Ichnaea, el software español capaz de rastrear el origen de la contaminación fecal en el agua de mares, embalses y ríos

La contaminación fecal es cada vez más habitual en ríos y reservas hídricas. La concentración de poblaciones incrementa la demanda de agua y a la vez genera un alto volumen de aguas residuales, tanto humanas como animales. Por ello, un equipo multidisciplinar de biólogos e informáticos españoles decidió desarrollar un nuevo sistema que ayude a identificar el origen la contaminación fecal presente en el agua.

“La identificación de la especie a la que pertenecen los restos ayudaría a resolver los conflictos sobre quién es el responsable de la contaminación fecal de un río: una granja, un matadero, una depuradora o un núcleo de población humana, por ejemplo”, indica a la Agencia Sinc Anicet R. Blanch, microbiólogo de la Universidad de Barcelona, responsable del proyecto junto a Lluis Belanche, de la Politécnica de Cataluña.

El sistema determina cuáles son los indicadores relevantes que permiten identificar la especie responsable de la contaminación.

Indicadores microbianos, químicos o de eucariotas

Según Blanch, el nuevo software, al que han llamado Ichnaea que en griego clásico significa rastreador, “se basa en el desarrollo de modelos de predicción a partir del análisis de una serie de indicadores microbianos, químicos o de eucariotas. Esta información permite determinar la procedencia de la muestra, incluso en casos complejos en los que la contaminación fecal está muy diluida o degradada”, destaca. 

Para poder elaborar estas predicciones, previamente hay que proporcionar al sistema los resultados del análisis de varios parámetros de otras muestras de aguas con un único origen fecal de contaminación conocido. “A partir de estos datos, el software determina cuáles son los indicadores relevantes que, analizados en las muestras de agua con contaminación fecal de origen incierto, permitirán determinar su procedencia”, agrega.

“Anteriormente, cada grupo de investigación proponía los indicadores que creían más importantes, pero Ichnaea elimina la subjetividad al seleccionar entre los diferentes parámetros variables cuáles son los más determinantes para una predicción fiable” aclara el investigador.

Fiabilidad de la predicción

Algunos de estos indicadores relevantes son parámetros microbianos como los bacteriófagos  –virus que infectan a las bacterias– asociados a una única especie. También aparecen a menudo otros relacionados con bifidobacterias –grupo de bacterias que viven en el intestino– o el ADN mitocondrial de los ejemplares, indica el experto.

El grado de fiabilidad de la predicción depende del número y la calidad de las muestras utilizadas para entrenar los modelos del aprendizaje del ordenador, los parámetros que se hayan podido analizar y su relevancia, ya que la presencia de ciertas bacterias varía según la localización geográfica. También influye el envejecimiento y el grado de disolución de las muestras que se vayan a analizar.

Los científicos comprobaron la eficacia de este sistema en tres lugares donde había diferente grado de contaminación fecal de origen humano y animal (vacas, cerdos o aves de corral). En las zonas de elevada y media disolución, las predicciones efectuadas acertaron la procedencia. Donde la disolución era baja, en canales de riego en el Delta del Ebro, se pudo establecer un rango alto de probabilidad de acierto. 

Conocer el origen de la contaminación es importante para saber el riesgo sanitario, ya que los patógenos humanos son más contagiosos que los animales

Análisis desde la nube

El software se encuentra actualmente en fase de prototipo, pues sus componentes han sido desarrollados por separado. Los investigadores buscan ahora financiación que les permita depurar e integrar los distintos módulos en una única plataforma de cálculo. Sus planes son subir la aplicación completa a la nube.

“La idea es que cada uno pueda acceder al sistema desde cualquier ordenador, incluso una tableta, porque el cálculo se hace desde una máquina remota”, explica Blanch.

Según lo planificado por el equipo, el usuario podrá adaptar la predicción a su localización geográfica con una configuración personalizada. Esta le permitirá proporcionar al software sus propias muestras, de origen conocido, para completar la fase de aprendizaje que permitirá posteriormente realizar las predicciones.

En caso de que un usuario no dispusiera de sus propias muestras para este entrenamiento, dispondrá de la bases de datos del sistema, que incluirá aquellos resultados que hayan sido puestos en libre acceso por otros científicos. De esta forma, podrá escoger los análisis de las zonas geográficas más cercanas o similares a aquella que se va a estudiar.

Blanch opina que conocer el origen de la contaminación es también importante desde el punto de vista del riesgo sanitario, “ya que los patógenos humanos presentes en el agua son bastante más contagiosos que los de procedencia animal”, concluye el científico. 

Referencia bibliográfica 

Blanch, A. R. et al. “Predicting fecal sources in waters with diverse pollution loads using general and molecular host-specific indicators and applying machine learning methods”. Journal of Environmental Managment 151: 317-325. http://www.ncbi.nlm.nih.gov/pubmed/25585145