또는 이틀에 한 번씩 관찰합니다. 죽음은 instar에 따라 쫓겨남, 기생, 포식 또는 알 수 없음으로 특징 지어집니다.
코호트의 일반적인 생명표는 각 생애 단계 내의 각 요인에 대한 한계 사망률을 제공합니다. 이러한 비율을 K 값으로 변환하면 모든 요인에 대한 단계별 사망률과 모든 단계에 대한 요인별 사망률을 총 세대 사망률과 마찬가지로 쉽게 추정할 수 있습니다. 3년간의 연구에서 이러한 기술을 사용하여 포식자를 빨아먹는 포식자의 한계 포식률이 광범위한 살충제를 살포했을 때 현저히 감소하는 것으로 나타났습니다.
대체할 수 없는 사망률의 패턴도 비슷했다. 일반적으로 포식은 대체할 수 없는 사망률이 가장 높았지만 살충제 사용으로 인해 이 수치가 크게 감소했습니다. 기생충은 또한 대체할 수 없는 낮은 수준의 사망률을 제공했다.
4개의 반복 실험 플롯에 대한 데이터에서 이루어진 핵심 요인 분석은 3년 동안 총 9개의 코호트로 결합되었습니다. 궁극적으로, 포식은 세대 간 사망률의 변화와 가장 밀접한 관련이 있었다. 이 기술을 마스터하면 플롯당 약 30분 안에 완료할 수 있지만 곤충 밀도에 따라 크게 달라질 수 있습니다.
이 절차를 시도하는 동안 식물 품질이 변경되지 않도록 조작되는 잎에 가해지는 스트레스를 최소화하는 것을 기억하는 것이 중요합니다. 또한 관찰자 효과를 차단하기 위해 반복실험당 단일 관찰자를 사용해야 하며 모든 관찰자는 관찰 기준의 균일성을 향상시키기 위해 자주 만나야 합니다. 이 비디오를 시청한 후에는 사망 원인을 파악하기 위해 곤충을 찾고, 표시하고, 관찰하는 것을 포함하여 현장에서 움직이지 않는 곤충을 위한 생명표를 설정하는 방법을 잘 이해하게 될 것입니다.
특히 여름철에 현장에서 장기간 작업하는 것은 어려울 수 있으며 작업을 안전하게 수행하려면 적절한 복장과 수분 공급이 필요하다는 것을 잊지 마십시오.
전체 스크립트를 보고 수천 개의 과학 동영상에 액세스하세요
본 논문은 곤충 집단, 특히 이동성이 없는 미성숙 단계의 사망률을 정량화하기 위한 코호트 기반의 생명표 접근법을 제시합니다. 이 방법은 사망 원인을 식별하고 농업 생태계의 집단 역학을 이해하는 데 기여하는 것을 목표로 합니다.
이 코호트 기반 생명표 방법은 곤충 집단의 사망 원인을 정밀하게 정량화할 수 있게 하여, 해충 관리 연구의 표적 검증을 지원합니다. 야외 조건에서 이동성이 없는 미성숙 단계를 추적함으로써, 농약 및 생물학적 방제 전략에 대한 기전적 리스크 감소를 제공합니다. 이 접근 방식은 작물 보호 파이프라인을 위한 집단 역학 모델링의 예측 신뢰도를 높여줍니다.
가설 검증부터 리드 물질 발굴에 이르는 발견 연속체 내에서 본 방법의 위치를 설정하여, 해충 방제 개발 과정에서의 생물학적 리스크 감소(de-risking)를 지원합니다.