INE/ADA-009/2012 Indicadores para el monitoreo de efectos de la liberación de maíz genéticamente modificado en el norte del país Saul Rafael Castañeda Contreras 20 de septiembre del 2012 Índice general Introducción . . . . . . . . . . . . . . . . . . . Riesgos de los OGM . . . . . . . . . . . Monitoreo . . . . . . . . . . . . . . . . . Indicadores . . . . . . . . . . . . . . . . Consideraciones . . . . . . . . . . . . . Método de selección . . . . . . . . . . . . . Criterios de selección . . . . . . . . . . Compartimiento ambiental . . Distancia filogenética . . . . . . Distribución . . . . . . . . . . . . Exposición . . . . . . . . . . . . . Fenología . . . . . . . . . . . . . Gremio . . . . . . . . . . . . . . . Meta de protección . . . . . . . Relevancia . . . . . . . . . . . . Índice de Prioridad . . . . . . . . . . . . Ponderación de los criterios . . Cálculo del Índice de Prioridad Base de datos . . . . . . . . . . . . . . . . . . Cálculos . . . . . . . . . . . . . . . . . . . . . Automatización . . . . . . . . . . . . . . . . . Consideraciones finales . . . . . . . . . . . . Bibliografía . . . . . . . . . . . . . . . . . . . . 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 7 8 9 10 11 12 14 14 19 27 27 27 27 28 29 29 32 33 36 36 37 37 Índice de figuras 1. Número de eventos de transformación sencillos de maíz que expresan las diferentes proteínas insecticidas. . . . . . . . . . . . . . 2. Mapa de calor que muestra la distancia filogenética entre los hexápodos; los dendrogramas representan similitud en el número de nodos, no ancestría común. . . . . . . . . . . . . . . . . . . 3. Dendrograma de los hexápodos; tomado de [32] . . . . . . . . . 4. Ejemplo de tres polígonos generales de liberación de maíz solicitados por un promovente (en naranja) y las ecorregiones de México; izq. Sinaloa; cen. Laguna; der. Norte Tamaulipas. . . . . 5. Ejemplo de sitios puntuales de liberación ficticios dentro de un polígono general. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. Dendrograma de los 60 sitios aleatorios generados dentro de los tres polígonos generales; las etiquetas corresponden a las siglas del polígono al que pertenecen. . . . . . . . . . . . . . . . . . . . 7. Modelo de la base de datos. . . . . . . . . . . . . . . . . . . . . . 8. Estructura gráfica del método de selección propuesto; las dos lineas inferiores vienen del la figura 9 . . . . . . . . . . . . . . . . . 9. Estructura gráfica del método de selección propuesto; las lineas superiores conectan con la figura 8 . . . . . . . . . . . . . . . . . . 10. Vistas de la interfase gráfica del MSEP; izq. carga del archivo nexus; der. calculo de la distancia filogenética. . . . . . . . . . . . 11. Vistas de la interfase gráfica del MSEP: izq. selección del cluster; der. selección del taxa blanco del OGM. . . . . . . . . . . . . . . 12. Vista de la interfase gráfica del MSEP; aviso de término. . . . . . 3 . 17 . 18 . 20 . 22 . 23 . 25 . 35 . 38 . 39 . 40 . 40 . 40 13. Diferentes índices de diversidad calculados para los sitios de liberación; sup. izq. riqueza de especies; sup. der. índice de diversidad de Simpson; inf. izq. Índice de diversidad de Shanon; inf. der. dendrograma de agrupamiento de los sitios en función de las especies presentes. . . . . . . . . . . . . . . . . . . . . . . . . . . 41 4 Índice de cuadros 1. 2. Criterios considerados en el MSEP. . . . . . . . . . . . . . . . . . . . Proteínas insecticidas expresadas por los diferentes eventos de transformación sencillos de maíz para uso agrícola. . . . . . . . . 3. Número de categorías de cada cobertura presentes dentro de los polígonos generales de liberación. . . . . . . . . . . . . . . . . 4. Ejemplo de valores IndVal calculados a partir de la distribución y abundancia simulada de ocho especies en nueve sitios agrupados en tres clusters. . . . . . . . . . . . . . . . . . . . . . . . . . 5. Escala de importancia; tomada de [60]. . . . . . . . . . . . . . . . 6. Tabla Comparativa de la importancia relativa de cada criterio. 7. Matriz recíproca comparativa de la importancia de los criterios. 8. Índice de Consistencia aleatorio para diferentes cantidades de criterios; tomado de [33]. . . . . . . . . . . . . . . . . . . . . . . . . 9. Pesos de los diferentes criterios. . . . . . . . . . . . . . . . . . . . . 10. Matriz de valores simulados para los criterios cuantitativos del MSEP; IndValn, expon, relevn y fenon corresponden a los valores normalizados; IP = Índice de prioridad; IndVal = IndVal del cluster A de la tabla 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 . 13 . 15 . 24 . 26 . 30 . 31 31 . 32 . 32 . 34 Se desarrolló un método de selección de especies prioritarias (MSEP) para el monitoreo de efectos de OGM, enfocado a organismos no blanco (ONB). Pretende ser una herramienta para un tipo de monitoreo no derivado directamente de una evaluación de riesgo. Intenta establecer directamente los efectos de OGM tomando en cuenta los criterios utilizados en ésta y es lo suficientemente flexible en la elección de especies o taxa a monitorear, sin llegar a ser general. Se utilizaron métodos formales de toma de decisiones con múltiples criterios como el Proceso Analítico Jerárquico y la Ponderación Aditiva Simple para establecer el peso de los criterios y el cálculo de un índice de prioridad respectivamente. Se diseñó una base de datos relacional para almacenar y manejar la información sobre los ONB generada en los sitios de liberación. Se escribió un script que realiza los cálculos necesarios de forma automática y reduce al mínimo la interacción del usuario con el software requerido. Introducción El uso de cultivos genéticamente modificados (GM) en el mundo ha ido en aumento desde 1996 alcanzando las 160 millones de hectáreas en el 2011, lo que representa un incremento del 8 % con respecto al 2010 [40]. En México, durante el periodo comprendido entre el 1° de enero y el 5 de junio del presente, la autoridad competente ha recibido 31 solicitudes de liberación de organismos genéticamente modificados (OGM) de uso agrícola (http://www.cibiogem.gob.mx), de las cuales, 14 corresponden a maíz. Riesgos de los OGM Si bien el uso de la biotecnología en la agricultura puede tener beneficios ambientales tales como la reducción en el uso de plaguicidas [12, 13, 19, 25, 40, 69], la implementación de sistemas de labranza de conservación [7, 20, 40, 69] y la disminución en el uso de herbicidas con mayores efectos ecotoxicologicos que los aplicados en los cultivos GM tolerantes [7, 20, 45, 22], también puede presentar una serie de riesgos para la diversidad biológica. Ya que éstos dependen de la interacción de: a) el evento de transformación, b) la especie receptora y c) el ambiente de liberación, resulta difícil contar con una lista que incluya todos los riesgos y efectos no deseados asociados al uso de cultivos GM [69]; sin embargo, en la literatura científica arbitrada especializada en el tema, identifican en general ocho tipos de posibles efectos: 1. El flujo génico. 2. El desarrollo de capacidades invasivas. 3. La evolución de resistencia en plagas y malezas. 4. La transferencia horizontal de genes. 5. Efectos de las prácticas de manejo. 6. Efectos en la salud. 7. Efectos en las comunidades microbianas del suelo. 8. Efectos en organismos no blanco. 7 Los riesgos que representan la mayoría de estos efectos no deseados son caracterizados en las evaluaciones realizadas por la Coordinación del Programa de Bioseguridad (CPB) del Instituto Nacional de Ecología antes de que los OGM en cuestión sean liberados al medio ambiente. En general, la evaluación de riesgo consta de cuatro etapas [1, 39, 69, 56]: 1. Identificación del evento no deseado. 2. Evaluación de exposición. 