Interactieve 3D-ruimtelijke visualisaties van microbiële overvloed in pluimveebakvulling genereren met behulp van RStudio

Summary

Hier presenteren we een protocol voor het genereren van een interactieve driedimensionale visualisatie van microbiële tellingen en pH in een pluimveestal met behulp van grid-gebaseerde bemonsteringsgegevens.

Abstract

Traditionele beoordelingen van de microbiologie en fysisch-chemische samenstelling van pluimveestrooisel zijn vaak gebaseerd op statische tabellen of tweedimensionale visualisaties die mogelijk de ruimtelijke heterogeniteit binnen de omloop van de ren niet vastleggen. Dit protocol beschrijft interactieve driedimensionale (3D) visualisaties die microbiële enumeratiegegevens en omgevingsparameters in een pluimveestal integreren. Er werd een raster-gebaseerde lay-out gebruikt om de bemonstering van de pen te benaderen, en eerst werden gesimuleerde datasets gegenereerd om de workflow te demonstreren. De experimentele dataset werd gebruikt om ruimtelijke gradiënten te evalueren ten opzichte van omgevingskenmerken, waaronder de waterleiding, voeders en de ingang van het hok. Gegevens werden verwerkt in RStudio met behulp van plotly om interactieve 3D-plots te genereren. De aerobe bacteriële belastingen varieerden van 5,9 tot 8,6 log₁₀ CFU/g, met aanzienlijk hogere abundantie nabij de waterlijn (P = 0,023) en lagere aantallen bij toenemende afstand van het kenmerk. De resulterende oppervlaktegrafieken benadrukten visueel de clustering van microbiële populaties rond vochtrijke gebieden en toonden het nut van het kader voor het interpreteren van ruimtelijke patronen van microbiële gemeenschappen in pluimveeafval. Hoewel verdere evaluatie onder commerciële pluimveeomstandigheden nodig is, biedt het huidige protocol een reproduceerbare methode om ruimtelijke heterogeniteit in pluimvee-strooiteldatasets te visualiseren en te analyseren.

Introduction

De pluimvee-industrie omvat leg- en vleesvleesverzorgingssystemen, die elk aanzienlijke hoeveelheden pluimveeafval genereren door de ophoping van bodemmateriaal, uitwerpselen, voederdeeltjes, veren, gebroken eierschalen en vocht in de loop van de tijd ^1,2,3. Dit strooisel kan verschillende microbiële populaties ondersteunen, afkomstig van vogels, insecten, knaagdieren en aerosolen ^2,3. Sommige van de micro-organismen kunnen pathogenen bevatten, zoals Salmonella, die ziekten bij vogels kunnen veroorzaken en^een volksgezondheidszorg vormen. Omdat pluimveestrooisel op land als meststof ^4,5 kan worden toegepast, heeft begrip van microbiële verspreiding gevolgen voor milieumonitoring, de gezondheid van de kudde en voedselveiligheid.

Vertegenwoordigende pluimveebemonstering is daarom belangrijk voor het karakteriseren van microbiële gemeenschappen en het detecteren van potentiële ziekteverwekkers. Methoden voor het bemonsteren van pluimveegrit zijn al tientallen jaren onderzocht, waaronder sleepstaafjes, het verzamelen van uitwerpselen, directe gruitvulling, wegwerpschoenhoezen of laarzensokken ^6,7. De locatie van de monsterverzameling bepaalt echter sterk hoe goed de gegevens de algehele omstandigheden van het pluimveestrooisel weergeven. Omdat vogels zich door het huis bewegen en omgevingsfactoren zoals waterbakken, voeders, ventilatoren en koel- of verwarmingskussens lokale omgevingen creëren, zijn de microbiële populaties van pluimveestrooisel en voedingsstoffen niet gelijkmatig verdeeld 3,8,9,10. Daarom is het meenemen van heterogeniteit bij het interpreteren van zwerfafvalgerelateerde gegevens essentieel voor effectief beheer en het behouden van de gezondheid van de kudde.

