Las microalgas constituyen la base fundamental para una amplia gama de productos de alto valor, abarcando desde alimentos para acuicultura y nutracéuticos hasta aplicaciones avanzadas en biotecnología y secuestro de carbono. No obstante, la viabilidad comercial de estos cultivos depende de un control ambiental riguroso y, crucialmente, de un monitoreo constante de la salud celular, las tasas de crecimiento y la productividad de la biomasa.
Históricamente, la piedra angular de este monitoreo ha sido el conteo y la medición celular, procesos que durante décadas han dependido de métodos manuales laboriosos mediante microscopios, hemocitómetros y cámaras de sedimentación. Si bien existen alternativas automatizadas como los contadores Coulter o la citometría de flujo, estos equipos suelen presentar costos prohibitivos para laboratorios pequeños y limitaciones técnicas al trabajar con células de gran tamaño o formadoras de cadenas.
Como respuesta a este desafío técnico-económico, investigadores de SINTEF Industry, la UiT The Arctic University of Norway y el Cawthron Institute de Nueva Zelanda han desarrollado y validado «Algalytics». Esta novedosa aplicación web integra procesamiento de imágenes y redes neuronales convolucionales (CNN) para automatizar el análisis de microalgas a partir de imágenes de microscopio archivadas. Los hallazgos de este desarrollo han sido publicados en la revista científica Algal Research.
Conclusiones clave del estudio
- 1 Conclusiones clave del estudio
- 2 El cuello de botella del monitoreo tradicional
- 3 ¿Cómo funciona Algalytics? IA al servicio del laboratorio
- 4 Validación: Desde grandes diatomeas hasta pequeñas haptofitas
- 5 Resultados de precisión y el desafío del «Efecto Halo»
- 6 Implicaciones para el futuro de la acuicultura
- 7 Entradas relacionadas:
- Alta precisión en el conteo: La aplicación demostró una precisión superior al 96%, validada tanto en especies grandes como pequeñas.
- Accesibilidad y bajo costo: Algalytics se presenta como una alternativa escalable frente a la costosa citometría, requiriendo únicamente imágenes estándar de microscopio.
- Robustez ante la calidad de imagen: Gracias a algoritmos de preprocesamiento avanzados, el sistema opera eficazmente incluso con imágenes desenfocadas o densidades variables.
- Corrección de medición: Se identificó un «efecto halo» óptico que sobrestima el tamaño celular, el cual es corregible mediante calibración.
- Eficiencia de datos: La IA puede entrenarse y funcionar correctamente con conjuntos de datos limitados, facilitando su adaptación a nuevas especies.
El cuello de botella del monitoreo tradicional
El monitoreo preciso es vital tanto para la investigación como para el escalado industrial. La calidad del cultivo impacta directamente en la consistencia del producto final. Sin embargo, el método tradicional basado en microscopía es intensivo en mano de obra, lento y propenso al error humano, variando significativamente entre operadores.
Por otro lado, la automatización existente presentaba barreras de entrada. Los sistemas de alta gama pueden fallar en cultivos densos donde las células se superponen, causando errores de segmentación. Algalytics nace para llenar este vacío, proporcionando métricas precisas con una capacitación mínima del operador.
¿Cómo funciona Algalytics? IA al servicio del laboratorio
La aplicación web opera mediante una sofisticada arquitectura de backend que fusiona el procesamiento clásico de imágenes con el aprendizaje profundo (Deep Learning).
El flujo de trabajo consta de cinco etapas:
- Carga y redimensionamiento: El usuario sube la imagen cruda obtenida desde la cámara del microscopio.
- Procesamiento de imagen: Se aplican algoritmos de mejora de nitidez, detección de bordes (Canny) y transformación de «Watershed» para separar células aglomeradas.
- Clasificación de objetos: Una red neuronal preentrenada (arquitectura VGGNet) clasifica los contornos en categorías como ‘vista lateral’, ‘vista superior’ o ‘dos células’.