3. Evaluación de consecuencias. 4. Caracterización del riesgo. Monitoreo El monitoreo ecológico se puede definir como la recolección sistemática de datos ecológicos de una manera estandarizada, a intervalos regulares, a lo largo del tiempo[65]. En lo que respecta al monitoreo específico de OGM, éste se puede dividir en dos tipos [63, 55]: 1. Caso específico. Derivado directamente de una evaluación de riesgo; intenta comprobar en campo las hipótesis de riesgo establecidas. 2. General. No asociado a una hipótesis de riesgo en particular; intenta detectar efectos no previstos en la evaluación de riesgo. El monitoreo de OGM y la evaluación de riesgo son tareas relacionadas ya que, de acuerdo a algunos modelos [39, 56], el primero sirve como insumo para comprobar las hipótesis de riesgo o la efectividad de las medidas de manejo establecidas en la evaluación. La ley de Bioseguridad de Organismos Genéticamente Modificados establece, en los artículos 9 y 11, que deben ser monitoreados los efectos que pudieran tener las liberaciones de OGM en el medio ambiente y la diversidad biológica [21], sin embargo, al no especificar el tipo de monitoreo ni la etapa etapa de liberación en la que se debe llevar a cabo, se puede concluir que, por ley, se tendrían que realizar los dos tipos de monitoreo. 8 Indicadores Los indicadores ambientales, en sentido amplio, son entidades que proveen información del estado del medio ambiente. Su objetivo es reflejar la cadena causal de elementos que ligan a las actividades humanas con los impactos ambientales que causan [34, 53, 52]. Aunque pueden brindar información a distintos niveles, en general, se utilizan para establecer de forma indirecta el estado de “salud” del ecosistema [44] u otro atributo de éste que, por alguna razón logística, presupuestal o tecnológica, no puede ser medido directamente[17]. Desde un contexto regulatorio, un indicador ambiental permite al tomador de decisiones reducir la carga de información, aislar aspectos clave de las condiciones del ambiente y determinar la necesidad de implementar acciones correctivas[58, 51]. Los indicadores ecológicos son un subconjunto de indicadores ambientales aplicables a procesos ecológicos. Se definen como características medibles de la estructura, composición o función de los sistemas ecológicos y se derivan a partir de mediciones de las condiciones de los sistemas ecológicos en campo [53, 73]. Pueden clasificarse en ocho niveles que van desde el mas reduccionista, que implica la presencia o ausencia de especies específicas, hasta holísticos como el cálculo de variables termodinámicas del sistema [43]. En el contexto del primer nivel, las especies indicadoras se definen como aquellas que indican la condición o respuesta a un estrés y que pueden aplicarse a otras especies con requerimientos ecológicos similares. Las especies indicadoras pueden ser usadas para reflejar a) el estado biótico o abiótico del ambiente, b) impactos o cambios ambientales o c) la diversidad de otras especies, taxa o comunidades en un área. Éste último uso implica el reconocimiento de que una especie pude ser considerada como substituta o subrogada de otras especies. [53, 62] Las especies indicadoras pueden ser clasificadas en diferentes tipos de acuerdo a los atributos que representan y la manera en que los representan (p.ej. especies clave, especies sombrilla, especies focales, especies emblemáticas, etc.), sin embargo existe un considerable debate sobre la definición, terminología y uso de estos conceptos [17, 53, 26, 18]. 9 Existe en la literatura otra aproximación al concepto de especies indicadoras relacionado con la abundancia, distribución y asociación con un hábitat en particular, mas que con la capacidad de brindar información sobre el estado del ecosistema. Dada una serie de sitios agrupados por su tipología, una especie indicadora se define como la mas característica o representativa de cada grupo de sitios, que se encuentra en un solo grupo de sitios y esta presente en la mayoría de los sitios pertenecientes a ese grupo [24, 50]. Consideraciones Debido a las necesidades de la CPB, el presente método se enfoca en la selección de especies para el monitoreo de efectos en organismos no blanco (ONB). El presente trabajo no pretende establecer especies indicadoras de los efectos de OGM en otras especies o taxa presentes en los sitios de liberación, ya que: 1. No se cuenta con información de línea base sobre el estado de las comunidades de organismos no blanco presentes en los sitios de liberación. 2. No se tiene calibrada la respuesta de alguna especie o taxa no blanco presente en los sitios de liberación al estresor, en este caso, las proteínas insecticidas o las diferentes prácticas de manejo asociadas a los cultivos GM y convencionales; y 3. se desconoce el grado en que las especies presentes en los sitios de liberación pueden representar a otras con requerimientos ecológicos similares. Por lo tanto, la definición de “indicadores” a que se refiere este documento, corresponde a la aproximación especie-hábitat descrita anteriormente. Una vez caracterizadas las comunidades de ONB en los sitios de liberación y calibrados los efectos de los estresores particulares en algunas especies o taxa, se podrían establecer indicadoras en el sentido amplio. Por su parte, el monitoreo correspondiente el presente trabajo no es del tipo caso específico, ya que de ser lo, las especies a monitorear estarían definidas previamente desde la evaluación de riesgo. Por otro lado, el monitoreo 10 general presenta un gran inconveniente: resulta muy difícil relacionar directamente cualquier cambio encontrado con un OGM en particular. En este sentido, el presente método de selección pretende ser una herramienta para un tercer tipo de monitoreo: no derivado directamente de una evaluación de riesgo, pero que intenta establecer directamente los efectos de OGM tomando en cuenta los criterios utilizados en ésta y lo suficientemente flexible en la elección de especies o taxa a monitorear, sin llegar a ser general. De probarse la utilidad este método con datos reales generados en los sitios de liberación, podría ser utilizado para la selección de especies en la evaluación de riesgo. El monitoreo asociado a esas evaluaciones sería entonces un monitoreo caso específico. La pertinencia, viabilidad e información que puede arrojar el monitoreo de OGM están fuera del ámbito del presente trabajo, sin embargo, estas cuestiones deben ser consideradas de forma explícita en el diseño e implementación de los protocolos de muestreo y programas de monitoreo relacionados con el método aquí propuesto. Método de selección Uno de los principales retos que presenta la evaluación de riesgo y el monitoreo de efectos a organismos no blanco, es precisamente, la selección de las especies a utilizar [5]. Puesto que no es posible medir todos los componentes de interés en un ecosistema, la elección de qué medir es fundamental. En el presente trabajo se desarrolla un método de selección de especies prioritarias (MSEP) para el monitoreo de efectos de OGM. Se realizó una revisión de diferentes propuestas para la selección de especies para el análisis de riesgo [5, 3, 6, 4, 57, 68] y para el monitoreo post liberación específicos para OGM [36, 74]. De unas, enfocadas principalmente en los aspectos teóricos del proceso, y de otras, desarrolladas más a nivel técnico-operativo, se retomaron criterios y aproximaciones pertinentes para desarrollar el método de selección que aquí ocupa; tratando de mantener un balance entre la precisión, especificidad y rigor científico de los criterios considerados y la factibilidad operativa. De esta manera, se busca que la subjetividad y el juicio de