Генерация интерактивных 3D-пространственных визуализаций микробного количества в птицепомёте с помощью RStudio

Summary

Здесь мы представляем протокол для создания интерактивной трёхмерной визуализации микробного количества и pH в птичьем вольере с использованием сетчатых данных отбора проб.

Abstract

Традиционные оценки микробиологии и физико-химического состава птичьего помёта часто опираются на статические таблицы или двумерные визуализации, которые могут не учитывать пространственную гетерогенность внутри загонной среды. Этот протокол описывает интерактивные трёхмерные (3D) визуализации, которые интегрируют данные микробного перечисления и параметры окружающей среды в птичьем вольере. Для приближения выборки пером использовалась сетка-компоновка, а для демонстрации рабочего процесса были смоделированы смоделированные наборы данных. Экспериментальный набор данных использовался для оценки пространственных градиентов относительно особенностей окружающей среды, включая водолинию, кормушки и вход в загон. Данные обрабатывались в RStudio с использованием графика для создания интерактивных 3D-графиков. Аэробные бактериальные нагрузки варьировались от 5,9 до 8,6 log₁₀ CFU/g, при значительно большем содержании вблизи водной линии (P = 0,023) и меньшим уровнем на всё большем расстоянии от объекта. Полученные поверхностные графики визуально подчеркнули кластеризацию микробных популяций вокруг участков, богатых влагой, и продемонстрировали полезность этой системы для интерпретации пространственных закономерностей микробных сообществ в птицепотом. Хотя требуется дальнейшая оценка в условиях коммерческого содержания птицы, действующий протокол предоставляет воспроизводимый метод визуализации и анализа пространственной гетерогенности в наборах данных по помёту птицы.

Introduction

Птицеводческая промышленность включает системы производства несушек и бройлеров, каждая из которых генерирует значительное количество птицепота за счёт накопления подстилки, экскрементов, частиц корма, перьев, сломанной скорлупы яиц и влаги ^{со временем 1,2,3}. Этот наполнитель может поддерживать различные микробные популяции, происходящие от птиц, насекомых, грызунов и^{аэрозолей 2,3}. Некоторые микроорганизмы могут включать патогены, такие как сальмонелла, которые могут вызывать заболевания у птиц и представлять угрозу общественного^{здоровья 2}. Поскольку птицеводный наполнитель может применяться на суше в качестве ^{удобрений,} понимание микробного распределения имеет значение для экологического мониторинга, здоровья стада и безопасности пищевых продуктов.

Таким образом, представительный отбор проб из птичьего помёта важен для характеристики микробных сообществ и выявления потенциальных патогенов. Методы отбора проб птицепота изучаются уже несколько десятилетий, включая драг-тампоны, сбор фекальных экскрементов, прямой сбор наполня, одноразовые чехлы для обуви или носки для^{ботинок 6,7}. Однако место сбора образцов сильно определяет, насколько хорошо данные отражают общие условия птицепота в помете. Поскольку птицы перемещаются по всему дому и окружающей среде, такие как поилки, кормушки, вентиляторы, охлаждающие или грелочные прокладки, создают локальные условия, микробные популяции и питательные факторы птицепота распределены^{неравномерно} 3,8,9,10. Поэтому учитывать гетерогенность при интерпретации данных, связанных с пометом, крайне важно для эффективного управления и поддержания здоровья стада.

Пространственные картографические подходы широко применяются в агрономии и почвоведении для визуализации микробной и физико-химической гетерогенности и локализованных горячих^{точек 11,12}. Однако при сборе данных о птицепомётном помете в нескольких регионах загона, пространственные тенденции трудно интерпретировать по числовым^{значениям 8,9}. Трёхмерная (3D) визуализация предлагает практический подход к интеграции микробных и физикохимических измерений с пространственными координатами для создания интерактивных моделей^{поверхностей 13,14}. По сравнению со статическими двумерными моделями, 3D-модели позволяют вращаться, увеличивать и уменьшать, а также визуализировать градиенты на основе глубины по сетке выборки, что может улучшить интерпретацию пространственных закономерностей в среде птицеводческого хозяйства.