Ruimtelijke mappingbenaderingen zijn op grote schaal toegepast in agronomie en bodemkunde om microbiële en fysisch-chemische heterogeniteit en gelokaliseerde hotspots te visualiseren^11,12. Wanneer echter pluimvee-littergegevens worden verzameld over meerdere regio's binnen een hok, kunnen ruimtelijke trends moeilijk te interpreteren zijn uit numerieke waarden ^8,9. Driedimensionale (3D) visualisatie biedt een praktische benadering voor het integreren van microbiële en fysisch-chemische metingen met ruimtelijke coördinaten om interactieve oppervlaktemodellen^{te genereren 13,14}. In vergelijking met statische 2D-modellen staan 3D-modellen rotatie, in- en uitzoomen en dieptegebaseerde visualisatie van gradiënten over het bemonsteringsrooster toe, wat de interpretatie van ruimtelijke patronen binnen de pluimveeboerderijomgeving kan verbeteren.

Het huidige protocol beschrijft een gestructureerde en reproduceerbare benadering voor het genereren van interactieve 3D-visualisaties van microbiële en fysischchemische gegevens van pluimveestrooisel, verzameld met behulp van een raster-gebaseerde lay-out en geanalyseerd in RStudio. Gesimuleerde microbiële en fysisch-chemische gegevens worden eerst gebruikt om de visualisatieworkflow te demonstreren, gevolgd door toepassing van de aanpak op experimentele microbiële tellingen van pluimveestrooitel. Het doel van dit protocol is het bieden van een reproduceerbaar kader voor het visualiseren van ruimtelijke heterogeniteit in pluimveestrooiteldatasets en het ondersteunen van de interpretatie van microbiële distributiepatronen in relatie tot kenmerken van pluimveehokken.

Protocol

Dit protocol gebruikt een gesimuleerde dataset voor microbiële en pH-waarden om elke stap van de visualisatieworkflow te demonstreren, gevolgd door toepassing op experimentele pluimvee-strooiteltellingen om het gebruik van experimentele data te illustreren en statistische interpretatie van afstandsgerelateerde microbiële associaties te ondersteunen. Er werden geen levende dierprocedures uitgevoerd. Littermonsters werden verzameld uit een pluimveestal zonder direct contact met de dieren. Institutionele goedkeuring voor dierenzorg was daarom niet vereist.

1. Verzamel pluimveestrooiselmonsters en genereer microbiële abundantiegegevens

1. Stel een rastergebaseerd monsterschema op over de grillpen met consistente afstand over de box.
   OPMERKING: In kleinere pennen kan dit met een string grid-systeem, terwijl grotere pennen vlagmarkeringen kunnen gebruiken om elke bemonsteringslocatie te markeren. Het raster begint meestal linksonder in de pen, die als startpunt wordt beschouwd. Elke bemonsteringslocatie wordt geregistreerd met behulp van zijn rasterpositie.
2. Noteer de X- en Y-coördinaten van elke bemonsteringslocatie en omgevingspunten zoals toevoer, waterleiding, verwarmingslamp en ingang binnen hetzelfde raster, met behulp van één locatie of een lijn die hun positie weergeeft.
   OPMERKING: De X-richting loopt langs de lengte van de pen, en de Y-richting loopt over de breedte.
3. Voeg een kolom "Pen" op in de dataset om de pen of behandelgroep voor elke steekproeflocatie te identificeren (bijv. "P1", "P2").
   OPMERKING: Groeperen op basis van pen zorgt ervoor dat ruimtelijke analyses worden uitgevoerd binnen de juiste woonomgeving. Voor deze demonstratie werd een gestructureerd raster van 6 × 10 gedefinieerd over de penvoetafdruk, wat 60 bemonsteringslocaties (n = 60) uit 1 pen opleverde. Het raster van 6 × 10 werd gekozen om een uniforme ruimtelijke dekking over de hele pen te bieden, met een symmetrische, gelijkmatig verdeelde indeling. Een voorbeeld van de rasterindeling is te zien in Figuur 1.
4. Op elke bemonsteringslocatie verzamel je drie strooitelmonsters voor microbiële of fysisch-chemische analyse. Voor microbiële tests weeg je 10 g strooisel per replicaat en plaats je dit in 90 mL steriel gebufferd peptonwater om de eerste verdunning (10⁻¹) te maken. Meng het monster grondig om de suspensie te homogeniseren.
5. Bereid 10-voudige seriële verdunningen voor van het gemengde strooitelmonster en plaats 0,1 mL van elke verdunning op agarplaten.
   OPMERKING: Verschillende media kunnen worden gebruikt, afhankelijk van de groep bacteriën die worden gemeten. Zo kunnen aerobe bacteriën worden geplateerd op tryptisch sojaagar (TSA), melkzuurbacteriën op MRS-agar en Enterobacteriaceae op MacConkey-agar.
6. Bruit de platen uit bij 37 °C gedurende 24 uur en tel daarna de zichtbare kolonies. Bereken de microbiële abundantie als kolonievormende eenheden per gram strooisel (CFU/g) met behulp van:
   CFU/g = (kolonies geteld × verdunningsfactor) ÷ geplateerd volume
7. Rapporteer de gemiddelde waarde over replicaties.
   OPMERKING: De detectielimiet wordt bepaald door het geplateerde volume (0,1 mL), wat overeenkomt met ongeveer 10 CFU/mL in de geplateerde suspensie, of 100 CFU/g strooisel in het oorspronkelijke monster.
8. Registreer de resultaten van microbiële opsomming in een spreadsheet in numeriek formaat voor latere statistische analyse en visualisatie.
9. Maak een CSV-bestand aan met de volgende kolommen: Sample ID, X (ruimtelijke coördinaat), Y (ruimtelijke coördinaat), Xnum (numerieke sorteervolgorde voor X, optioneel), en microbiële tellingen of fysisch-chemische parameters zoals pH. Een voorbeeld van het gesimuleerde tabelblad is te zien in Figuur 2.
10. Genereer gesimuleerde microbiële abundantiewaarden met normaal verdeelde willekeurige waarden. Definieer het gemiddelde, de standaarddeviatie en het bereik op basis van empirische metingen. Breng een vaste willekeurige seed toe om reproduceerbaarheid te garanderen. Introduceer ruimtelijke gradiënten over het raster en voeg kleine willekeurige variaties toe om uniforme patronen te voorkomen.
    OPMERKING: Simulatieparameters die worden gebruikt voor gegevensgeneratie, waaronder distributietype, bereik en ruimtelijke structuur, worden samengevat in Tabel 1.