experto inherentes al proceso, se enmarquen dentro 11 de un sistema organizado, transparente y reproducible, para que el producto resultante constituya una herramienta factible de ser utilizada cotidianamente por la autoridad competente. Una decisión es una elección entre un número de alternativas; ésta se hace de tal manera que la alternativa preferida sea la "mejor" entre los posibles candidatos [46]. La toma de decisiones con múltiples criterios, o MCDM por sus siglas en inglés, es una disciplina de la investigación operativa que considera explícitamente esta particularidad en una toma de decisiones. Se han desarrollado varios métodos para las MCDM cuyo objetivo es designar una alternativa preferida, clasificar las alternativas en un pequeño número de categorías y clasificar las alternativas en un orden de preferencia subjetiva [46]. Criterios de selección Para hacer frente a una MCDM, el primer paso es establecer cuántos atributos o criterios existen en el problema [33]. A partir de la revisión de la literatura especializada en el tema y de una evaluación sobre la factibilidad de su obtención en el contexto de la CPB, se seleccionaron ocho criterios para calcular un índice de prioridad (IP) de las especies a monitorear. Los criterios se pueden dividir en tres tipos: 1. Criterios utilizados para el cálculo del IP. Variables cuantitativas cuya ordenación es directamente proporcional a la prioridad de selección. Son usados directamente para el cálculo del IP mediante el método de Ponderación Aditiva Simple. 2. Criterios de filtrado. Variables cualitativas de carácter nominal que permiten hacer una primera selección de las especies a monitorear dependiendo de los atributos que representan. 3. Un Criterio opcional de ordenación. Esta variable es usada para seleccionar las especies prioritarias en combinación con el IP, para el caso de un monitoreo de efectos de OGM resistentes a insectos. Del listado total de especies o taxa identificados en los sitios de liberación, se podrá realizar una primera selección mediante los criterios de filtrado de acuerdo al atributo de interés (p. ej. la meta de protección asociada con una 12 Criterio Variable Descripción Valor Compartimiento nominal Compartimiento ambiental en el que se encuentra la especie suelo agua aire planta etc. 2 Distancia filogenética discreta Cantidad de nodos de distancia entre el taxa blanco y el resto 0,1,...n 3 Distribución continua Valor IndVal 0.000...n 1 Exposición ordinal Tipo de exposición organismo-estresor indirecta(3º)=1 indirecta(2º)=2 directa=(1º)=3 1 Fenología discreta Coincidencia entre el ciclo de vida del cultivo y el organismo (número de fehas de colecta en las que esta presente el organismo asociado) 1...n 1 Gremio nominal Gremio al que pertenece el organismo herbívoro polinívoro nectarívoro depredador etc. 2 Meta de protección nominal Tipo de motivación asociada a la meta de protección ecológica conservación antropocéntrica etc. 2 Relevancia ordinal Relevancia del organismo para la meta de protección baja=1 media=2 alta=3 1 Cuadro 1: Criterios considerados en el MSEP. 13 Tipo especie en particular). De la lista reducida resultante, las especies con IP mas alto corresponden a aquellas que, de acuerdo a los valores que presentan en los diferentes criterios, tendrían prioridad de ser seleccionadas para un monitoreo dado. A continuación se describen los criterios considerados (cuadro 1) así como los métodos empleados para su cálculo de ser el caso. Compartimiento ambiental Indica el compartimiento del sitio de liberación en el que se distribuye el organismo no blanco. Este criterio es de carácter cualitativo y puede tomar tantos valores como compartimientos ambientales sean identificados y muestreados en los sitios de liberación. Distancia filogenética El maíz es infestado por mas de 75 especies de insectos que atacan partes específicas de la planta. En las costas de Sinaloa y Sonora el gusano cogollero causa pérdidas de hasta el 90 % [64]. Las proteínas Cry son tóxicas principalmente para insectos de los órdenes Lepidoptera, Coleoptera, Hymenoptera y Diptera así como para nematodos [11, 28] y son altamente específicas para sus blancos [11, 59]. El modo de acción de la proteínas Cry de tres dominios, expresadas en los eventos de transformación resistentes a insectos actualmente en el mercado, ha sido caracterizado principalmente en lepidópteros. Pasan de una pro toxina inactiva a oligómeros insertados en la membrana de las micro vellosidades del intestino del insecto, que causan la fuga de iones y lisis celular. Las inclusiones cristalinas son disueltas en el ambiente alcalino del intestino y las pro toxinas inactivas son desdobladas por proteasas dando lugar al producto activo de 60-70 kDa [11]. Dado que las proteínas Cry expresadas en los eventos de maíz actuales son específicas para lepidópteros o coleópteros [59] y que el espectro de acción de cada proteína específica es restringido [28], pudiera considerarse como poco probable que tengan efectos negativos en ONB pertenecientes a otras 14 ACS-ZMØØ4-3 DAS-Ø6275-8 DAS-59122-7 MON80100 MON-8Ø2ØØ-7 PH-MON8Ø9-2 MON-ØØ81Ø-6 ` ` ` ` MON-89Ø34-3 ` SYN-EV176-9 SYN-BTØ11-1 ` ` ` ` SYN-IR6Ø4-5 Vip3Aa Cry9c Cry3Bb1 Cry35Ab1 ` ` ` SYN-IR162-4 ` ` ` MON-ØØ863-5 MON-88Ø17-3 Cry34Ab1 Cry3A Cry2Ab ` ` DAS-Ø15Ø7-1 DKB-89614-9 Cry1F Cry1A.105 Cry1Ac Evento Cry1Ab Proteína ` Cuadro 2: Proteínas insecticidas expresadas por los diferentes eventos de transformación sencillos de maíz para uso agrícola. 15 categorías taxonómicas. Sin embargo, existen algunos argumentos que cuestionan esta visión: 1. El conocimiento sobre la especificidad de las proteínas Cry que se tiene hasta ahora está limitado por el rango de toxinas y especies analizadas (i.e. el 91 % de las toxinas han sido probadas en 10 o menos especies y el rango de éstas no esta distribuido equitativamente entre las familias de proteínas y taxa). Además, se ha reportado actividad cruzada a nivel de orden para 15 familias de proteínas [30]. 2. Las pro toxinas inactivas son activadas mediante un proceso que reduce su peso molecular (p.ej. de 130-140 kDa a 60-65 kDa para la Cry1) en el intestino del insecto. Las proteínas expresadas en plantas GM presentan una estructura más activa (69 kDa para la Cry1Ab) que la de las producidas por bacterias [35, 37] con las que usualmente se realizan los bioensayos. 3. Dada la expresión constitutiva de las proteínas en las plantas GM, se extiende espacial y temporalmente su presencia en el agrosistema [35], pudiendo ocasionar efectos de carácter crónico en organismos no blanco expuestos de forma directa o indirecta. Debido al conocimiento actual sobre la especificidad de las proteínas Cry, se propone la cercanía filogenética entre el taxa blanco de un OGM resistente a insectos y los ONB presentes en el sitio de liberación, como un criterio de selección. Bajo la premisa de que es más probable que la proteínas insecticidas tengan efectos negativos en organismos más cercanos al blanco, este criterio se usa en combinación con el IP para seleccionar una especie o taxa. Aunque pudiera perecer que el uso de este criterio, por estar basado en la especificidad de las proteínas Cry, entra en conflicto con los argumentos expuestos anteriormente, este no es el caso; ya que la incorporación de criterios de filtrado permite que se seleccionen previamente especies o taxa diferentes al blanco del OGM. Este criterio es de carácter opcional pues, para el caso de los OGM tolerantes a herbicidas, no hay un organismo blanco como tal y las prácticas de manejo asociadas (i.e. la composición del herbicida utilizado para el control de malezas), no son específicas para un grupo o taxa en particular. 