Текущий протокол описывает структурированный и воспроизводимый подход к созданию интерактивных 3D-визуализаций микробных и физико-химических данных птицепота помета, собранных с помощью сетчатого макета и анализируемых в RStudio. Сначала используются смоделированные микробные и физико-химические данные для демонстрации процесса визуализации, а затем применяются к экспериментальному подсчёту микробов в птицепомёте. Цель этого протокола — предоставить воспроизводимую структуру для визуализации пространственной гетерогенности в наборах данных о птицепомёте и поддержать интерпретацию схем распределения микроорганизмов в связи с особенностями птицеводства.

Protocol

Этот протокол использует смоделированный набор данных для микробных и pH-значений для демонстрации каждого этапа процесса визуализации, а затем применяется к экспериментальному подсчету микробов в птицепомёте для иллюстрации использования с экспериментальными данными и поддержки статистической интерпретации микробных ассоциаций, связанных с расстоянием. Никаких процедур на живых животных не проводилось. Образцы наполнителя были собраны в птичьем вольере без прямого контакта с животными. Поэтому одобрение учреждения по уходу за животными не требовалось.

1. Собирать образцы птичьего наполнителя и собирать данные о микробном количестве

1. Установите сетчатую схему выборки по всему загону для гриля, используя равномерное расстояние между загонами.
   ПРИМЕЧАНИЕ: В меньших ручках это можно сделать с помощью системы строковой сетки, тогда как в больших ручках могут использоваться флаговые маркеры для обозначения каждой точки выборки. Сетка обычно начинается в нижнем левом углу пера, который считается отправной точкой. Каждое место отбора пробы записывается с использованием её позиции в сетке.
2. Записывайте координаты X и Y каждого места отбора проб и окружающие точки, такие как питатели, водопроводная линия, лампа обогрева и вход в одной сетке, используя либо одно место, либо линию, отражающую их положение.
   ПРИМЕЧАНИЕ: Направление X проходит вдоль длины пера, а направление Y — по ширине.
3. Добавьте столбец «Pen» в набор данных, чтобы определить перо или группу обработки для каждого места отбора выборки (например, «P1», «P2»).
   ПРИМЕЧАНИЕ: Группировка по ручкам обеспечивает проведение пространственного анализа в правильной жилищной среде. Для этой демонстрации была определена структурированная сетка 6 × 10 по площади пера, что дало 60 точек выборки (n = 60) из одного пера. Сетка 6 × 10 была выбрана для обеспечения равномерного пространственного покрытия по всему перу с симметричной, равномерно расположенной схемой. Пример схемы сетки показан на рисунке 1.
4. В каждом месте отбора проб берите три образца наполнителя для микробного или физико-химического анализа. Для микробного тестирования взвесьте 10 г наполнителя на каждую копию и поместите его в 90 мл стерильной буферной пептонной воды для первого разбавления (10⁻¹). Тщательно перемешайте образец, чтобы подвеска стала однородной.
5. Подготовьте 10-кратное последовательное разбавление смешанного образца наполнения и нанесите по 0,1 мл каждого разбавления на агарные пластины.
   ПРИМЕЧАНИЕ: В зависимости от группы измеряемых бактерий могут использоваться разные среды. Например, аэробные бактерии могут быть покрыты на триптическом соевом агаре (TSA), молочнокислые бактерии — на MRS-агаре, а Enterobacteriaceaeae — на агаре МакКонки.
6. Инкубировать плиты при 37 °C в течение 24 часов, затем пересчитать видимые колонии. Рассчитайте количество микроорганизмов как единицы формирования колоний на грамм наполнителя (CFU/g), используя следующее:
   CFU/g = (колонии, подсчитанные × коэффициенте разбавления) ÷ покрытый объём
7. Указывайте среднее значение между репликами.
   ПРИМЕЧАНИЕ: Предел обнаружения определяется объемом покрытого (0,1 мл), соответствующим примерно 10 CFU/mL в покрытой суспензии или 100 CFU/г мусора в исходном образце.
8. Запись микробного перечисления приводит к созданию таблицы в числовом формате для последующего статистического анализа и визуализации.
9. Создайте CSV-файл со следующими столбцами: Sample ID, X (пространственная координата), Y (пространственная координата), Xnum (числовой порядок сортировки для X, по необходимости) и микробные счёты или физико-химические параметры, такие как pH. Пример имитированного листа таблицы показан на рисунке 2.
10. Генерировать смоделированные значения микробного количества с использованием нормально распределенных случайных значений. Определите среднее, стандартное отклонение и диапазон на основе эмпирических измерений. Примените фиксированный случайный seed для обеспечения воспроизводимости. Вводите пространственные градиенты по сетке и добавляйте незначительные случайные вариации, чтобы избежать однородных узоров.
    ПРИМЕЧАНИЕ: Параметры моделирования, используемые для генерации данных, включая тип распределения, диапазон и пространственную структуру, обобщены в Таблице 1.

