Imagínese tratando de distinguir a gemelos idénticos con sólo mirar sus huellas dactilares, escribió Katherine Egan Bennett. Así de difícil puede ser para los científicos distinguir los diminutos granos de polen en polvo producidos por abetos y pinos, entre otras especies.
Pero un nuevo sistema de inteligencia artificial desarrollado por investigadores de la Universidad de Texas en Arlington, la Universidad de Nevada y Virginia Tech está haciendo esa tarea mucho más fácil y potencialmente brindando un gran alivio a las personas alérgicas.
“Con datos más detallados sobre qué especies de árboles son más alergénicas y cuándo liberan polen, los planificadores urbanos pueden tomar decisiones más inteligentes sobre qué plantar y dónde”, dijo Behnaz Balmaki, profesora asistente de investigación en biología en la UT Arlington y coautora de un nuevo estudio publicado en la revista Frontiers in Big Data con Masoud Rostami de la División de Ciencia de Datos de UTA. “Esto es especialmente importante en áreas de alto tráfico como escuelas, hospitales, parques y vecindarios. Los servicios de salud también podrían usar esta información para programar mejor las alertas de alergias, los mensajes de salud pública y las recomendaciones de tratamiento durante las temporadas altas de polen”.
“Incluso con microscopios de alta resolución, las diferencias entre los pólenes son muy sutiles”, dijo Balmaki. “Nuestro estudio muestra que las herramientas de aprendizaje profundo pueden mejorar significativamente la velocidad y la precisión de la clasificación del polen. Eso abre la puerta a un monitoreo ambiental a gran escala y a reconstrucciones más detalladas del cambio ecológico. También es prometedor para mejorar el seguimiento de alérgenos al identificar exactamente qué especies están liberando polen y cuándo”.
Balmaki añadió que la investigación también podría beneficiar a la agricultura.
“El polen es un fuerte indicador de la salud del ecosistema”, dijo. “Los cambios en la composición del polen pueden indicar cambios en la vegetación, los niveles de humedad e incluso la actividad de incendios en el pasado. Los agricultores podrían utilizar esta información para hacer un seguimiento de las tendencias ambientales a largo plazo que afectan la viabilidad de los cultivos, las condiciones del suelo o los patrones climáticos regionales. También es útil para la conservación de la vida silvestre y los polinizadores. Muchos animales, incluidos insectos como las abejas y las mariposas, dependen de plantas específicas para alimentarse. Al identificar qué especies de plantas están presentes o en declive en un área, podemos comprender mejor cómo estos cambios afectan a toda la red alimentaria y tomar medidas para proteger las relaciones críticas entre las plantas y los polinizadores”.
Para este estudio, el equipo examinó muestras históricas de abetos y pinos conservados por el Museo de Historia Nacional de la Universidad de Nevada. Probaron esas muestras utilizando nueve modelos diferentes de IA, lo que demuestra el gran potencial de la tecnología para identificar el polen con una velocidad y precisión impresionantes.
“Esto demuestra que el machine learning puede respaldar con éxito e incluso superar los métodos de identificación tradicionales tanto en velocidad como en precisión”, dijo Balmaki. “Pero también confirma lo esencial que sigue siendo la experiencia humana. Necesita muestras bien preparadas y una sólida comprensión del contexto ecológico. No se trata solo de máquinas, es una colaboración entre la tecnología y la ciencia”.
Para proyectos futuros, Balmaki y sus colaboradores planean ampliar su investigación para incluir una gama más amplia de especies de plantas. Su objetivo es desarrollar un sistema integral de identificación de polen que se pueda aplicar en diferentes regiones de los Estados Unidos para comprender mejor cómo pueden cambiar las comunidades de plantas en respuesta a eventos climáticos extremos.
-
El artículo Deep learning for accurate classification of conifer pollen grains: enhancing species identification in palynology (Aprendizaje profundo para la clasificación precisa de granos de polen de coníferas: mejora de la identificación de especies en palinología) fue publicado en Frontiers in Big Data
-
Declaración de COI
Los autores declaran que la investigación se llevó a cabo en ausencia de relaciones comerciales o financieras que pudieran interpretarse como un posible conflicto de intereses. El autor o autores declararon ser miembros del comité editorial de Frontiers, en el momento de la presentación. Esto no tuvo ningún impacto en el proceso de revisión por pares ni en la decisión final. El/los autor/es declara(n) que no se recibió apoyo financiero para la investigación, autoría y/o publicación de este artículo.