16 Figura 1: Número de eventos de transformación sencillos de maíz que expresan las diferentes proteínas insecticidas. 17 Figura 2: Mapa de calor que muestra la distancia filogenética entre los hexápodos; los dendrogramas representan similitud en el número de nodos, no ancestría común. 18 La distancia filogenética se calcula a partir de la filogenia de un grupo determinado. Tomando como base el dendrograma correspondiente, se crea un archivo parentético en formato nexus. A partir de este archivo, se crea una matriz cuadrada en la que se indica la distancia filogenética entre todos los taxa, en la forma de número de nodos de separación. Una vez reducida la lista de especies mediante los criterios de filtrado, las especies con mayor IP y menor valor en el criterio de cercanía filogenética, tendrán prioridad sobre las demás. Para probar el funcionamiento del método, se generó un archivo nexus a partir del dendrograma correspondiente a la filogenia de los hexápodos usada por Gullan y Cranston [32] (figura 3). Distribución Una especie restringida a uno o a unos cuantos tipos de hábitats representa potencialmente un mejor indicador de cambios ambientales que una especie generalista [14]. La distribución geográfica de los ONB con respecto a los sitios donde se encuentran los OGM es considerado como un criterio importante para la selección de especies [38]. Dufrêne y Legendre (1997) propusieron un método para identificar especies y ensamblajes de especies característicos de un grupo de sitios; este método combina, la abundancia relativa, con la frecuencia de ocurrencia relativa de las especies en los diferentes grupos de sitios incluidos en un estudio determinado para obtener un valor indicador (IndVal). Este valor esta compuesto por dos factores: Aij = N individuosij /N individuosi donde Aij es una medida de especificidad, N individuosij es el promedio de individuos de la especie i en los sitios que pertenecen al grupo j, mientras que N individuosi es la suma de los promedios de los individuos de la especie i en todos los grupos. Bij = N sitiosij /N sitiosj 19 Figura 3: Dendrograma de los hexápodos; tomado de [32] 20 Bij es una medida de fidelidad, N sitiosij es el número de sitios en el grupo j en donde la especie i está presente; N sitiosj es el número total de sitios en ese grupo. El IndVal de la especie i en el grupo j es: IndV alij = Aij ×Bij ×100 y toma su valor máximo (=100 %) cuando los individuos de la especie i están presentes en todos los sitios de un sólo grupo [24]: IndV ali = max [IndV alij ] Ya que el IndVal depende del tamaño relativo de los grupos de sitios (i.e. la proporción del total de sitios que pertenecen al grupo en cuestión) y que la información requerida sobre las especies es su abundancia, se utilizó la aproximación grupo-igualada basada en abundancia [14]: sgind v q u a /N ap u p p g X = Aind X Bind = u K tP c X Np /Nk k =1 en la que K es el número de grupos de sitios; Nk el número de sitios pertenecientes al k esimo grupo de sitios; ap es la suma de los valores de abundancia de las especies en el k esimo grupo de sitios; Np el numero de sitios pertenecientes al grupo de sitios en cuestión y c representa el número total de individuos por sitio. Los grupos de sitios o clusters se pueden definir a través de diferentes métodos de agrupamiento, de preferencia, usando información ambiental independiente de la utilizada para el cálculo del IndVal (i.e. abundancia y distribución de las especies) para establecer la cercanía. De esta forma, las especies indicadoras pueden considerarse como estrechamente relacionadas con las condiciones ecológicas del cluster donde habitan [10]. En general, a partir del 2006, las zonas de liberación de OGM se pueden clasificar espacialmente en dos niveles gruesos: 21 0 120 240 Kilometers 480 Figura 4: Ejemplo de tres polígonos generales de liberación de maíz solicitados por un promovente (en naranja) y las ecorregiones de México; izq. Sinaloa; cen. Laguna; der. Norte Tamaulipas. 22 0 25 50 Kilometers 100 Figura 5: Ejemplo de sitios puntuales de liberación ficticios dentro de un polígono general. 23 Cobertura Categorías Fuente Isotermas anuales 3 http://www.conabio.gob.mx/ Precipitación total anual 6 http://www.conabio.gob.mx/ Climas 7 http://www.inegi.org.mx/ Tipos de suelo 9 http://www.inegi.org.mx/ Provincias fisiográficas 6 http://www.inegi.org.mx/ Sub provincias fisiográficas 9 http://www.inegi.org.mx/ Humedad del suelo 3 http://www.inegi.org.mx/ Ecorregiones 7 http://www.conabio.gob.mx/ Rangos de humedad 3 http://www.conabio.gob.mx/ Cuadro 3: Número de categorías de cada cobertura presentes dentro de los polígonos generales de liberación. 1. Polígonos generales de liberación potencial. Representan áreas geográficas relativamente extensas, que pueden incluir o ser incluidas por uno o varios rasgos espaciales definidos por características ambientales mas o menos similares (p.ej. ecoregiones o distritos de riego) (figura 4). 2. Sitios puntuales de liberación. Ubicados dentro de los polígonos generales; corresponden a los campos donde se libera un OGM y es donde se genera la información sobre los organismos asociados al cultivo (figura 5). Dado que los polígonos generales de liberación pudieran presentar condiciones ambientales comunes, éstos pudieran ser considerados como clusters para el cálculo del IndVal. Para explorar la viabilidad de esta opción, se realizó un análisis de cluster jerárquico mediante el método de agrupamiento de pares con la media aritmética no ponderada (UPGMA) utilizando 9 coberturas de atributos climáticos, edafológicos y de regionalización. Se generaron 20 puntos al azar dentro de cada unos de los tres polígonos generales de liberación. Se construyó una matriz binaria con los valores categóricos de las coberturas correspondientes a cada punto, de acuerdo a su ubicación espacial. Como se aprecia en el dendrograma obtenido (figura 6), la agrupación de los puntos de acuerdo a los valores de las coberturas consideradas coincida 24 Figura 6: Dendrograma de los 60 sitios aleatorios generados dentro de los tres polígonos generales; las etiquetas corresponden a las siglas del polígono al que pertenecen. 25 A Sitio Especie sp1 sp2 sp3 sp4 sp5 sp6 sp7 sp8 1 10 10 8 10 10 5 0 3 2 10 0 8 10 8 3 10 1 3 10 0 0 10 7 0 0 2 1.825 2.309 1.825 2.372 1.154 1.054 0.585 Cluster IndVal 3.162 B 4 0 0 0 10 0 4 10 2 5 0 0 0 10 6 0 0 5 6 0 0 0 10 0 2 0 10 0.000 0.000 1.825 0.569 0.866 1.054 1.659 IndVal 0.000 C 7 0 0 0 10 0 2 10 7 8 0 0 0 10 6 0 0 3 9 0 0 0 10 0 0 0 2 0.000 0.000 1.825 0.569 0.288 1.054 1.171 IndVal 0.000 Cuadro 4: Ejemplo de valores IndVal calculados a partir de la distribución y abundancia simulada de ocho especies en nueve sitios agrupados en tres clusters. totalmente a la de los polígonos generales solicitados. Transportando los niveles de organización espacial a las definiciones del valor indicador, el grupo de sitios o cluster correspondería al nivel 1, mientras que los sitios al nivel 2. En el cuadro 4 se muestra un ejemplo del valor IndVal de diferentes especies calculado a partir de datos de abundancia simulados; en ella se puede apreciar como los valores dependen de la abundancia y distribución de las especies en todos los clusters. sp1 y sp8 toman valores extremos en el cluster A pero no en el B y C. El IndVal ha sido utilizado en diferentes estudios [9, 8, 29, 31, 72, 47, 50, 67], sintéticamente, puede definirse como: “una aproximación que busca las especies que son tanto necesarias como suficientes, i.e. si se encuentra una especie determinada, se sabe que se está en un tipo de sitio y si se está en ese tipo de sitio, se debería encontrar esa especie” [10]. Tomando en cuenta los requerimientos para su cálculo