2. Het opzetten van de computeromgeving

1. Installeer en laad de benodigde statistische rekenpakketten.
   install.packages(c("plotly"))
   bibliotheek(plotly)
2. Importeer de CSV-dataset in de computeromgeving en stel een werkmap in.
   setwd("pad/naar/jouw/map")
   Dataset <- read.csv("path_to_your_file.csv")
   OPMERKING: De invoerdataset moet worden georganiseerd in spreadsheetformaat (CSV-bestand), waarbij elke rij een enkele steekproeflocatie vertegenwoordigt. De vereiste invoerdatastructuur en variabelendefinities worden samengevat in Tabel 2.

3. Bereid data voor en formatteer

1. Controleer het CSV-bestand op ontbrekende of inconsistente datawaarden.
   samenvatting(dataset)
   any(is.na(dataset))
2. Maak de dataset schoon indien nodig door 'NA'-waarden te verwijderen.
   Dataset <- na.omit(dataset)
3. Om de visualisatie van de grafieken te normaliseren en te verbeteren, maak je log-transformatie van microbiële tellingen.
4. Standaardiseer variabelennamen met consistente onderscore-gebaseerde notatie (bijvoorbeeld log10_CFU_A en log10_CFU_B) om de leesbaarheid en reproduceerbaarheid te verbeteren.
5. Pas log10-transformatie toe op microbiële tellingsgegevens om de variantie te stabiliseren en af te stemmen op standaard CFU-rapportagepraktijken.
   dataset$Log10_CFU_A <- log10(dataset$OrganismA_counts + 1)
   dataset$Log10_CFU_B <- log10(dataset$OrganismB_counts + 1)
6. Zorg ervoor dat de X- en Y-coördinatenwaarden numeriek zijn. Als de gegevens alfabetisch zijn, converteer dan naar numerieke waarden om nauwkeurig overeen te komen met de bemonsteringslocaties op het raster.
   OPMERKING: De uiteindelijke dataset moet alle unieke identificaties binnen het pencoördinatensysteem, numerieke ruimtelijke coördinaten en log-getransformeerde microbiële tellingen bevatten.

