Un sistema con biosensores e IA mejora la detección de microcistina en agua dulce

Las floraciones de algas tóxicas son un problema creciente para lagos, embalses y otras fuentes de agua dulce. Cuando ciertos microorganismos proliferan, pueden liberar microcistina-LR, una toxina que en concentraciones bajas ya preocupa por sus efectos sobre la salud y por el desafío que representa para el monitoreo del agua. Un estudio publicado en Water Research propone ahora una forma más práctica de seguir esa toxina en terreno: combinar biosensores portátiles con aprendizaje automático y mediciones básicas de calidad del agua para evitar recalibraciones constantes.

El cuello de botella de muchos biosensores no está en detectar la sustancia en sí, sino en que el agua cambia de una muestra a otra. Parámetros como el pH, la turbidez, la conductividad o la cantidad de sólidos disueltos pueden alterar la señal eléctrica del sensor y volver menos confiable la lectura si no se ajusta el sistema cada vez. Eso complica el uso rápido en sitios donde se necesita una respuesta ágil, como zonas recreativas, captaciones para agua potable o ambientes afectados por floraciones intensas.

La propuesta del equipo fue entrenar un modelo que aprendiera a corregir ese ruido ambiental. Para hacerlo, los investigadores reunieron 201 mediciones de 27 sitios en Florida, incluyendo ambientes de agua dulce, estuarinos y de transición. En cada caso combinaron la respuesta electroquímica del biosensor con variables del agua, entre ellas pH, turbidez, conductividad, absorbancia ultravioleta y otros indicadores de matriz. Con esos datos probaron varios enfoques de aprendizaje automático y encontraron que XGBoost era el que mejor estimaba la concentración real de microcistina-LR.

Según los autores, el modelo alcanzó una eficiencia de Nash-Sutcliffe de 0,89 y un error cuadrático medio de 13,21, un rendimiento que sugiere que una sola calibración estadística puede funcionar en muestras muy distintas sin necesidad de rehacer el ajuste para cada una. El análisis también indicó que la impedancia eléctrica medida por el biosensor era la variable más influyente en la predicción, seguida por la conductividad, el pH, la absorbancia ultravioleta y la turbidez.

La ventaja práctica es clara: si este enfoque se sostiene fuera del laboratorio, podría abaratar y acelerar el monitoreo de una toxina relevante para salud pública y gestión ambiental. Menos recalibraciones implican menos tiempo, menos sensores consumidos y más posibilidades de desplegar controles frecuentes en lugares donde los análisis convencionales pueden ser lentos o costosos.

Eso no significa que el problema esté resuelto para cualquier cuerpo de agua. El estudio se entrenó con un conjunto acotado de sitios y condiciones, y todavía queda por ver cómo se comporta el sistema frente a otras mezclas químicas, otras regiones y cambios estacionales más amplios. Además, un buen desempeño estadístico no reemplaza por sí solo la validación operativa en programas de monitoreo reales. Aún así, el trabajo ofrece una idea prometedora: en vez de tratar al agua solo como un obstáculo para el sensor, usar esa variabilidad como parte de la información que ayuda a interpretar mejor la señal.