y la naturaleza de la información asociada 26 a la mayoría de las liberaciones de OGM en México, se consideró este valor como un representante adecuado del criterio abundancia y distribución. Exposición La exposición de los organismos no blanco a las proteínas insecticidas puede darse de manera directa mediante el consumo de tejidos de la planta GM o indirecta a través de diferentes niveles tróficos [5, 4, 6, 2]. Se puede considerar mas probable la ocurrencia de efectos negativos en ONB expuestos directamente a las proteínas insecticidas, que en aquellos expuestos de forma indirecta [68]. Fenología Tomando en cuenta que los efectos en poblaciones expuestas durante todo su ciclo de vida a las proteínas Cry, podrían ser mayores que en aquellas poblaciones expuestas únicamente durante un estadio [38, 68], un valor mayor en este criterio indica mayor prioridad de selección. El valor de la fenología se calcula sumando la cantidad de fechas diferentes de una misma campaña de muestreo, en que se encontró una especie determinada. Gremio Este criterio permitirá elegir de la lista de especies o taxa presentes en los sitios de liberación, aquellos que pertenezcan a algún gremio en particular. Algunos autores consideran como una aproximación mas robusta el utilizar los grupos funcionales en lugar de especies individuales como criterio de selección [38]. La inclusión de organismos representativos de diferentes gremios en las evaluaciones de riesgo y programas de monitoreo es un elemento común encontrado en la literatura. Meta de protección Al igual que en el proceso de análisis de riesgo, el monitoreo debería idealmente estar vinculado a una o varias metas de protección específicas. Este 27 criterio agrupa a otros considerados de forma independiente por algunos autores [23, 38, 68, 6]. La meta de protección puede fundamentarse en motivaciones de diferente tipo, como la conservación de especies raras o amenazadas, la protección de algún proceso ecológico o el valor cultural de determinadas especies. Dada la estructura en que se almacenan los datos, cada especie o taxa presente en el sitio de liberación puede tener asociada una o muchas metas de protección. Estas metas pueden ser establecidas por los tomadores de decisión. Relevancia Directamente asociado con la meta de protección, la relevancia representa un valor calculado a partir del juicio de experto que refleja la importancia de la especie correspondiente, para la meta o metas de protección identificadas con las que esta relacionada. Este criterio resulta particularmente polémico ya que los valores establecidos pueden variar considerablemente dependiendo de la persona que los establezca o ,en muchos casos, pueden ser desconocido. Para conocer la viabilidad del criterio y establecer la variabilidad de las valoraciones, se diseñó un formato de consulta en línea. El objetivo es distribuirlo a través del correo electrónico a diferentes actores, de preferencia expertos en las áreas del conocimiento relacionadas con con los efectos de OGM, para conocer su opinión al respecto. El archivo se envía como un formulario en formato .pdf que puede ser llenado directamente; las respuestas se envían automáticamente a un correo electrónico establecido presionando un botón. Además de consultar sobre la relevancia, en la consulta se solicita la asignación del nivel de importancia que, a juicio del consultado, deberían tener los criterios exposición, distancia filogenética y fenología. En caso de no contarse con información que permita establecer un valor de relevancia, algunos autores proponen la adopción de un enfoque precautorio y asignan un nivel “alto” al criterio en cuestión [38]. Sin embargo, dado que la relevancia se consideró como el segundo criterio en nivel de importancia, el asignar valores altos tendría un efecto importante en el IP, pudiendo llevar a sobre estimar la prioridad de ciertas especies cuya relevancia, probable- 28 mente, no sea tan grande. En el MSEP se propone utilizar la mediana de los valores de relevancia como substituto de los datos ausentes. Índice de Prioridad Ponderación de los criterios No todos los criterios considerados contribuyen en igual magnitud para el IP. La ponderación de éstos, aunque basada en evidencia científica, es de carácter subjetivo. Existen métodos formales que permiten traducir la subjetividad asociada a la importancia de un criterio en relación a otro (p. ej. a es mucho mas importante que b). El proceso analítico jerárquico o AHP por sus siglas en inglés, es una teoría de medición a través de comparaciones pareadas desarrollada por Thomas L. Saaty en la década de los 70. Se basa en el juicio de experto para derivar las escalas de prioridad de los atributos asociados a las diferentes alternativas, en una toma de decisiones dada. El método consiste en descomponer un problema de decisión complejo en sus componentes estructurales y ponderar una contra otra todas las distintas alternativas. La particularidad de este modelo es que permite la incorporación y medición, en términos relativos, de atributos intangibles o subjetivos [61, 70]. El peso de los criterios considerados en el MSEP se calculó mediante el método del eigenvalor [33], que forma parte del AHP. Para ello, se realizó una comparación pareada de cada criterio en la que se asignó la importancia relativa de cada uno con respecto a los demás (cuadro 6), formando así una matriz recíproca (cuadro 7). El valor numérico que representa el nivel de importancia de cada criterio se estableció de acuerdo a la escala propuesta por Saaty [60] (cuadro 5). Para medir la consistencia del juicio subjetivo y las ponderaciones establecidas en función de este juicio (B A ∧ A C ⇒ B C), se calculó el Índice de Consistencia (C.I.) mediante la formula: C.I. = (λmax − n) (n − 1) donde λmax corresponde al máximo eigenvalor de la matriz recíproca (λmax = 4.2403) y n es el número de criterios. 29 Intensidad Definición lingüística Explicación 1 Igual importancia Las dos actividades contribuyen de la misma forma. 3 Moderada importancia La experiencia y el juicio favorecen fuertemente a una actividad sobre la otra. 5 Fuerte importancia La experiencia y el juicio favorecen fuertemente a una actividad sobre la otra. 7 Muy fuerte importancia Una actividad es fuertemente favorecida y su dominancia se demuestra en la práctica. 9 Extrema importancia La evidencia que favorece fuertemente a una actividad sobre la otra es del mayor orden de magnitud posible. 2,4,6,8 Valores intermedios Cuando es necesario. Cuadro 5: Escala de importancia; tomada de [60]. También se calculó la Razón de Consistencia (C.R.) mediante la formula: C.R. = C.I. R.I. donde R.I. se refiere al Índice de Consistencia Aleatorio, obtenido a partir de una muestra grande de matrices recíprocas generadas aleatoriamente [33] (cuadro 8). Los valores obtenidos indican que no es necesario reevaluar las ponderaciones entre criterios (C.I. = 0.0801 y C.R. = 0.09) [60, 33]. Una vez evaluada la consistencia de las ponderaciones, se normalizó el eigenvector correspondiente al máximo eigenvalor de la matriz recíproca mediante la formula: w fj wj = Pn wei i=1 30 Importancia + 9 = 8 7 IndVal IndVal IndVal IndVal ` ` 6 5 4 3 ` ` 2 3 4 5 6 7 8 9 IndVal Relev Expo ` Expo 1 Expo Expo Expo 2 - Relev ` ` Relev Relev ` Relev ` ` Relev ` ` Feno IndVal Expo ` Feno Feno IndVal Expo Relev Feno Feno Feno ` ` ` Feno IndVal Expo Relev Feno Cuadro 6: Tabla Comparativa de la importancia relativa de cada criterio. IndVal Exposición Relevancia Fenología IndVal 1 1/5 1/7 1/7 Exposición Relevancia Fenología 5 7 7 1 3 5 1/3 1 3 1/5 1/3 1 λmax = 4.2403 C.I. = 0.0801 C.R. = 0.09 Cuadro 7: Matriz recíproca comparativa de la importancia de los criterios. 