4. Interactieve 3D-visualisaties genereren

1. Controleer voordat je de ruimtelijke matrix construeert de structuur van de dataset om te garanderen dat het raster correct kan worden gegenereerd. Bereid vervolgens ruimtelijke datamatrices voor door meerdere onderdelen te combineren, zoals ruimtelijke coördinaten en log-getransformeerde bacteriële tellingen, zodat ze overeenkomen met de rasterindeling van de pen.
   OPMERKING: De code groepeert waarnemingen per Pen, X en Y, berekent het gemiddelde Log10_CFU_A op elk rasterpunt, en hervormt vervolgens de waarden tot een matrix op basis van de unieke X- en Y-coördinaten in de dataset.
   org1_means <- aggregate(Log10_CFU_A ~ Pen + Y + X,
   data = dataset,
   PLEZIER = gemener,
   na.rm = WAAR)
   org1_P1 <- subset(org1_means, Pen == "P1")
2. Orden de punten zodat de matrix correct wordt afgebeeld.
   x_vals <- sort(unique(org1_P1$X))
   y_vals <- sort(unique(org1_P1$Y))
   ncol_grid <- lengte(x_vals)
   nrow_grid <- lengte(y_vals)
   org1_mat_P1 <- matrix(org1_P1$Log10_CFU_A,
   nrow = nrow_grid,
   ncol = ncol_grid,
   byrow = ONJUIST)
3. Zorg ervoor dat er geen waarden ontbreken voor een gladde ogende grafiek.
   for(i in 1:ncol(org1_mat_P1)) {
   org1_mat_P1[is.na(org1_mat_P1[,i]), i] <- bedoel(org1_mat_P1[,i], na.rm=WAAR)
   }
4. Visualiseer de microbiële tellingen ruimtelijk als 3D.
   OPMERKING: Voor deze grafiek weerspiegelde de rastergrootte de ruimtelijke indeling van de dataset
   figA <- plot_ly(
   x = x_vals,
   y = y_vals,
   z = org1_mat_P1,
   type = "oppervlak", kleurschaal = lijst(
   c(0, "donkerblauw"),
   c(1, "groen")
   )
   )
5. Voeg omgevingskenmerken toe, zoals een waterleiding, om de afstand van microbiële tellingen of andere strooikelparameters tot dat punt te visualiseren, zodat gebruikers ruimtelijke patronen kunnen zien.
   figA <- figA %>%
   add_trace(
   x = c(1, 5),
   y = c(6, 6),
   z = c(8,5, 8,5),
   type = "scatter3d",
   modus = "lijnen",
   lijn = lijst (kleur = "#1f77b4", breedte = 8),
   naam = "Waterleiding"
   ) %>%
   add_text(
   x = 3, y = 6, z = 8,6,
   tekst = "Waterleiding",
   textfont = lijst (grootte = 14, kleur = "donkerblauw"),
   showlegend = VALS
   ) %>%
   Lay-out(
   titel = "Gesimuleerd Organisme A",
   scène = lijst(
   xaxis = lijst (titel = "X-coördinaat", tickvals = x_vals),
   yaxis = lijst (titel = "Y-coördinaat", tickvals = y_vals),
   zaxis = lijst (titel = "log10 CFU")
   )
   )
   figA
6. Raadpleeg Aanvullend Bestand 1 voor code die wordt gebruikt om pH-niveaus in het pLm-ren te visualiseren.

5. Toepassing van het 3D-model op experimentele microbiële tellingen van pluimveestrooisel

1. Verzamel pluimveestrooitelmonsters vanuit een gedefinieerd raster binnen het hok en registreer de bemonsteringslocaties met ruimtelijke coördinaten.
   OPMERKING: In deze studie werden monsters verzameld uit een pluimveestal aan de University of Wisconsin, Madison, WI, met behulp van een gedefinieerd raster. Monsters werden verzameld met een raster van 5 × 7 m.
2. Weeg een bepaalde hoeveelheid strooisel vanaf elke bemonsteringsplaats en suspendeer deze in fosfaatgebufferde zoutoplossing (PBS) of een gelijkwaardige verdunningsmiddel om een eerste verdunning voor te bereiden.
   OPMERKING: In deze studie werd per locatie 1 g strooisel verzameld met Whirl-Pak zakken en verdund met 1:10 in fosfaatgeborrelde zoutoplossing (PBS).
3. Voer microbiële optelling uit door strooitelmonsters op geschikte groeimedia te plaatsen en onder geschikte omstandigheden te incuberen.
   OPMERKING: In deze studie werden monsters dubbel plat gemaakt met een dot-platingmethode op tryptische sojaagar (TSA) en 24 uur geïncubeerd bij 37 °C. Materialen die nodig zijn voor microbiële opsomming zijn vermeld in de Materiaaltabel.
4. Kwantificeer de microbiële abundantie als kolonievormende eenheden (CFU) en pas log₁₀-transformatie toe op de data voor analyse.
5. Integreer de verwerkte microbiële data in de computationele workflow en formatteer deze volgens de vereiste invoerstructuur.
6. Maak een 3D-ruimtelijke visualisatie met behulp van de hierboven beschreven methoden om de microbiële abundantie in de pen weer te geven.
   OPMERKING: In deze studie werd de visualisatie gegenereerd om aerobe bacteriële abundantie over de bemonsterde pen weer te geven.

