Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs

Este estudio aplica técnicas de aprendizaje automático explicables a un conjunto de datos de 28 años en el Golfo de Trieste para predecir con precisión la toxicidad de los mejillones causada por floraciones de algas nocivas, identificando especies clave de dinoflagelados y factores ambientales como predictores fundamentales para mejorar los sistemas de alerta temprana.

Lo esencial

¡Claro que sí! Imagina que este artículo es como una receta secreta para predecir el "mal tiempo" en el mar, pero en lugar de nubes y lluvia, hablamos de algas tóxicas que pueden envenenar a las mejillones.

Aquí tienes la explicación de la investigación, traducida a un lenguaje sencillo y con algunas analogías divertidas:

🌊 El Problema: El "Gato en la Caja"

En el Mar Adriático (cerca de Eslovenia), los agricultores de mejillones tienen un gran enemigo invisible: las Floraciones Algales Nocivas (FAN). Son como "tormentas de algas" que producen veneno. Cuando los mejillones se comen estas algas, se vuelven tóxicos y no se pueden vender ni comer.

El problema es que, hasta ahora, los científicos tenían que esperar a que los mejillones ya estuvieran venenosos para cerrar las zonas de pesca. Es como esperar a que el pastel esté quemado para apagar el horno. Esto causa pánico, pérdidas de dinero y, a veces, riesgos para la salud.

🤖 La Solución: Un "Cristal Mágico" (Inteligencia Artificial)

Los autores de este estudio (científicos de Eslovenia) decidieron usar la Inteligencia Artificial (IA) para construir un "cristal mágico" que pueda ver el futuro.

No querían una IA que solo dijera "sí" o "no" como una caja negra misteriosa. Querían una que pudiera explicar por qué toma sus decisiones. A esto le llaman IA Explicable.

📚 Los Ingredientes: 28 Años de Datos

Para entrenar a su "cristal mágico", reunieron un libro de cocina gigante con 28 años de datos (desde 1994 hasta 2021). Estos datos incluían:

• Las "malas hierbas": Cuántas algas tóxicas había en el agua.
• El "veneno": Si los mejillones tenían toxinas o no.
• El "clima": Temperatura del agua, salinidad, cuánto llovió y cuánto caía el río Soča.

🧠 El Entrenamiento: Enseñando al Robot

Tuvieron un pequeño problema: en la naturaleza, los días "tóxicos" son muy raros comparados con los días "limpios". Es como intentar enseñar a un perro a ladrar cuando solo hay un ladrido por cada 1000 silencios. El perro se aburriría y solo aprendería a quedarse callado.

Para arreglarlo, usaron trucos de "magia de datos" (técnicas de reequilibrio) para que el robot viera suficientes ejemplos de días tóxicos y aprendiera a reconocerlos.

🏆 El Ganador: El Bosque de Árboles

Probaron varios tipos de robots (algoritmos), pero el ganador fue el Random Forest (Bosque Aleatorio).

• La analogía: Imagina que tienes que predecir si va a llover. En lugar de preguntar a una sola persona, le preguntas a un bosque entero de expertos. Cada árbol del bosque da su opinión basada en diferentes señales (viento, nubes, humedad). Al final, la mayoría gana.
• Este "Bosque" fue el mejor adivinando cuándo los mejillones estarían venenosos, con una precisión muy alta.

🔍 La Magia: ¿Cómo piensa el Robot? (La parte más importante)

Aquí es donde el estudio brilla. No solo dijeron "el robot acertó", sino que abrieron la caja para ver qué pensaba. Usaron herramientas llamadas SHAP y Permutación (que son como lentes de aumento para ver el cerebro del robot).

Descubrieron que el robot se fija en dos cosas principales para dar la alarma:

1. Las "Algas Villanas": Específicamente dos tipos de algas llamadas Dinophysis fortii y Dinophysis caudata. Si el robot ve muchas de estas, dice: "¡Alerta! ¡Va a haber veneno!".
2. El "Baño de Agua Dulce": Cuando llueve mucho o el río Soča descarga mucha agua, el agua del mar se vuelve menos salada. El robot aprendió que cuando el agua es menos salada y hace calor, las algas villanas se ponen muy contentas y crecen rápido.

La analogía final:
Imagina que el robot es un guardián del mar. En lugar de solo gritar "¡Peligro!", el guardián te dice: "Oye, he visto que han aparecido muchas algas Dinophysis y, además, ha llovido mucho, así que el agua está menos salada. Por eso, es muy probable que los mejillones estén venenosos en los próximos días".

🎯 ¿Por qué es esto genial?

Gracias a este estudio, las autoridades y los agricultores pueden:

• Actuar antes: Cerrar la pesca antes de que los mejillones estén realmente venenosos, basándose en las señales de las algas y el clima.
• Ahorrar dinero: Evitar cierres innecesarios si el robot dice que "todo está bien".
• Confianza: Como el robot explica sus razones (las algas y la lluvia), los humanos confían más en sus predicciones.

En resumen, han creado un sistema de alerta temprana inteligente que no solo adivina el futuro, sino que te cuenta la historia de por qué va a ocurrir, ayudando a proteger nuestra comida y el dinero de los pescadores. 🦪🌊🤖

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título del Estudio

Aprendizaje automático explicable para predecir la toxicidad de los mariscos en el Mar Adriático utilizando datos de monitoreo a largo plazo de floraciones algales nocivas (FAN).