31 # de criterios 3 4 5 6 7 8 9 10 11 12 13 R.I. 0.52 0.89 1.11 1.25 1.35 1.40 1.45 1.49 1.51 1.54 1.56 Cuadro 8: Índice de Consistencia aleatorio para diferentes cantidades de criterios; tomado de [33]. Criterio IndVal Exposición Relevancia Fenología Peso 0.6428 0.2087 0.0972 0.0512 Cuadro 9: Pesos de los diferentes criterios. El vector resultante corresponde a los pesos de cada uno de los criterios: w0 = [0.6428, 0.2087, 0.0972, 0.0512], (cuadro 9). Aunque tiene algunas desventajas como la reversión de rangos si se añaden o remueven alternativas y la subjetividad de la ponderación de los criterios [70], el AHP ha mostrado su utilidad en problemas similares de selección de especies indicadoras [49]. En este caso, el AHP únicamente se utilizó para calcular el peso de los diferentes criterios. Cálculo del Índice de Prioridad El índice de prioridad se calcula mediante la Ponderación Aditiva Simple (SAW por sus siglas en inglés) que es uno de los métodos mas usados en las MCDM [33], dónde la mejor alternativa se deriva de la ecuación: A∗ = {ui (x) |max ui (x) |i = 1, 2, ..., n} en la que ui (x) denota la utilidad de la i esima alternativa e i = 1, 2, . . . , n. Una alternativa es mejor mientras mayor sea el valor obtenido. Dado que los valores de los diferentes criterios no corresponden a unidades comparables, éstos deben ser normalizados mediante la expresión: nij = rij rj∗ donde rj∗ es el máximo valor de r en la columna j. Así, los criterios se vuelven conmensurables y se encuentran comprendidos en un rango de 0 a 1. 32 Una vez normalizados los valores, se calcula el valor de desempeño de la i esima alternativa (pi ) mediante la formula: pi = m X wj rij j=1 donde wj corresponde al peso del j esimo criterio y rij representa el valor normalizado de la i esima alternativa con respecto al j esimo criterio. Substituyendo parcialmente la formula anterior, el Índice de prioridad de la i esima especie (I.P.i ) se calcula de la siguiente forma: I.P.i = (IndV alni X 0.6428) + (expni X 0.2087) + (relevni X 0.0972) + (f enoni X 0.0512) donde IndV alni , expni , relevni y f enoni corresponden a los valores normalizados que presenta la i esima especie para cada criterio. En el cuadro 10 se presenta una simulación en la que se asignaron valores a los diferentes criterios del MSEP. Para aquellos diferentes al IndVal, éstos fueron asignados de tal manera que la sp1 y la sp7 representaran la mejor y peor alternativa respectivamente. En función de los valores del IP, el orden de selección de las especies sería: sp1 sp5 sp2 sp3 sp4 sp6 sp8 sp7. Base de datos Para almacenar los datos generados sobre los organismos asociados a los cultivos GM y convencionales en los sitios de liberación, se diseño una base de datos relacional en el manejador MySQL que permite realizar las búsquedas necesarias para la conformación de la matriz de selección y el cálculo del IP. Debido a la cardinalidad de las relaciones que existen entre los diferentes tipos de datos, el almacenarlos en una hoja plana del tipo “hoja de cálculo” haría inviable la recuperación de los datos con la estructura adecuada y la automatización del proceso. MySQL puede ser descargado de forma gratuita en la página http://www.mysql.com/. 33 IndVal expo relev feno IndValn expon relevn fenon IP sp1 3.162 3 3 3 1.000 1.000 1.000 1.000 0.9999 sp2 1.825 3 2 2 0.577 1.000 0.666 0.666 0.6788 sp3 2.309 1 2 3 0.730 0.333 0.666 1.000 0.6550 sp4 1.825 2 2 2 0.577 0.666 0.666 0.666 0.6092 sp5 2.372 3 3 3 0.750 1.000 1.000 1.000 0.8395 sp6 1.154 1 3 3 0.365 0.333 1.000 1.000 0.4527 sp7 1.054 1 1 1 0.333 0.333 0.333 0.333 0.3333 sp8 0.585 3 2 1 0.185 1.000 0.666 0.333 0.4096 Cuadro 10: Matriz de valores simulados para los criterios cuantitativos del MSEP; IndValn, expon, relevn y fenon corresponden a los valores normalizados; IP = Índice de prioridad; IndVal = IndVal del cluster A de la tabla 4. La base de datos consta de 16 tablas que representan las diferentes entidades en que se pueden descomponer los datos. En la figura 7 se muestra el modelo lógico correspondiente. Ya que no se cuenta con datos sobre los organismos presentes en los sitios de liberación, las tablas de la base se poblaron con datos ficticios para probar el funcionamiento del MSEP. 34 35 Figura 7: Modelo de la base de datos. Cálculos El MSEP integra la información en forma tabular mediante una matriz semejante en su estructura a la propuesta por Andow, et al. [6]; las columnas representan los diferentes criterios considerados y las filas a las especies encontradas en el sitio de liberación. Los cálculos necesarios para obtener el valor de los criterios que así lo requieren así como el IP, se realizan mediante el lenguaje de programación estadístico R [66]. Este lenguaje presenta varias ventajas en lo que respecta a la integración del presente método: 1. Existencia de librerías específicas que permiten calcular directamente los valores de los criterios. El cálculo del IndVal se realiza mediante la librería indicspecies [15], la distancia filogenética a partir del archivo nexus se calcula con la función distTips de la librería adephylo [42] mientras que los índices de diversidad de las comunidades muestreadas, con las funciones respectivas de la librería vegan [54]. 2. Interoperatividad con la base de datos. El valor de los diferentes criterios se calcula a partir de tablas creadas mediante búsquedas específicas en la base de datos. La librería RMySQL [41] permite establecer la interfase necesaria entre R y el manejador MySQL para el intercambio bidireccional de datos. 3. Libre y de código abierto. Se puede descargar gratuitamente de la dirección http://www.r-project.org/ . Automatización Si bien los componentes de software integrados en el MSEP tienen muchas ventajas, R y MySQL presentan el inconveniente de ser poco amigables con el usuario. Ya que las instrucciones se ingresan mediante una interfase de línea de comandos (CLI), el usuario debe tener conocimiento de ambos lenguajes. Para minimizar al máximo la interacción con el software, se escribió un script (MESP.r) que permite la interacción mediante una interfase gráfica y realiza todos los cálculos necesarios de manera automática. Una vez concluidos los cálculos, se exporta la matriz de selección resultante a un archivo 36 delimitado por comas (.csv). Además de este archivo, el script genera una serie de gráficas que presentan información sobre la diversidad y riqueza de especies de los diferentes sitios de liberación (figura 13). Varios estudios en los que se analizan los posibles efectos de cultivos GM en organismos no blanco en campo, incluyen índices de este tipo, que reflejan la heterogeneidad de las poblaciones o comunidades estudiadas [16, 19, 27, 48, 71] y permiten su comparación. En las figuras 8 y 9 se muestra de forma esquemática la integración del MSEP. Consideraciones finales La utilidad del método de selección de especies prioritarias aquí propuesto, depende completamente de la cantidad y calidad de la información generada en los sitios de liberación. En este sentido, se necesitan datos de al menos dos sitios de liberación diferentes. Se recomienda utilizar la estructura de las tablas de la base de datos como referencia para la solicitud de ésta y así minimizar el manejo y la adecuación de los datos entregados. El script permite la generación de la matriz de selección de forma automática; si se requerien realizar cambios de fondo (p.ej. la utilización de otro dendrograma para el cálculo de la distancia filogenética), es necesario realizar modificaciones tanto al script como a la base de datos. Dada la robustez del software utilizado, es posible realizar muchas otras busquedas y análisis diferentes a los considerados; sin embargo, se recomienda que ésto sea llevado a cabo por una persona que posea conocimentos sobre ambos lenguajes. 