6. Statistische analyse

1. Voer basis statistische analyses uit om ruimtelijke patronen in microbiële abundantie en omgevingsvariabelen samen te vatten.
2. Voer alleen statistische analyses uit op de experimentele pluimvee-litterdataset. Gebruik de gesimuleerde datasets uitsluitend voor visualisatiedemonstraties en neem ze niet mee in statistische tests.
3. Bereken gemiddelde waarden voor elke rasterlocatie wanneer replicate-metingen beschikbaar waren.
4. Gebruik lineaire regressieanalyse om relaties te evalueren tussen microbiële abundantie en afstand tot milieukenmerken.
5. Bereken afstanden vanaf milieukenmerken met behulp van hun bekende rasterposities binnen de pen. Behandel afstanden als continue variabelen.
6. Gebruik de resultaten om ruimtelijke trends te verkennen en visualisatie-interpretatie te ondersteunen in plaats van causale biologische relaties vast te stellen.

Results

Gesimuleerde microbiële en fysisch-chemische gegevens ter illustratie van het 3D-model
De huidige studie biedt code om de hoeveelheid microbiële organismen (Organisme A en Organisme B) en de pH van het strooisel binnen een pluimveestal te visualiseren, gebaseerd op gesimuleerde gegevens. De resulterende 3D-grafieken visualiseerden microbiële tellingen (Figuur 3A, B) en pH (Figuur 3C; voor de interactieve ervaring, zie Aanvullend Bestand 3) op basis van het rastergebaseerde model. De gesimuleerde pH-waarden toonden ruimtelijke variatie over de pen, met geleidelijke veranderingen langs het raster die overeenkwamen met de opgelegde ruimtelijke gradiënten. De volledige code, vrij van tekstonderbrekingen, is beschikbaar in Aanvullend Bestand 1.

Toepassing van het 3D-model op experimentele microbiële tellingen van pluimveelitters
Om aan te tonen hoe het model werkt met daadwerkelijke ecologische gegevens, werden aerobe bacteriële tellingen uit pluimveestrooisel in kaart gebracht en statistisch geanalyseerd om het effect van afstand tot omgevingspunten, zoals voeders en waterleidingen, op bacteriële abundantie te beoordelen met behulp van een lineair regressiemodel (LRM). De experimentele dataset die voor de analyse wordt gebruikt, wordt verstrekt in Aanvullend Bestand 2. De 3D-visualisatie toonde duidelijke verschillen in aerobe tellingen in het hok, wat aantoont dat de aanpak effectief echte microbiële verdelingen binnen pluimveehuisvestingen kan weergeven (Figuur 4; voor interactieve ervaring, zie Aanvullend Bestand 3). Deze visualisaties toonden een heterogene ruimtelijke verdeling, met lokale gebieden met een hogere bacteriële abundantie nabij specifieke omgevingskenmerken. In het pluimveeverblijf varieerden de aerobe tellingen van 5,9 tot 8,6 log₁₀ CFU/g, met de hoogste concentraties nabij de waterlijn en lagere tellingen rond de centrale voeders en distal van de waterlijn. De gemiddelde aerobe abundantie daalde van 8,0 log₁₀ CFU/g nabij de waterlijn tot 7,4 log₁₀ CFU/g op de verst geregistreerde afstand. Microbiële tellingen vertegenwoordigen de gemiddelde waarden van replicatmetingen op elke bemonsteringslocatie. Bovendien was de afstand tot de waterlijn een significante voorspeller van aerobe bacteriële belasting (LRM, P < 0,05), terwijl afstanden tot de voeders en de ingang dat niet waren (LRM, P > 0,05). Deze kwantitatieve resultaten bevestigen de visuele trend die in de 3D-oppervlaktegrafieken is waargenomen, en tonen een duidelijke afname van de microbiële abundantie bij toenemende afstand tot vochtbronnen. Uiteindelijk tonen deze resultaten aan dat het 3D-grid-gebaseerde kader een praktische benadering biedt voor de visualisatie en analyse van ruimtelijke heterogeniteit in pluimvee-strooiteldatasets. Met behulp van zowel gesimuleerde als experimentele data legde dit model gelokaliseerde microbiële verdelingspatronen vast en maakte het verdere statistische interpretatie mogelijk van de associatie tussen bacteriële abundantie en omgevingskenmerken binnen het hok.

