Un equipo internacional, liderado desde la Universidad Autónoma de Madrid (UAM), ha desarrollado una herramienta basada en imágenes hiperespectrales capaz de identificar géneros de cianobacterias potencialmente peligrosos
Las proliferaciones masivas (blooms) de cianobacterias representan un desafío creciente para la calidad y accesibilidad del agua, dada la capacidad de algunos géneros para producir toxinas peligrosas. En este contexto, la detección de estos blooms y la identificación de los géneros predominantes son cruciales para evaluar el riesgo asociado.
Ahora, investigadores de la Universidad Autónoma de Madrid (UAM) y el Centro de Investigación de Geociencias de Potsdam (Alemania) han desarrollado una herramienta que utiliza imágenes hiperespectrales para diferenciar géneros de cianobacterias potencialmente tóxicos. El avance supone un hito significativo en la gestión del riesgo asociado a las proliferaciones masivas de cianobacterias en sistemas acuáticos.
Los resultados, publicados en la revista Science of the Total Environment, representan un avance en el desarrollo de herramientas de alerta temprana para blooms de cianobacterias. Estas herramientas son fundamentales para prevenir y mitigar los riesgos asociados a estos eventos, apoyando una gestión eficaz de los recursos hídricos.
"Este trabajo facilita y agiliza la identificación de cianobacterias, tradicionalmente realizada mediante el uso de microscopios. Además, permite realizar diagnósticos a distancia", explican los autores del estudio.
Firma espectral
El estudio se basó en la hipótesis de que cada género de cianobacterias posee características únicas que se reflejan en su interacción con la luz, generando una "firma espectral" distintiva. Para explorar esta hipótesis, los científicos emplearon tecnología hiperespectral, que ofrece una resolución espectral mucho más detallada que las imágenes convencionales al descomponer el espectro electromagnético en cientos de bandas estrechas.
El equipo creó una librería de imágenes hiperespectrales a partir de un experimento de laboratorio donde se cultivaron diferentes géneros de cianobacterias conocidos por su potencial tóxico. Posteriormente, emplearon técnicas de aprendizaje automático, una rama de la inteligencia artificial, para analizar estas imágenes y desarrollar un algoritmo capaz de detectar patrones específicos en la firma espectral de cada género.
Los resultados confirmaron la existencia de patrones distintivos en la interacción de diferentes géneros de cianobacterias con la luz, los cuales pueden ser identificados eficazmente mediante la tecnología hiperespectral y analizados a través del aprendizaje automático. Esto proporciona una herramienta rápida y eficiente para detectar y caracterizar blooms de cianobacterias potencialmente peligrosos.
Referencia bibliográfica: Fournier, C., Quesada, A., Cirés, S., & Saberioon, M. (2024). Discriminating bloom-forming cyanobacteria using lab-based hyperspectral imagery and machine learning: Validation with toxic species under environmental ranges. Science of The Total Environment, 932, 172741. https://doi.org/https://doi.org/10.1016/j.scitotenv.2024.172741
Fotografía de portada: Claudia Fournier, 2023.
