Sieben Größenfraktionen, zwei Blickwinkel: Malaisefallen-Metabarcoding und KI-gestützte Bildbestimmung im Vergleich
Abstract
Die Auswertung von Malaisefallen ist seit jeher sehr arbeitsaufwändig, wenn sie vollständig, standardisiert und taxonomisch hochaufgelöst sein soll. Durch Metabarcoding unsortierter Proben reduziert sich Aufwand erheblich, jedoch unterrepräsentiert diese Methode kleine Arten. Zudem geht bei diesem Ansatz die Information über die Individuenanzahl pro Falle verloren. Wir stellen einen automatisierten Workflow vor, der automatisierte Größensortierung, Metabarcoding und KI-Bildbestimmung verbindet und so Artenlisten, Individuenzahlen aus derselben Probe liefert.
Zwischen Mai und Juli 2023 wurden im Rahmen des Forschungsprojektes des Bundesministeriums für Landwirtschaft, Regionen und Tourismus „Hecken für Hühner“ an 11 Standorten in Nieder- und Oberösterreich insgesamt 28 Malaise-Proben gesammelt. Jede dieser Proben wurde mittels einer eigens entwickelten Sortiermaschine in sieben Fraktionen von <1 mm bis ≥7 mm sortiert. Jede dieser Fraktionen wurde mittels hochauflösender Fotografie dokumentiert und mit einem spezifisch trainierten KI-Algorithmus bis auf Familienebene analysiert und parallel mittels eines standardisierten Metabarcoding-Ansatzes (COI-Marker) prozessiert und bioinformatisch aufbereitet.
Das Metabarcoding detektierte insgesamt 1.411 Arten aus 197 Familien. Der Effekt der Größenfraktionierung wurde mithilfe einer gewichtsproportional gemischten Mix-Probe getestet. Die getrennt sequenzierte Fraktionen lieferten pro Probe 60% mehr Arten als der Mix (p < 0,001). Arten der Fraktionen unter 1 mm wurden nur zu 38% wiedergefunden.
Die KI konnte 13.398 von 17.933 Individuen bis auf Familienniveau erfolgreich bestimmen. Sie erfasste 57 der 197 von Metabarcoding bestimmten Familien. Auf Ordnungsebene produzieren beide Methoden Ergebnisse mit ähnlicher Zusammensetzung. Im Mittel konnten pro Probe 84% der von der KI identifizierten Familien durch das Metabarcoding bestätigt werden. Dipteren dominierten die Fänge (75% der Individuen). Die von der KI vergebenen Diptera-Familien konnten pro Probe zu 86,5% im Metabarcoding nachgewiesen werden.
Die breit gefächerte Größenfraktionierung ermöglicht eine genauere Darstellung der Speziesverteilung innerhalb eines Fallenfangs durch Metabarcoding, da vor allem kleine Tiere besser abgebildet werden können. Die Auswertung mittels KI liefert neben der schnellen Klassifikation zudem die Anzahl der Individuen der einzelnen Fraktionen pro Fang. Die Methoden ergänzen sich daher gegenseitig. Der Workflow bietet damit eine Grundlage für standardisiertes, skalierbares Insektenmonitoring. Nächste Schritte sind die Weiterentwicklung des KI-Modells, um mehr Bestimmungen auf Gattungs- und Artniveau möglich zu machen und weiteres Streamlining im Laborworkflow.
If this happens again, please get in touch with us.