2. Настройте вычислительную среду

1. Установите и загрузите необходимые пакеты статистических вычислений.
   install.packages(c("plotly"))
   Библиотека (сюжетно)
2. Импортируйте набор данных CSV в вычислительную среду и установите рабочий каталог.
   setwd («путь/к/вашей/папке»)
   Набор данных <- read.csv("path_to_your_file.csv")
   ПРИМЕЧАНИЕ: Входный набор должен быть организован в формате таблицы (CSV-файл), при этом каждая строка представляет собой одну точку выборки. Необходимые входные структуры данных и определения переменных приведены в таблице 2.

3. Подготовка и форматирование данных

1. Проверьте CSV-файл на наличие отсутствующих или несогласованных значений данных.
   summary(набор данных)
   any(is.na(набор данных))
2. Очищайте набор данных по мере необходимости, удаляя значения 'NA'.
   Dataset <- na.omit(dataset)
3. Для нормализации и улучшения визуализации графиков применяется логическое преобразование микробных подсчётов.
4. Стандартизируйте имена переменных с использованием согласованной нотации на основе подчёркивания (например, log10_CFU_A и log10_CFU_B) для улучшения читаемости и воспроизводимости.
5. Примените преобразование log10 к данным о количестве микроорганизмов для стабилизации дисперсии и соответствия стандартным практикам отчётности CFU.
   dataset$Log10_CFU_A <- log10(dataset$OrganismA_counts + 1)
   dataset$Log10_CFU_B <- log10(dataset$OrganismB_counts + 1)
6. Убедитесь, что значения координат X и Y численные. Если данные в алфавитном порядке, преобразуйте в числовые значения, чтобы точно соответствовать местам выборки на сетке.
   ПРИМЕЧАНИЕ: Окончательный набор данных должен включать все уникальные идентификаторы внутри системы координат пера, числовые пространственные координаты и логарифмически преобразованные микробные подсчёты.

4. Генерируйте интерактивные 3D-визуализации

1. Перед построением пространственной матрицы проверьте структуру набора данных, чтобы убедиться, что сетка может быть правильно сгенерирована. Затем подготовьте матрицы пространственных данных, комбинируя несколько частей, таких как пространственные координаты и логически преобразованные счёты бактерий, чтобы они соответствовали сетке пера.
   ПРИМЕЧАНИЕ: Код группирует наблюдения по Pen, X и Y, вычисляет среднее Log10_CFU_A в каждой точке сетки, а затем преобразует значения в матрицу на основе уникальных координат X и Y в наборе данных.
   org1_means <- aggregate(Log10_CFU_A ~ ручка + Y + X,
   data = набор данных,
   FUN = значит,
   na.rm = ПРАВДА)
   org1_P1 <- подмножество(org1_means, Pen == «P1»)
2. Упорядочивайте точки так, чтобы матрица отображалась правильно
   x_vals <- sort(unique(org1_P1$X))
   y_vals <- sort(unique(org1_P1$Y))
   ncol_grid <- длина(x_vals)
   nrow_grid <- длина(y_vals)
   org1_mat_P1 <- матрица(org1_P1$Log10_CFU_A,
   nrow = nrow_grid,
   ncol = ncol_grid,
   byrow = ЛОЖНО)
3. Убедитесь, что нет пропущенных значений для гладкого графика.
   for(i in 1:ncol(org1_mat_P1)) {
   org1_mat_P1[is.na(org1_mat_P1[,i]), i] <- значит(org1_mat_P1[,i], na.rm=TRUE)
   }
4. Визуализируйте микробные подсчёты пространственно как 3D.
   ПРИМЕЧАНИЕ: Для этого графика размер сетки отражал пространственное расположение набора данных
   рис. <- plot_ly(
   x = x_vals,
   y = y_vals,
   z = org1_mat_P1,
   тип = «поверхность», цветовая шкала = список(
   c(0, «тёмно-синий»),
   c(1, «зелёный»)
   )
   )
5. Добавьте элементы окружающей среды, например водолинию, чтобы помочь визуализировать расстояние микробного подсчёта или других параметров мусора до этой точки, позволяя пользователям видеть пространственные закономерности.
   figA <- figA %>%
   add_trace(
   x = c(1, 5),
   y = c(6, 6),
   z = c(8.5, 8.5),
   type = «scatter3d»,
   режим = «линии»,
   line = list(color = «#1f77b4», ширина = 8),
   name = «Водопровод»
   ) %>%
   add_text(
   x = 3, y = 6, z = 8,6,
   text = «Водопровод»,
   textfont = list(размер = 14, color = «тёмно-синий»),
   showlegend = ЛОЖЬ
   ) %>%
   Планировка(
   title = «Симулированный организм A»,
   сцена = список(
   xaxis = list(title = «координата X», tickvals = x_vals),
   yaxis = list(title = «Y координата», tickvals = y_vals),
   zaxis = list(title = «log10 CFU»)
   )
   )
   рис.A
6. См. дополнительный файл 1 для кода, используемого для визуализации уровней pH внутри птичьего вольера.