37 Distancia filogenética Nivel de exposición Fenología Distribución Base de datos Sp. Indicadoras Lenguaje estadístico Figura 8: Estructura gráfica del método de selección propuesto; las dos lineas inferiores vienen del la figura 9 38 Gremio Compartimiento ambiental Relevancia Meta de protección Figura 9: Estructura gráfica del método de selección propuesto; las lineas superiores conectan con la figura 8 39 Figura 10: Vistas de la interfase gráfica del MSEP; izq. carga del archivo nexus; der. calculo de la distancia filogenética. Figura 11: Vistas de la interfase gráfica del MSEP: izq. selección del cluster; der. selección del taxa blanco del OGM. Figura 12: Vista de la interfase gráfica del MSEP; aviso de término. 40 Figura 13: Diferentes índices de diversidad calculados para los sitios de liberación; sup. izq. riqueza de especies; sup. der. índice de diversidad de Simpson; inf. izq. Índice de diversidad de Shanon; inf. der. dendrograma de agrupamiento de los sitios en función de las especies presentes. 41 Bibliografía [1] United States Environmental Protection Agency. Guidelines for ecological risk assessment. EPA/630/R. Risk Assessment Forum, U.S. Environmental Protection Agency, 1998. [2] F. Álvarez-Alfageme, N. Ferry, P. Castañera, F. Ortego, and A.M.R. Gatehouse. Prey mediated effects of bt maize on fitness and digestive physiology of the red spider mite predator stethorus punctillum weise (coleoptera: Coccinellidae). Transgenic Research, 17(5):943–954, 2008. [3] D A Andow, A N E Birch, A N Dusi, E M G Fontes, A Hilbeck, and A Lang. Non-target and biodiversity risk assessment for genetically modified ( gm ) crops. The 9th International Symposium on the Biosafety of Genetically Modified Organisms Jeju Island Korea 2429 September 2006 biosafety research and environmental risk assessment, pages 70–75, 2006. [4] D.A. Andow and A. Hilbeck. Environmental risk assessment of genetically modified organisms: A Case Study of Bt Maize in Kenya, chapter Bt Maize, Risk Assessment and the Kenya Case Study, pages 1–20. Cabi Series. CABI, 2004. [5] D.A. Andow and A. Hilbeck. Science-based risk assessment for nontarget effects of transgenic crops. BioScience, 54(7):637–649, 2004. [6] D.A. Andow, A. Hilbeck, and N.V. Tuat. Environmental risk assessment of genetically modified organisms: Challenges and opportunities with Bt cotton in Vietnam. Cabi Series. CABI, 2008. [7] S. Bonny. Genetically modified glyphosate-tolerant soybean in the usa: adoption factors, impacts and prospects. a review. Agronomy for Sustainable Development, 28(1):21–32, 2008. [8] D. Bonte, L. Baert, L. Lens, and J.P. Maelfait. Effects of aerial dispersal, ha- 42 bitat specialisation, and landscape structure on spider distribution across fragmented grey dunes. Ecography, 27(3):343–349, 2004. [9] D. Bonte, N. Vandenbroecke, L. Lens, and J.P. Maelfait. Low propensity for aerial dispersal in specialist spiders from fragmented landscapes. Proceedings of the Royal Society of London. Series B: Biological Sciences, 270(1524):1601–1607, 2003. [10] D. Borcard, F. Gillet, and P. Legendre. Numerical ecology with R. Springer Verlag, 2011. [11] A. Bravo, S.S. Gill, and M. Soberon. Mode of action of bacillus thuringiensis cry and cyt toxins and their potential for insect control. Toxicon, 49(4):423– 435, 2007. [12] G. Brookes. The benefits of adopting genetically modified, insect resistant (bt) maize in the european union (eu): first results from 1998-2006 plantings. PG Economics Ltd, UK, 2007. [13] G. Brookes and P. Barfoot. Gm crops: The first ten years–global socioeconomic and environmental impacts. ISAAA Brief, 36, 2006. [14] M.D. Cáceres and P. Legendre. Associations between species and groups of sites: indices and statistical inference. Ecology, 90(12):3566–3574, 2009. [15] Miquel De Caceres and Pierre Legendre. Associations between species and groups of sites: indices and statistical inference, 2009. [16] MP Candolfi, K. Brown, C. Grimm, B. Reber, and H. Schmidli. A faunistic approach to assess potential side-effects of genetically modified bt-corn on non-target arthropods under field conditions. Biocontrol Science and Technology, 14(2):129–170, 2004. [17] V. Carignan and M.A. Villard. Selecting indicator species to monitor ecological integrity: a review. Environmental Monitoring and Assessment, 78(1):45–61, 2002. [18] T. Caro and S. Girling. Conservation by Proxy: Indicator, Umbrella, Keystone, Flagship, and Other Surrogate Species. Island Press, 2010. [19] MG Cattaneo, C. Yafuso, C. Schmidt, C. Huang, M. Rahman, C. Olson, C. Ellers-Kirk, BJ Orr, SE Marsh, L. Antilla, et al. Farm-scale evaluation of transgenic cotton impacts on biodiversity, pesticide use, and yield. Proceedings of the National Academy of Sciences USA, 103:7571–7576, 2006. 43 [20] A.L. Cerdeira and S.O. Duke. The current status and environmental impacts of glyphosate-resistant crops. Journal of Environmental Quality, 35:633–1658, 2006. [21] Cámara de Diputados del H. Congreso de la Unión. Ley de bioseguridad de organismos genéticamente modificados. 2005. [22] Y. Devos, M. Cougnon, S. Vergucht, R. Bulcke, G. Haesaert, W. Steurbaut, and D. Reheul. Environmental impact of herbicide regimes used with genetically modified herbicide-resistant maize. Transgenic research, 17(6):1059–1077, 2008. [23] P. Duelli and M.K. Obrist. Biodiversity indicators: the choice of values and measures. Agriculture, ecosystems & environment, 98(1-3):87–98, 2003. [24] M. Dufrene and P. Legendre. Species assemblages and indicator species: the need for a flexible asymmetrical approach. Ecological monographs, 67(3):345–366, 1997. [25] M.G. Edwards and G.M. Poppy. Environmental Impact of Genetically Modified Crops, chapter Environmental Benefits of Genetically Modified Crops, pages 40–58. Cabi Series. CABI, 2009. [26] AE Eycott, K. Watts, DG Moseley, and D. Ray. Evaluating biodiversity in fragmented landscapes: use of focal species. Forestry Commission Information Note, 89, 2007. [27] G.P. Farinos, M. De la Poza, P. Hernandez-Crespo, F. Ortego, and P. Castaņera. Diversity and seasonal phenology of aboveground arthropods in conventional and transgenic maize crops in central spain. Biological Control, 44(3):362–371, 2008. [28] B.A. Federici, H.W. Park, and D.K. Bideshi. Overview of the basic biology of bacillus thuringiensis with emphasis on genetic engineering of bacterial larvicides for mosquito control. Open Toxinol. J, 3:154–171, 2010. [29] J. Foata, D. Mouillot, JL Culioli, B. Marchand, et al. Influence of season and host age on wild boar parasites in corsica using indicator species analysis. Journal of helminthology, 80(1):41–46, 2006. [30] K. Frankenhuyzen. Insecticidal activity of bacillus thuringiensis crystal proteins. Journal of invertebrate pathology, 101(1):1–16, 2009. 