Figuur 1: Rasterindeling van de pluimveeren voor monsterafname. Schematische weergave van het grid-gebaseerde bemonsteringsraamwerk dat wordt gebruikt om ruimtelijke coördinaten en bemonsteringslocaties in het pluimveestal te definiëren. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 2: Voorbeeldindeling van gesimuleerde gegevens in spreadsheetformaat. Representatieve spreadsheetstructuur met monsteridentificaties, ruimtelijke coördinaten (X en Y) en microbiële of fysisch-chemische variabelen die voor de analyse worden gebruikt. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 3: Gesimuleerde ruimtelijke verdelingen van microbiële tellingen en pH over het pluimveestal. (A) Gesimuleerde tellingen van Organisme A, (B) gesimuleerde tellingen van Organisme B, en (C) gesimuleerde pH-waarden gevisualiseerd met een rastergebaseerd 3D-ruimtelijk model. Klik hier om een grotere versie van deze figuur te bekijken.

Figuur 4: Ruimtelijke verdeling van aerobe bacteriële tellingen over het pluimveehok. De 3D-oppervlaktegrafiek toont variatie in aerobe bacteriële tellingen (log CFU/g) over afstanden (X–Y-coördinaten). Klik hier om een grotere versie van deze figuur te bekijken.

Parameter	Waarde
Verspreiding	Normaal
Gemiddelde (μ)	8.26
SD (σ)	0.77
Verspreiding	7.10–9.37
Ruimtelijk patroon	Lineaire gradiënt (Y-richting)
Geluid	Normaal (μ=0, kleine variantie)
Willekeurig zaad	10

Tabel 1: Parameters gebruikt voor het genereren van de gesimuleerde microbiële dataset. Samenvatting van distributieparameters, inclusief gemiddelde, standaardafwijking, waardebereik en ruimtelijke gradiëntinstellingen die worden gebruikt om gesimuleerde microbiële data te genereren.

Kolomnaam	Beschrijving	Gegevenstype	Verplicht
Pen	Identificatie voor pen of behandelgroep	Tekst	Ja
X	X-coördinaten locatie op het raster	Numeriek	Ja
Y	Y-coördinatenlocatie op het raster	Numeriek	Ja
Log10_CFU_A	Log-getransformeerde microbiële telling (Organisme A)	Numeriek	Ja
Log10_CFU_B	Log-getransformeerde microbiële telling (Organisme B)	Numeriek	Optioneel
pH	Gemeten pH-waarde	Numeriek	Optioneel
Mijlpaalafstand	Afstand tot het milieuelement (bijv. waterleiding)	Numeriek	Optioneel

Tabel 2: Vereiste invoerdatasetstructuur voor ruimtelijke analyse. Lijst van vereiste variabelen, waaronder monsteridentificaties, ruimtelijke coördinaten en microbiële of fysisch-chemische metingen, samen met bijbehorende dataformaten.

Aanvullend Bestand 1: Code voor het genereren van gesimuleerde microbiële en pH-ruimtelijke visualisaties.R-script gebruikt om gesimuleerde datasets te verwerken en 3D-oppervlaktegrafieken te genereren voor Organisme A, Organisme B en pH in het pluimveestal. Klik hier om dit bestand te downloaden.

Aanvullend dossier 2: Experimentele microbiële dataset van pluimveestrooisel. Spreadsheet met aerobe bacterietellingen en bijbehorende ruimtelijke coördinaten gebruikt voor 3D-visualisatie en statistische analyse. Klik hier om dit bestand te downloaden.