5. Применение 3D-модели к экспериментальному подсчёту микробов в птицепомёте

1. Собирайте образцы птичьего наполнителя с определённой сеткой внутри загона и фиксируйте места отбора проб с помощью пространственных координат.
   ПРИМЕЧАНИЕ: В этом исследовании образцы были собраны из птицеводческого вольера Университета Висконсина в Мэдисоне, штат Висконсин, с использованием определённой сетки. Образцы были собраны с использованием сетки размером 5 × 7 м.
2. Взвесьте определённое количество мусора из каждого места отбора проб и подвесьте его в фосфатно-буферном физиологическом растворе (PBS) или эквиваленте для подготовки начального разбавления.
   ПРИМЕЧАНИЕ: В этом исследовании был собран по 1 г наполнителя в каждом месте с использованием мешков Whirl-Pak и разведён в соотношении 1:10 в фосфатно-буферном физиологическом растворе (PBS).
3. Проведите микробную подсчётку, покрывая образцы наполнения соответствующей средой для роста и инкубировав их в подходящих условиях.
   ПРИМЕЧАНИЕ: В этом исследовании образцы были покрыты дублированными с помощью метода точечного покрытия на триптическом соевом агаре (TSA) и инкубированы при 37 °C в течение 24 часов. Материалы, необходимые для микробного перечисления, приведены в Таблице материалов.
4. Количественно определить количество микроорганизмов как колониообразующие единицы (CFU) и применить преобразование log₁₀ к данным для анализа.
5. Интегрируйте обработанные микробные данные в вычислительный рабочий процесс и отформатируйте их в соответствии с необходимой структурой входа.
6. Сгенерировать 3D-пространственную визуализацию с использованием описанных выше методов для представления микробного количества по всему перу.
   ПРИМЕЧАНИЕ: В этом исследовании была создана визуализация для изображения аэробного количества бактерий на выбранной ручке.

6. Статистический анализ

1. Провести базовые статистические анализы для суммирования пространственных закономерностей численности микробов и переменных окружающей среды.
2. Проводите статистический анализ только на основе экспериментального набора данных по птицепомёту. Используйте симулированные наборы данных исключительно для демонстраций визуализации и не включайте их в статистическое тестирование.
3. Вычислить средние значения для каждого места сетки, когда были доступны повторные измерения.
4. Используйте линейный регрессионный анализ для оценки взаимосвязи между количеством микробов и расстоянием от экологических ориентиров.
5. Рассчитывайте расстояния от ориентиров окружающей среды, используя их известные позиции в сетке внутри загона. Рассматривайте расстояния как непрерывные переменные.
6. Используйте результаты для изучения пространственных тенденций и поддержки интерпретации визуализации, а не для установления причинно-следственных биологических связей.

