allana

Modelo linear misto (LMER) com época, horário e temperatura do solo como efeitos fixos, e colônia como efeito aleatório.

Testar se a expressão de HSPs varia com sazonalidade e ambiente imediato.

Expressão relativa de HSPs (ΔΔCt) em função de época, horário e temperatura do solo. Comparar médias ajustadas e significâncias.

library(lme4)
modelo_hsp <- lmer(HSP_expr ~ Epoca * Horario + T_solo + (1 | Colonia), data = dados)
summary(modelo_hsp)

• se p < 0.05 para Epoca: há aclimatação sazonal (diferentes níveis de HSPs no verão e inverno).
• se p < 0.05 para Horario: efeito imediato do ciclo dia/noite sobre a expressão.
• se p < 0.05 para T_solo: resposta plástica de curto prazo, maior expressão sob maior temperatura.
• se interação significativa (Epoca:Horario ou Epoca:T_solo): a resposta plástica depende do contexto sazonal.
• se nenhum efeito significativo: expressão basal estável, possivelmente estratégia pré-adaptativa.

Se a época for significativa, observamos uma aclimatação sazonal, com maior expressão de HSPs em períodos de maior estresse térmico. Estudos com formigas em regiões tropicais já demonstraram esse padrão, sugerindo uma plasticidade molecular alinhada ao regime climático (ex.: Nguyen et al. 2016 em Solenopsis). Se o horário for significativo, indica que a expressão é ajustada ao ciclo térmico diário, como visto em insetos do semiárido que apresentam picos de expressão coincidentes com temperaturas extremas (Ribeiro et al. 2020). A significância da temperatura do solo reforça o papel imediato do ambiente físico como gatilho da resposta molecular, típico de proteínas de choque térmico. Caso não haja efeito, sugere expressão basal estável — o que pode representar uma estratégia de pré-adaptação, como descrito para espécies termófilas (Angilletta 2009), nas quais a manutenção de níveis constitutivos de HSPs substitui respostas induzíveis. Assim, esses resultados permitem discutir se a espécie estudada responde plasticamente ou mantém uma estratégia fixa de tolerância.

Modelo linear misto (LMER) com TTmax como resposta, época e horário como fixos, e colônia como aleatório.

Avaliar aclimatação fisiológica de longo e curto prazo.

Comparar médias de TTmax entre épocas (verão x inverno) e horários (dia x noite).

modelo_ttmax <- lmer(TTmax ~ Epoca * Horario + (1 | Colonia), data = dados)
summary(modelo_ttmax)

• se p < 0.05 para Epoca: TTmax maior no verão → aclimatação sazonal.
• se p < 0.05 para Horario: TTmax maior no dia → ajuste imediato ao ambiente.
• se interação significativa: efeito do horário varia entre estações.
• se nenhum efeito significativo: limites térmicos são estáveis, indicando rigidez fisiológica.

Um efeito da época indica aclimatação sazonal: TTmax mais alto no verão reflete ajuste fisiológico a condições mais quentes, como demonstrado em Camponotus coletados em ambientes mediterrâneos (Cerdá et al. 1998). Diferenças entre horários sugerem plasticidade de curto prazo, possivelmente ligada à depleção/reposição de reservas fisiológicas ao longo do ciclo circadiano. Quando não há diferenças, a interpretação aponta para limites fisiológicos rígidos, o que pode indicar vulnerabilidade em cenários de aquecimento climático, pois a espécie dispõe de menor capacidade de ajuste. Esse tipo de rigidez já foi observado em espécies de clima frio, como algumas do gênero Myrmica, que exibem baixa plasticidade em TTmax (Sorvari et al. 2011).

Correlação de Pearson ou Spearman (dependendo da normalidade dos dados).

Testar se níveis de HSPs estão associados à tolerância térmica (TTmax).