Aanvullend Bestand 3: Interactieve 3D-visualisatie-toegangslinks en QR-codes. QR-codes en bijbehorende weblinks voor het benaderen van interactieve 3D-grafieken van gesimuleerde en experimentele datasets Klikhier om dit bestand te downloaden.

Discussion

De simulatie-gebaseerde grafieken die in deze studie worden gepresenteerd, zijn ontwikkeld om het potentieel van 3D-ruimtelijke mapping aan te tonen om de visualisatie van microbiële en fysisch-chemische verspreidingen binnen pluimvee-strooiselomgevingen te verbeteren (Aanvullend Bestand 3). Bovendien combineerden we deze aanpak met microbiële enumeratiegegevens en omgevings- en ruimtelijke markers binnen de pen om lokale verspreidingspatronen te beoordelen en afstandsafhankelijke relaties te identificeren (Aanvullend Bestand 3).

Een cruciale stap in het huidige protocol is de nauwkeurige opbouw van het grid-based sampling framework. Omdat het 3D-oppervlak afhankelijk is van betrouwbare ruimtelijke coördinaten, zijn de juiste aanduiding van oorsprongspunten, uniforme afstand en nauwkeurige registratie van X- en Y-posities essentieel. Het meest arbeidsintensieve onderdeel van de methode is het uitzetten van het raster en het bevestigen dat elk monster overeenkomt met zijn toegewezen coördinaat en milieukenmerkende locatie, zoals toevoer, waterleidingen, toegangspunten of verwarmingszones. Kleine positiefouten in deze fase kunnen latere analyses beïnvloeden. In grotere of commerciële omgevingen kunnen lasergebaseerde meetinstrumenten of vergelijkbare positioneringshulpmiddelen het werk verminderen en de reproduceerbaarheid verbeteren. Nauwkeurige annotatie van pen-herkenningspunten is ook belangrijk omdat deze kenmerken ecologische context bieden voor het begrijpen van microbiële gradiënten in strooiselomgevingen, veroorzaakt door vogelactiviteit, vocht en nutriëntenverdeling².

Het huidige protocol is aanpasbaar voor bredere landbouwtoepassingen. Naast microbiële tellingen en pH kan het worden toegepast op andere strooisel- of bodemgerelateerde variabelen, waaronder vocht, temperatuur, nutriëntenverdeling, ammoniakgerelateerde metingen of sequencing-afgeleide microbiële gemeenschapskenmerken. Praktische aanpassingen omvatten het groeperen van gegevens per pen, het dynamisch genereren van matrices uit opgenomen datasets en het screenen op ontbrekende waarden voordat het wordt uitgezet. Veelvoorkomende probleemoplossende stappen zijn het omzetten van coördinatenlabels naar numerieke waarden, het gemiddeld maken van replicatieve waarden op gedeelde punten, controleren op dubbele of ontbrekende coördinaten, en bevestigen dat de matrixstructuur overeenkomt met de oorspronkelijke penlay-out. Het kader kan ook worden uitgebreid met multivariate analyses en litterdiepte, waardoor zowel horizontale als verticale heterogeniteit kunnen worden beoordeeld.

Er moeten ook verschillende beperkingen worden erkend. De methode verbetert de bemonsteringsresolutie of biologische representatie niet wezenlijk; in plaats daarvan verbetert het de ruimtelijke organisatie en interpretatie van data na verzameling. De kwaliteit van het uiteindelijke model hangt dus nog steeds af van het bemonsteringsontwerp en de consistentie van de velduitvoering. Rasterbouw kan fysiek veeleisend en tijdrovend zijn. Daarnaast vereist een succesvolle implementatie computertoegang en basisvaardigheden in gegevensverwerking. Fouten in naamgevingspatronen, coördinateninvoer of ontbrekende rastercellen kunnen de matrixgeneratie verstoren of misleidende visualisaties opleveren. Over het algemeen moet de huidige aanpak worden gezien als een verkennend, op visualisatie gebaseerd kader in plaats van een vervanging voor formele ruimtelijke statistiek of mechanistische inferentie.