Results

Смоделированные микробные и физико-химические данные для иллюстрации 3D-модели
Текущее исследование предоставляет код для визуализации количества микробных организмов (организм А и организм B) и pH подстилки в птичьем вольере на основе смоделированных данных. Полученные 3D-графики визуализировали микробное количество (рисунок 3A, B) и pH (рисунок 3C; для интерактивного опыта см. дополнительный файл 3) на основе сетчатой модели. Смоделированные значения pH показывали пространственные вариации по всему периметру с постепенными изменениями вдоль сетки, соответствующие установленным пространственным градиентам. Полный код, свободный от текстовых прерываний, доступен в Дополнительном файле 1.

Применение 3D-модели к экспериментальному подсчету микробов в птицепомёте
Чтобы продемонстрировать, как модель работает с реальными экологическими данными, аэробные подсчёты бактерий из птичьего отбора были картированы и статистически проанализированы для оценки влияния расстояния от окружающих точек, таких как кормушки и водопроводные линии, на количество бактерий с помощью линейной регрессионной модели (LRM). Экспериментальный набор данных, используемый для анализа, представлен в дополнительном файле 2. 3D-визуализация показала явные различия в аэробных показателях по всему загону, демонстрируя, что подход может эффективно отображать реальные микробные распределения в условиях содержания птиц (рисунок 4; для интерактивного опыта см. Дополнительный файл 3). Эти визуализации выявили гетерогенное пространственное распределение с локализованными участками с более высоким содержанием бактерий рядом с определёнными элементами окружающей среды. По всему птицеводческому загону аэробные показатели варьировались от 5,9 до 8,6 log₁₀ CFU/g, при этом самые высокие концентрации наблюдались возле водной линии, а более низкие — вокруг центральных кормушек и вдали от водной линии. Средняя аэробная концентрация снизилась с 8,0 log₁₀ CFU/g возле водной линии до 7,4 log₁₀ CFU/g на самом дальнем зафиксированном расстоянии. Микробные подсчёты отражают средние значения повторных измерений в каждом месте отбора проб. Кроме того, расстояние от водяной линии было значительным предиктором аэробной бактериальной нагрузки (LRM, P < 0,05), тогда как расстояния от питателей и входа не были (LRM, P > 0,05). Эти количественные результаты подтверждают визуальную тенденцию, наблюдаемую на 3D-графиках поверхности, демонстрируя явное снижение численности микроорганизмов с увеличением расстояния от источников влаги. В конечном итоге эти результаты показывают, что 3D-сетчатая структура предоставляет практический подход к визуализации и анализу пространственной гетерогенности в наборах данных по птицепомёту. Используя как смоделированные, так и экспериментальные данные, эта модель отражала локализованные микробные схемы распределения и позволила статистически интерпретировать связь между количеством бактерий и особенностями окружающей среды внутри загона.

Рисунок 1: Сетчатая схема птицеводческого вольера для сбора образцов. Схематическое представление сеточной системы выборки, используемой для определения пространственных координат и мест отбора проб по всему птичьему вольеру. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 2: Пример макета смоделированных данных в формате таблицы. Репрезентативная структура таблицы, показывающая идентификаторы выборки, пространственные координаты (X и Y), а также микробные или физико-химические переменные, используемые для анализа. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 3: Смоделированные пространственные распределения микробного подсчета и pH по птицеводному загону. (A) Смоделированные подсчёты организмов A, (B) смоделированные подсчёты организмов B и (C) смоделированные значения pH, визуализированные с помощью сетчатой 3D-пространственной модели. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Рисунок 4: Пространственное распределение аэробных бактерий по птицеводному загону. 3D-график поверхности показывает вариации аэробного количества бактерий (log CFU/g) на расстояниях (координаты X–Y). Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Параметр	Ценность
Распространение	Нормальный
Mean (μ)	8.26
SD (σ)	0.77
Ареал	7.10–9.37
Пространственный паттерн	Линейный градиент (Y-направление)
Шум	Нормальная (μ=0, малая дисперсия)
Случайный сид	10

Таблица 1: Параметры, используемые для моделирования микробного набора данных. Сводка параметров распределения, включая среднее, стандартное отклонение, диапазон значений и параметры пространственного градиента, используемые для создания имитированных микробных данных.