Relacionar a expressão relativa de HSPs com valores individuais de TTmax.

cor.test(dados$HSP_expr, dados$TTmax)

• se correlação positiva e p < 0.05: maior expressão de HSPs aumenta TTmax, sugerindo papel protetor direto.
• se correlação negativa e p < 0.05: altos níveis de HSPs podem indicar custo fisiológico, reduzindo performance.
• se p > 0.05: não há relação direta, outros mecanismos fisiológicos explicam TTmax.

Uma correlação positiva indicaria que indivíduos com maior expressão de HSPs conseguem suportar temperaturas mais altas, sugerindo um papel protetor direto dessas proteínas. Esse padrão já foi descrito em Drosophila (Krebs & Feder 1997), onde a indução de HSPs aumenta a sobrevivência sob estresse. Já uma correlação negativa pode refletir trade-offs: a produção de HSPs, embora protetora, é energeticamente custosa, podendo comprometer outros processos fisiológicos e reduzir TTmax, como discutido por Sørensen et al. (2003). A ausência de correlação aponta para outros mecanismos de tolerância, como ajustes de membranas ou compostos osmoprotetores, que também foram relatados em insetos sociais expostos ao calor (Stillman 2003).

Modelos hierárquicos ou regressão de mediação.

Verificar se a resposta fisiológica ocorre diretamente ou via indução molecular.

Comparar efeito de T_solo em TTmax antes e depois de incluir HSPs como variável mediadora.

modelo1 <- lmer(HSP_expr ~ T_solo + Epoca + Horario + (1 | Colonia), data = dados)
modelo2 <- lmer(TTmax ~ T_solo + Epoca + Horario + (1 | Colonia), data = dados)
modelo3 <- lmer(TTmax ~ T_solo + HSP_expr + Epoca + Horario + (1 | Colonia), data = dados)

• se efeito de T_solo perde significância ao incluir HSPs: mediação completa → HSPs são elo crítico.
• se efeito de T_solo diminui mas se mantém significativo: mediação parcial → múltiplos mecanismos.
• se HSPs não forem significativos: TTmax é regulado por outros fatores fisiológicos.

Se o efeito de T_solo em TTmax desaparecer após a inclusão de HSPs, isso evidencia mediação completa: o ambiente térmico atua via regulação molecular. Esse cenário foi sugerido em abelhas tropicais (Martins et al. 2022), nas quais a tolerância ao calor dependeu fortemente da indução de HSPs. Se o efeito apenas reduzir, há mediação parcial: o ambiente afeta TTmax tanto via HSPs quanto por outros mecanismos. A ausência de efeito das HSPs, por outro lado, reforça que TTmax é regulado por vias alternativas, como ajustes fisiológicos independentes do estresse proteico. Esse tipo de resultado se aproxima do observado em formigas de clima temperado, em que a expressão de HSPs não prediz diretamente os limites térmicos (Nguyen et al. 2016).

Análise de componentes principais (PCA) e análise de redundância (RDA).

Explorar agrupamentos sazonais e diários, avaliando padrões gerais.

Resumir variação conjunta entre HSPs, TTmax e T_solo.

library(vegan)
dados_pca <- prcomp(dados[, c("HSP_expr", "TTmax", "T_solo")], scale. = TRUE)
biplot(dados_pca)

• se amostras de verão e inverno formam grupos distintos: respostas sazonais consistentes.
• se amostras de dia e noite se separam: ajuste imediato ao ciclo diário.
• se não há separação clara: plasticidade generalista ou homeostase fisiológica robusta.

Agrupamentos distintos entre verão e inverno indicam plasticidade sazonal consistente, como já descrito em antíforas mediterrâneas (Cerdá et al. 1998). A separação entre dia e noite reforça ajustes de curto prazo, sugerindo que o ciclo térmico é acompanhado por modulação molecular e fisiológica. Ausência de padrões claros pode significar homeostase robusta, onde indivíduos mantêm respostas semelhantes independentemente do ambiente imediato, algo esperado em espécies generalistas (Diamond et al. 2012).