44 [31] A.C. Grandchamp, A. Bergamini, S. Stofer, J. Niemelä, P. Duelli, and C. Scheidegger. The influence of grassland management on ground beetles (carabidae, coleoptera) in swiss montane meadows. Agriculture, ecosystems & environment, 110(3):307–317, 2005. [32] P.J. Gullan and P.S. Cranston. The Insects: An Outline of Entomology. WileyBlackwel, 2010. [33] T. Gwo-Hshiung, G.H. Tzeng, and J.J. Huang. Multiple Attribute Decision Making: Methods and Applications. Taylor & Francis, 2011. [34] A.L. Hammond and World Resources Institute. Environmental indicators: a systematic approach to measuring and reporting on environmental policy performance in the context of sustainable development. World Resources Institute Washington, DC, 1995. [35] A. Hilbeck. Implications of transgenic, insecticidal plants for insect and plant biodiversity. Perspectives in Plant Ecology, Evolution and Systematics, 4(1):43–61, 2001. [36] A. Hilbeck, M. Meier, and A. Benzler. Identifying indicator species for post-release monitoring of genetically modified, herbicide resistant crops. Euphytica, 164(3):903–912, 2008. [37] A. Hilbeck and JEU Schmidt. Another view on bt proteins-how specific are they and what else might they do. Biopesticides International, 2(1):1–50, 2006. [38] ANGELIKA HILBECK, SALVATORE ARPAIA, A. NICHOLAS E. BIRCH, YOLANDA CHEN, ELIANA M.G. FONTES, ANDREAS LANG, LÊ THI THU HÔNG, GABOR L. LÖVEI, BARBARA MANACHINI, NGUYÊN THI THU CÚC, NGUYÊN VAN HUYNH, NGUYÊN VAN TUÂT, PHAM VAN LÂM, PHAM VAN TOAN, CARMEN S.S. PIRES, EDISON R. SUJII, TRÀC KHU O NG LAI, EVELYN UNDERWOOD, RON E. WHEATLEY, LEWIS J. WILSON, CLAUDIA ZWAHLEN, and DAVID A. ANDOW. Environmental risk assessment of genetically modified organisms: Challenges and opportunities with Bt cotton in Vietnam, chapter Nontarget and Biological Diversity Risk Assessment, pages 115–137. Cabi Series. CABI, 2008. [39] R.A. Hill. Conceptualizing risk assessment methodology for genetically modified organisms. Environmental Biosafety Research, 4(2):67–70, 2005. 45 [40] Clive James. Global Status of Commercialized Biotech/GM Crops: 2011. Number 43. ISAAA, Ithaca, NY., 2011. [41] David A. James and Saikat DebRoy. RMySQL: R interface to the MySQL database, 2012. R package version 0.9-3. [42] T. Jombart and S. Dray. adephylo: exploratory analyses for the phylogenetic comparative method. Bioinformatics, 26:1907–1909, 2010. [43] S.E Jỳrgensen, Fu-Liu Xu, João C. Marques, and Fuensanta Salas. Handbook of ecological indicators for assessment of ecosystem health., chapter Application of Indicators for the Assessment of Ecosystem Health, pages 9–64. Boca Raton. Taylor & Francis„ 2010. [44] J.R. Karr. Biological integrity: a long-neglected aspect of water resource management. Ecological applications, 1(1):66–84, 1991. [45] K.M. Kjer, F.L. Carle, J. Litman, and J. Ware. A molecular phylogeny of hexapoda. Arthropod Systematics and Phylogeny, 64(1):35–44, 2006. [46] F.A. Lootsma. Multi-Criteria Decision Analysis Via Ratio and Difference Judgement. Applied Optimization. Kluwer, 1999. [47] I. Mathe. Forest edge and carabid diversity in a carpathian beech forest. Community Ecology, 7(1):91–97, 2006. [48] X. Men, F. Ge, X. Liu, and E.N. Yardim. Diversity of arthropod communities in transgenic bt cotton and nontransgenic cotton agroecosystems. Environmental Entomology, 32(2):270–275, 2003. [49] K.R. Moseley, W.M. Ford, J.W. Edwards, and M.P. Strager. A multi-criteria decisionmaking approach to management indicator species selection for the monongahela national forest, west virginia. Res. Pap. NRS-12. Newtown Square, PA: US Department of Agriculture, Forest Service, Northern Research Station. 22 p., 2010. [50] D. Mouillot, J.M. Culioli, and T.D. Chi. Indicator species analysis as a test of non-random distribution of species in the context of marine protected areas. Environmental conservation, 29(03):385–390, 2002. [51] D. Niemeijer. Developing indicators for environmental policy: data-driven and theory-driven approaches examined by example. Environmental Science & Policy, 5(2):91–103, 2002. 46 [52] D. Niemeijer and R.S. de Groot. A conceptual framework for selecting environmental indicator sets. Ecological indicators, 8(1):14–25, 2008. [53] G.J. Niemi and M.E. McDonald. Application of ecological indicators. Annual Review of Ecology, Evolution, and Systematics, pages 89–111, 2004. [54] Jari Oksanen, F. Guillaume Blanchet, Roeland Kindt, Pierre Legendre, Peter R. Minchin, R. B. O’Hara, Gavin L. Simpson, Peter Solymos, M. Henry H. Stevens, and Helene Wagner. vegan: Community Ecology Package, 2012. R package version 2.0-3. [55] EFSA Panel on Genetically Modified Organisms. Scientific opinion on the annual post-market environmental monitoring (pmem) report from monsanto europe s.a. on the cultivation of genetically modified maize mon 810 in 2010. EFSA Journal, 10:2610, 2012. [56] Ad Hoc Technical Expert Group (AHTEG) on Risk Assessment and Risk Management under the Cartagena Protocol on Biosafety. GUIDANCE ON RISK ASSESSMENT OF LIVING MODIFIED ORGANISMS. Secretariat of the Convention on Biological Diversity. United Nations Environment Programme, 2010. [57] JR Prasifka, RL Hellmich, GP Dively, LS Higgins, PM Dixon, and JJ Duan. Selection of nontarget arthropod taxa for field research on transgenic insecticidal crops: using empirical data and statistical power. Environmental entomology, 37(1):1–10, 2008. [58] H.L. Rees, J.L. Hyland, K. Hylland, C.S.L. Mercer Clarke, J.C. Roff, and S. Ware. Environmental indicators: utility in meeting regulatory needs. an overview. ICES Journal of Marine Science: Journal du Conseil, 65(8):1381–1386, 2008. [59] J. Romeis, A.M. Shelton, and G.G. Kennedy. Integration of insect-resistant genetically modified crops within IPM programs. Progress in biological control. Springer, 2008. [60] T.L. Saaty. How to make a decision: the analytic hierarchy process. European journal of operational research, 48(1):9–26, 1990. [61] T.L. Saaty. Decision making with the analytic hierarchy process. International Journal of Services Sciences, 1(1):83–98, 2008. 47 [62] M.J. Samways, M.A. McGeoch, and T.R. New. Insect conservation: a handbook of approaches and methods. Techniques in ecology and conservation series. Oxford University Press, 2010. [63] O. Sanvido, F. Widmer, M. Winzeler, and F. Bigler. A conceptual framework for the design of environmental post-market monitoring of genetically modified plants. Environmental Biosafety Research, 4(1):13–27, 2005. [64] J. A. Sifuentes, A. Plagas del maiz en Mexico. INIA. Folleto de Divulgacion. INIA, 1985. [65] I.F. Spellerberg. Monitoring ecological change. Cambridge University Press, 2005. [66] R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2012. ISBN 3-900051-07-0. [67] César Tejeda-Cruz, Klaus Mehltreter, and Vinicio J. Sosa. Agroecosistemas cafetaleros de Veracruz: biodiversidad, manejo y conservación, chapter Indicadores ecológicos multi-taxonómicos, pages 271–278. Instituto de Ecología, A. C., 2008. [68] J.H. Todd, P. Ramankutty, E.I. Barraclough, and L.A. Malone. A screening method for prioritizing non-target invertebrates for improved biosafety testing of transgenic crops. Environmental Biosafety Research, 7(1):35– 56, 2008. [69] G.T. Tzotzos, R. Hull, and G.P. Head. Genetically modified plants: assessing safety and managing risk. Academic Press, 2009. [70] John Wang, Chandana Chakraborty, and Huanyu Ouyang. Encyclopedia of Decision Making and Decision Support Technologies, chapter The Analytic Hierarchy Process: Structuring, Measurement, and Synthesis, pages 29–37. Number v. 1 in Encyclopedia of Decision Making and Decision Support Technologies. Igi Global, 2008. [71] M.E.A. Whitehouse, LJ Wilson, and GP Fitt. A comparison of arthropod communities in transgenic bt and conventional cotton in australia. Environmental Entomology, 34(5):1224–1241, 2005. [72] H.K. Yard, C. Van Riper III, B.T. Brown, and M.J. Kearsley. Diets of insectivo- 48 rous birds along the colorado river in grand canyon, arizona. The Condor, 106(1):106–115, 2004. [73] Terry F. Young and Stephanie Sanzone. A framework for assessing and reporting on ecological condition: An sab report. Technical report, United States Environmental Protection Agency, 2002. [74] W. Z üghart, A. Benzler, F. Berhorn, U. Sukopp, and F. Graef. Determining indicators, methods and sites for monitoring potential adverse effects of genetically modified plants to the environment: the legal and conceptional framework for implementation. Euphytica, 164(3):845–852, 2008. 49