Ondanks deze beperkingen biedt het protocol duidelijke voordelen ten opzichte van typische benaderingen die vertrouwen op gepoolde monsters en geïsoleerde puntmetingen, die fijnschalige ruimtelijke variatie binnen een pen of huis 3,4,5,6,7 kunnen maskeren. In de huidige studie toonde toepassing van het kader op aerobe bacteriële tellingen aan dat microbiële populaties ruimtelijk kunnen clusteren binnen pluimvee. Specifiek was de bacteriële hoeveelheid hoger nabij de waterlijn en nam af richting het midden van de pen, wat een duidelijke gradiënt in de 3D-oppervlaktegrafiek opleverde (Supplementair Bestand 3). Dit patroon ondersteunt de interpretatie dat duidelijke lokale omgevingsomstandigheden, met name vocht, een sterke invloed kunnen hebben op de verspreiding van microbiële producten in pluimveeafval. Aanvullende variabelen, zoals pH en nutriëntensamenstelling, kunnen deze relaties verder verduidelijken. Eerder onderzoek heeft op vergelijkbare wijze aangetoond dat microbiële gemeenschappen en milieucondities van pluimveestrooisel variëren in de ruimte met betrekking tot pH, voerlekkage en vogelactiviteit². Door microbiële of fysisch-chemische metingen te koppelen aan gedefinieerde posities binnen de dierlijke omgeving, maakt deze methode die patronen zichtbaarder en interpreteerbaarder. Het loopt ook parallel met ruimtelijke kaartbenaderingen die worden gebruikt in bodem- en agronomische wetenschappen om gradiënten, fragmenten en lokale brandpunten te identificeren, terwijl deze concepten worden toegepast op het dierproductiesysteem ^11,12,13. In de toekomst kan herhaalde ruimtelijke mapping over hokken, groepen en productiecycli voorspellende modellering van microbiële hotspots en gerichter beheer van hoogrisico-ecologische zones ondersteunen.

Hoewel 3D-visualisatie de nauwkeurigheid of precisie van de data niet verbetert, verbetert het wel de interpretatie van statistisch relevante factoren die microbiële patronen en trends in pluimveebakvulling beïnvloeden. Meer toegankelijke visualisatie kan communicatie en weloverwogen besluitvorming ondersteunen over kattenbakwijzigingen, vogelgezondheid en het vervangen van bodembesparingen 14,15,16. Naast onderzoekstoepassingen heeft dit hulpmiddel praktische waarde voor pluimveehouders en academisch voorlichtingspersoneel¹⁷. Deze 3D-grafieken kunnen dienen als effectieve hulpmiddelen om complexe microbiële gegevens in een toegankelijker en actiever formaat te presenteren voor boerderijbeheerders, belanghebbenden en kleine pluimveeproducenten¹⁷. De mogelijkheid om deze percelen op een mobiele telefoon via een QR-code te benaderen, kan hun bruikbaarheid voor technische ondersteuning in het veld verder vergroten. Naarmate de pluimveeproductie zich blijft ontwikkelen in sensortechnologie en datageneratie, kunnen dergelijke benaderingen steeds nuttiger worden binnen integratieve pluimveeinformatica^18,19.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Analytical balance	Fisher Scientific	15997490	For weighing litter (e.g., 10 g/sample)
Computer with internet access	Any	N/A	For running RStudio
Incubator (37 °C)	Thermo Scientific	50125590H	For 24 h bacterial growth
Microbiological media (TSA)	BD Difco	236950	To enumerate for aerobic bacteria
Phosphate-buffered saline (PBS)	Thermo Fisher Scientific	10010023	Used for dilutions and microbial suspensions
Poultry litter samples	Poultry broiler house or research pen	N/A	Fresh litter collected using a grid-based design
R packages: plotly, dplyr, htmlwidgets	CRAN	https://cran.r-project.org	For 3D visualization and data handling
R statistical computing environment (v4.3 or later)	R Project	https://cran.r-project.org	cran.r-project.org
RStudio (v2024.12.0.467 or later)	Posit	https://posit.co/download/rstudio-desktop	posit.co
Spreadsheet software (Excel, Google Sheets)	Microsoft/Google	https://www.microsoft.com/exce	To organize data before import into RStudio
Sterile 10 mL conical tubes	Thermo Fisher Scientific	339650	For transporting aliquots
Sterile pipettes & tips	Fisher Scientific	N/A	For accurate and sterile liquid handling
Sterile Whirl-Pak bags	Nasco	B01062	For sample collection and homogenization
Vortex mixer	VWR	10153-838	For homogenizing samples