Modelos de Equações Estruturais (SEM).

Avaliar relações causais entre ambiente, HSPs e TTmax.

Construir caminhos causais: T_solo → HSPs; HSPs → TTmax; T_solo → TTmax.

library(lavaan)
modelo_sem <- '
  HSP_expr ~ T_solo
  TTmax ~ HSP_expr + T_solo
'
ajuste <- sem(modelo_sem, data = dados)

• se HSP → TTmax é positivo e p < 0.05: HSPs aumentam tolerância térmica.
• se HSP → TTmax é negativo e p < 0.05: trade-off energético, investimento em HSPs reduz performance.
• se HSP não é significativo: TTmax depende de outros mecanismos (ex.: estabilidade de membranas).

Se o caminho HSP → TTmax for positivo, reforça o papel protetor das HSPs, alinhado a estudos que relacionam indução proteica à maior sobrevivência (Feder & Hofmann 1999). Um efeito negativo sugere trade-offs, onde o custo energético de manter HSPs reduz a capacidade de suportar altas temperaturas, como apontado por Sørensen et al. (2003). A ausência de relação indica que HSPs não são o principal fator, e outros processos (ex.: estabilização de membranas) são dominantes. Este resultado contribui para a discussão ecológica sobre como o investimento em defesa molecular pode limitar ou potencializar a tolerância térmica em ambientes extremos.

Diferença entre TTmax e a temperatura máxima do solo.

Estimar proximidade dos organismos ao limite fisiológico.

MST = TTmax − Tmax(solo). Comparar valores médios entre épocas e horários.

dados$MST <- dados$TTmax - dados$T_solo
tapply(dados$MST, list(dados$Epoca, dados$Horario), mean, na.rm = TRUE)

• se MST > 10 °C: ampla margem, espécie relativamente segura.
• se 5 °C ≤ MST ≤ 10 °C: resiliência moderada, risco sob cenários de aquecimento de +2–3 °C.
• se MST < 5 °C: alta vulnerabilidade, risco de estresse crônico ou colapso local sob aquecimento futuro (IPCC).

MSTs elevados (>10 °C) indicam ampla margem de tolerância, semelhante ao relatado para espécies xerotérmicas (Kwon et al. 2021). Valores intermediários (5–10 °C) sugerem resiliência parcial, mas risco sob cenários de aquecimento de +2–3 °C, em consonância com projeções do IPCC (2021). Margens estreitas (<5 °C) apontam alta vulnerabilidade, com risco de colapso local em eventos extremos. Esse tipo de vulnerabilidade já foi observado em formigas tropicais de floresta, que operam próximas ao seu limite térmico superior (Diamond et al. 2012).

Random Forest para prever época/horário a partir de HSPs e TTmax.

Identificar assinaturas fisiológicas complexas associadas ao ambiente.

Treinar modelo para classificar época/horário com base em variáveis moleculares e fisiológicas.

library(randomForest)
modelo_rf <- randomForest(as.factor(Epoca) ~ HSP_expr + TTmax + T_solo, data = dados, importance = TRUE)
importance(modelo_rf)

• se acurácia > 70%: forte assinatura fisiológica sazonal/diária.
• se acurácia entre 50–70%: padrão intermediário, parcialmente sobreposto.
• se acurácia ~50%: resposta generalista, sem assinatura clara.

Acurácias acima de 70% indicam assinaturas fisiológicas robustas, como as relatadas em abordagens preditivas com insetos de clima sazonal (Pincebourde et al. 2021). Valores intermediários (50–70%) sugerem padrões parcialmente definidos, enquanto valores próximos de 50% reforçam ausência de assinatura, consistente com espécies generalistas que mantêm performance estável (Angilletta 2009). Esse tipo de análise abre caminho para discutir se a espécie apresenta plasticidade previsível ou estratégias generalistas frente às variações ambientais.