Название колонки	Описание	Тип данных	Обязательно
Ручка	Идентификатор для группы ручки или обработки	Текст	Да
X	Координаты X-координаты на сетке	Численные	Да
Y	Местоположение y-координат на сетке	Численные	Да
Log10_CFU_A	Логично-трансформированный микробный уровень (организм A)	Численные	Да
Log10_CFU_B	Логарифм-трансформированный микробный уровень (Организм B)	Численные	Опционально
pH	Измеряемое значение pH	Численные	Опционально
Ориентировочное расстояние	Расстояние от объекта окружающей среды (например, водопровод)	Численные	Опционально

Таблица 2: Требуемая структура входных данных для пространственного анализа. Список необходимых переменных, включая идентификаторы образцов, пространственные координаты и микробные или физикохимические измерения, а также соответствующие форматы данных.

Дополнительный файл 1: Код для создания имитированных микробных и pH-пространственных визуализаций.Скрипт R, используемый для обработки смоделированных наборов данных и генерации 3D-графиков поверхностей для организма A, организма B и pH по птицеводнику. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 2: Экспериментальный набор микробных данных по птицепомёту. Таблица с аэробными подсчетами бактерий и соответствующими пространственными координатами, используемая для 3D-визуализации и статистического анализа. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 3: Интерактивные 3D-визуализации, ссылки доступа и QR-коды. QR-коды и соответствующие веб-ссылки для доступа к интерактивным 3D-графикам симулированных и экспериментальных наборов данных. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Discussion

Графики на основе симуляции, представленные в этом исследовании, были разработаны для демонстрации потенциала 3D-пространственного картирования для улучшения визуализации микробного и физико-химического распределения в средах птичьего наполнения (Дополнительный файл 3). Кроме того, мы комбинировали этот подход с микробными данными перечисления и маркерами окружающей среды и пространственности внутри ручки для оценки локализованных паттернов распределения и выявления связей, зависящих от расстояния (Дополнительный файл 3).

Критически важным этапом в текущем протоколе является точное создание системы выборки на основе сетки. Поскольку трёхмерная поверхность зависит от надёжных пространственных координат, правильное обозначение точек начала отсекания, равномерное расстояние и точная запись позиций X и Y крайне важны. Самая трудоёмкая часть метода — это прокладка сетки и подтверждение соответствия каждого образца назначенной координате и экологическим ориентирам, таким как питатели, водопроводные линии, точки входа или зоны отопления. Небольшие ошибки позиции на этом этапе могут повлиять на последующие анализы. В крупных или коммерческих условиях лазерные измерительные инструменты или аналогичные средства позиционирования могут снизить нагрузку и повысить воспроизводимость. Тщательная аннотация ориентиров загонов также важна, поскольку эти особенности обеспечивают экологический контекст для понимания микробных градиентов в мусорных средах, создаваемых деятельностью птиц, влажностью и распределением питательных^{веществ 2}.

Текущий протокол адаптируется для более широких сельскохозяйственных применений. Помимо микробного подсчёта и pH, его можно применять и к другим переменным, связанным с мусором или полом, включая влажность, температуру, распределение питательных веществ, измерения, связанные с аммиаком, или особенности микробных сообществ, полученных с помощью секвенирования. Практические модификации включают группирование данных по перу, динамическую генерацию матриц из записанных наборов данных и отбор на недостающие значения перед построением графиков. Распространённые шаги решения задач включают преобразование меток координат в числовые значения, усреднение репликационных значений в общих точках, проверку на дублирующиеся или отсутствующие координаты и подтверждение соответствия структуры матрицы исходной компоновке пера. Структура также может быть расширена, включая многомерные анализы и глубину мусора, что позволяет оценивать как горизонтальную, так и вертикальную гетерогенность.

Следует также учитывать несколько ограничений. Метод не существенно улучшает разрешение выборки или биологическое представление; вместо этого она улучшает пространственную организацию и интерпретацию данных после сбора данных. Таким образом, качество конечной модели по-прежнему зависит от дизайна выборки и согласованности выполнения поля. Строительство сетки может быть физически требовательным и трудоёмким. Кроме того, успешная реализация требует доступа к компьютеру и базовых навыков обработки данных. Ошибки в наименовании, ввод координат или отсутствующие ячейки сетки могут нарушать генерацию матриц или создавать вводящие в заблуждение визуализации. В целом, текущий подход следует рассматривать как исследовательскую, основанную на визуализации, а не как замену формальной пространственной статистике или механистического вывода.