- Medición: Mediante geometría computacional, el sistema calcula el diámetro y la altura de las algas viables.
- Análisis estadístico: Se generan automáticamente distribuciones de tamaño, promedios y cálculos de biomasa.
Validación: Desde grandes diatomeas hasta pequeñas haptofitas
Para garantizar la versatilidad de la herramienta, los investigadores la validaron con dos sistemas de importancia comercial:
- Porosira glacialis: Una diatomea céntrica grande, cultivada para el secuestro de CO2 y producción de biomasa en la planta Finnfjord AS (Noruega). Su morfología compleja sirvió para desarrollar la metodología detallada.
- Tisochrysis lutea: Una pequeña haptofita flagelada, usada comúnmente en alimentación larvaria. Las muestras del Instituto Cawthron (Nueva Zelanda) permitieron verificar la robustez del enfoque con datos limitados.
Resultados de precisión y el desafío del «Efecto Halo»
Los resultados confirmaron la alta efectividad de la aplicación. En pruebas con P. glacialis, la comparación con el ground truth (conteo manual real) arrojó un coeficiente de determinación (R2) de 0.987, indicando una correlación casi perfecta [23]. Incluso entrenando la IA con solo el 12.5% de las imágenes originales, la precisión se mantuvo robusta (R2 > 0.96).
Mantente siempre informado
Únete a nuestras comunidades para recibir al instante las noticias, informes y análisis más importantes del sector acuícola.
Para la especie T. lutea, el modelo logró una precisión del 97.72% en subconjuntos de prueba, identificando correctamente 238 algas en una imagen densa frente a un conteo manual de 236.
No obstante, la medición automática del tamaño presentó desafíos. Se detectó una tendencia a la sobrestimación debido a dos factores: la alineación imperfecta del recuadro digital y, más críticamente, el «Efecto Halo». Este artefacto óptico, causado por la dispersión de luz o el contraste de fases, añadía sistemáticamente unos 5 micrómetros al tamaño detectado. Tras aplicar la corrección de calibración, las mediciones se alinearon con los datos de laboratorio.
Implicaciones para el futuro de la acuicultura
La introducción de herramientas como Algalytics marca un hito en la digitalización de la acuicultura. Automatizar el monitoreo de monocultivos permite obtener datos consistentes eliminando la subjetividad, reducir tiempos en tareas rutinarias y detectar precozmente problemas como contaminación o fases de muerte celular.
Los autores sugieren que futuras iteraciones podrían integrar el reconocimiento de cadenas de algas complejas y conectarse a la nube para flujos de trabajo totalmente automatizados, extendiendo su utilidad incluso al análisis de sedimentos en acuicultura.
Contacto
Elena-Roxana Popescu
SINTEF Industry
Postboks 4760 Torgarden, N-7465 Trondheim, Norway
Email: Elena-Roxana.Popescu@sintef.no
Referencia (acceso abierto)
Popescu, E., Einbu, A., Israelsen, L., Eriksen, G., Hardy, N., Ingebrigtsen, R. A., & Pettersen, T. (2025). Web application for automated counting and size analysis of industrial microalgae monocultures using image processing and Convolutional Neural Network based deep learning. Algal Research, 90, 104173. https://doi.org/10.1016/j.algal.2025.104173
Editor de la revista digital AquaHoy. Biólogo Acuicultor titulado por la Universidad Nacional del Santa (UNS) y Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomados en Innovación Empresarial y Gestión de la Innovación. Posee amplia experiencia en el sector acuícola y pesquero, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA). Ha sido consultor senior en vigilancia tecnológica, formulador y asesor de proyectos de innovación, y docente en la UNS. Es miembro del Colegio de Biólogos del Perú y ha sido reconocido por la World Aquaculture Society (WAS) en 2016 por su aporte a la acuicultura.
