Indicadores para el monitoreo de efectos de la liberación de maíz

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