Несмотря на эти ограничения, протокол обладает явными преимуществами по сравнению с типичными методами, основанными на объединённых выборках и изолированных точечных измерениях, которые могут скрывать мелкомасштабные пространственные вариации внутри забора или дома 3,4,5,6,7. В текущем исследовании применение этой схемы к аэробным подсчетам бактерий показало, что микробные популяции могут пространственно группироваться в птицепотом. В частности, содержание бактерий было выше возле ватерлинии и снижалось к центру загона, создавая чёткий градиент на 3D-графике поверхности (Дополнительный файл 3). Эта закономерность подтверждает интерпретацию, что различные локальные условия окружающей среды, особенно влажность, могут сильно влиять на микробное распределение в птицепотом. Дополнительные переменные, такие как pH и состав питательных веществ, могут дополнительно прояснить эти взаимосвязи. Предыдущие исследования также показали, что микробные сообщества птицепомётного помёта и условия окружающей среды различаются в разных пространствах относительно pH, разливов корма и активности птиц². Связывая микробные или физико-химические измерения с определёнными положениями в животной среде, этот метод делает эти закономерности более видимыми и интерпретируемыми. Он также использует подходы пространственного картирования, используемые в почвенных и агрономических науках для выявления градиентов, пятнистости и локализованных фокусных точек, применяя эти концепции к системе^{животноводства} 11,12,13. В будущем многократное пространственное картирование по загонам, стаям и производственным циклам может способствовать предиктивному моделированию микробных горячих точек и более целенаправленному управлению экологическими зонами с высоким риском.

Хотя 3D-визуализация не повышает точность или точность данных, она улучшает интерпретацию статистически значимых факторов, влияющих на микробные паттерны и тенденции в помете птицы. Более доступная визуализация может способствовать коммуникации и принятию обоснованных решений по поводу изменения наполнителя, здоровья птиц и замены постельного^белья 14,15,16. Помимо исследовательских применений, этот инструмент имеет практическую ценность для птицеводов и академического специалиста по^{расширению 17}. Эти 3D-графики могут служить эффективными инструментами для представления сложных микробных данных в более доступном и практичном формате для управляющих фермами, заинтересованных сторон и мелких^{птицеводов 17}. Возможность доступа к этим участкам на мобильном телефоне через QR-код может дополнительно повысить их полезность для технической поддержки на местах. По мере развития птицеводства в области сенсорных технологий и генерации данных такие подходы могут становиться всё более полезными в интегративной птицеводческой^{информатике 18,19}.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Аналитический баланс	Fisher Scientific	15997490	Для взвешивания наполнителя (например, 10 г на образец)
Компьютер с доступом в интернет	Любой	Н/Д	Для запуска RStudio
Инкубатор (37 &°; C)	Thermo Scientific	50125590H	Для 24-часового роста бактерий
Микробиологические среды (TSA)	BD Difco	236950	Для перечисления аэробных бактерий
Фосфатно-буферный физиологический раствор (PBS)	Термо Фишер Сайентифик	10010023	Используется для разбавления и микробных суспензий
Образцы птичьего помёта	Дом для бройлера для птицы или исследовательский вольер	Н/Д	Свежий мусор собирается с помощью сетчатого дизайна
R-пакеты: plotly, dplyr, htmlwidgets	CRAN	https://cran.r-project.org	Для 3D-визуализации и обработки данных
Среда статистических вычислений R (v4.3 или новее)	Проект R	https://cran.r-project.org	cran.r-project.org
RStudio (версия 2024.12.0.467 или новее)	Положить	https://posit.co/download/rstudio-desktop	posit.co
Программное обеспечение для создания таблиц (Excel, Google Sheets)	Microsoft/Google	https://www.microsoft.com/exce	Чтобы организовать данные перед импортом в RStudio
Стерильные конические трубки объёмом 10 мл	Термо Фишер Сайентифик	339650	Для перевозки аликвотов
Стерильные пипетки и Советы	Fisher Scientific	Н/Д	Для точного и стерильного обращения с жидкостями
Стерильные мешки Whirl-Pak	Nasco	B01062	Для сбора образцов и гомогенизации
Вихревой миксер	VWR	10153-838	Для гомогенизации образцов