Las microalgas productoras de las toxinas paralizantes de los mariscos (PSP) como parte de las floraciones de algas nocivas causan un gran daño a la pesca, los cultivos marinos y el ambiente ecológico marino.
La toxina paralizante de los mariscos (PSP) es una de las biotoxinas más peligrosas debido a su amplia distribución y fuerte toxicidad. Algunas microalgas que producen PSP son Gonyaulax, Alexandrium y Gymnodinium.
La identificación de las microalgas PSP es de gran significado para la prevención y control de las mareas rojas; sin embargo, en la actualidad, no existe una técnica para la identificación precisa en tiempo real de microalgas tóxicas.
Los investigadores de la Jinan University, Pacific Northwest National Laboratory (EEUU) mediante la combinación con la fluorescencia tridimensional con el aprendizaje automático (ML) y el aprendizaje profundo (DL) desarrollaron métodos para clasificar microalgas PSP y no PSP.
Establecer un modelo que puede identificar las microalgas bajo condiciones complejas es útil para prevenir la ocurrencia de los desastres generados por las mareas rojas; principalmente las vinculadas con la intoxicación debido al consumo de mariscos contaminados con toxinas.
Clasificación por imágenes
La clasificación por imágenes es la principal aplicación en el campo del aprendizaje automático, que es ampliamente usado en muchos campos, como la visión artificial y la recuperación de imágenes de la red.
Con el avance de la tecnología computarizada, el aprendizaje automático viene siendo aplicado en el control de la contaminación y en la prevención de peligros biológicos.
Por su parte, el aprendizaje profundo es un tipo de aprendizaje automático que enseña a las computadoras a aprender de la experiencia. El aprendizaje profundo es especialmente adecuado para el reconocimiento de imágenes, que es significativamente exitoso en resolver problemas como el reconocimiento facial, detección de movimiento y muchas tecnologías avanzadas de asistencia al conductor.
Generalmente, el aprendizaje automático y el aprendizaje profundo han demostrado una mayor precisión de clasificación, una velocidad de ejecución más rápida y un preprocesamiento de datos más simple.
Principales resultados
Los pigmentos de las microalgas incluyen pigmentos fotosintéticos y pigmentos fotosintéticos auxiliares. El componente del pigmento es la clorofila, que está directamente involucrada en la fotosíntesis, y los pigmentos auxiliares están compuestos de carotenoides y ficobilinas.
Diversos estudios han demostrado que la síntesis de PSP está cercanamente vinculada a la fotosíntesis. En la actualidad, nueve proteínas cuyas funciones están asociadas con la producción de toxinas, y seis de ellas tienen funciones vinculadas a la fotosíntesis. Por consiguiente, es factible identificar las microalgas productoras de toxinas mediantes su espectro de fluorescencia.
“Las precisiones de clasificación promedio de los dos métodos para microalgas están por encima del 90%, y las precisiones para discriminar 12 especies de microalgas PSP y no PSP están por encima del 94%”, reportan los investigadores.
Asimismo, de acuerdo con el informe, cuando la longitud de onda de emisión es 650 – 690 nm, las bandas características de fluorescencia ocurren de manera diferente a 410–480 nm y 500–560 nm para microalgas PSP y no PSP, respectivamente.
Conclusión
Clasificar las microalgas usando el aprendizaje automático y el aprendizaje profundo puede reducir la complejidad del procesamiento de los datos y mejorar la exactitud y acelerar la clasificación.
“Las precisiones de identificación de los modelos de aprendizaje automático, y la regla del vecino más cercano, y el modelo de aprendizaje profundo para microalgas son 96.25%, 96.36% y 95.88 % respectivamente, indicando que el aprendizaje automático y el aprendizaje profundo son adecuados para la clasificación de microalgas tóxicas”, concluyen los investigadores.
Referencia (acceso abierto):
Xu, W., Niu, J., Gan, W. et al. Identification of paralytic shellfish toxin-producing microalgae using machine learning and deep learning methods. J. Ocean. Limnol. (2022). https://doi.org/10.1007/s00343-022-1312-1