---

1. El Problema

La acuicultura de moluscos, específicamente el mejillón (Mytilus galloprovincialis), es vital para la seguridad alimentaria, pero enfrenta amenazas significativas por las Floraciones Algales Nocivas (FAN o HABs, por sus siglas en inglés). En el Mar Adriático (Golfo de Trieste), el principal riesgo es el Envenenamiento Diarreico por Mariscos (DSP), causado por toxinas lipofílicas (ácido okadaico y sus derivados) producidas por dinoflagelados del género Dinophysis.

• Desafíos actuales: Los sistemas de monitoreo actuales, aunque alineados con las regulaciones de la UE, reaccionan a posteriori. Las ventas solo se suspenden una vez confirmada la toxicidad, lo que genera incertidumbre económica y riesgos para la salud pública.
• Limitaciones de los modelos existentes: Aunque existen métodos estadísticos y de aprendizaje automático (ML) para predecir la ocurrencia de especies de FAN, hay una escasez de modelos que predigan directamente la toxicidad en los mariscos. Además, muchos modelos de ML son "cajas negras", lo que dificulta que las autoridades entiendan los mecanismos causales detrás de las predicciones, reduciendo la confianza en su uso para sistemas de alerta temprana (EWS).

2. Metodología

El estudio se basó en un conjunto de datos único de 28 años (1994-2021) que integra datos biológicos, fisicoquímicos y meteorológicos.

A. Recopilación y Preprocesamiento de Datos

• Fuentes de datos: Abundancia de fitoplancton tóxico (especies de Dinophysis, Phalacroma, Prorocentrum), concentraciones de toxinas en mejillones (medidas mediante bioensayo con ratones hasta 2013 y LC-MS/MS a partir de 2014), temperatura y salinidad del agua, y datos meteorológicos/hidrológicos (precipitación, caudal del río Soča, temperatura del aire).
• Limpieza y Homogeneización: Se estandarizaron los datos para manejar cambios en los métodos de muestreo y análisis a lo largo de los años. Se interpolaron valores faltantes y se agregaron variables meteorológicas en ventanas temporales (ej. 20-30 días previos a la observación).
• Desbalance de Clases: El dataset original presentaba un fuerte desbalance (88% de resultados negativos, 12% positivos). Para mitigar esto, se aplicó una técnica de submuestreo y sobremuestreo:
  • Uso de SMOTE (Synthetic Minority Over-sampling Technique) para generar ejemplos sintéticos de la clase minoritaria (toxicidad positiva).
  • Uso de Edited Nearest Neighbors para eliminar instancias "conflictivas" de la clase mayoritaria que se superponían con la minoritaria en el espacio de características.
• Reducción de dimensionalidad: Se utilizó UMAP para visualizar la distribución de los datos, confirmando la necesidad de limpiar las instancias conflictivas.

B. Modelado de Aprendizaje Automático

Se entrenaron y evaluaron cuatro algoritmos de ML:

1. Árbol de Decisión (DT): Por su alta interpretabilidad.
2. Bosque Aleatorio (RF): Por su capacidad para capturar relaciones no lineales complejas.
3. Máquinas de Vectores de Soporte (SVM).
4. Red Neuronal Artificial (ANN): Una red neuronal de capa única (MLP).

• Validación: Se utilizó una búsqueda en cuadrícula (grid search) con validación cruzada de 5 pliegues y optimización basada en la puntuación F1. El proceso se repitió 100 veces para obtener estimaciones estadísticamente robustas.
• Enfoque XAI (Inteligencia Artificial Explicable): Se aplicaron técnicas para interpretar los modelos, especialmente los "caja negra":
  • Importancia de permutación: Para evaluar la relevancia de las variables.
  • SHAP (Shapley Additive Explanations): Para cuantificar la contribución de cada variable a predicciones individuales y globales.

3. Contribuciones Clave

1. Dataset Abierto: Creación y publicación de un conjunto de datos de casi 30 años con fitoplancton tóxico y toxinas en bivalvos en el Mar Adriático, junto con el código completo.
2. Predicción Directa de Toxicidad: A diferencia de estudios anteriores que predicen la presencia de algas, este modelo predice directamente el resultado de la toxicidad en los mejillones (clase binaria: positivo/negativo).
3. Integración de XAI en Ecología Marina: Demuestra cómo las técnicas de IA explicable pueden desbloquear la "caja negra" de los modelos de ML, proporcionando a los gestores pesqueros y autoridades no solo una predicción, sino la razón detrás de ella, lo cual es crucial para la toma de decisiones en sistemas de alerta temprana.
4. Pipeline de Preprocesamiento Robusto: Desarrollo de un flujo de trabajo específico para manejar datos históricos heterogéneos, cambios en metodologías analíticas y desbalance de clases severo.

4. Resultados

• Rendimiento del Modelo:
  • El modelo de Bosque Aleatorio (RF) obtuvo el mejor rendimiento, con una puntuación F1 promedio de 0.65, una precisión de 0.74 y una recuperación (recall) de 0.59.
  • El Árbol de Decisión (DT) y la Red Neuronal (ANN) tuvieron un rendimiento inferior (F1 ~0.43), aunque el DT ofreció reglas de decisión más simples.
• Factores Predictivos Clave (Identificados mediante SHAP y Permutación):
  • Especies Biológicas: La abundancia de Dinophysis fortii fue la variable más influyente, seguida por Dinophysis caudata y la abundancia total de especies productoras de DSP (DSP-tot).
  • Factores Abióticos: El caudal del río Soča, la precipitación y la salinidad fueron determinantes.
    • Mecanismo: Un menor caudal y menor salinidad (asociados a condiciones de estratificación y menor dilución) favorecen la toxicidad. Sin embargo, el modelo también detectó que una salinidad demasiado alta reduce la probabilidad de toxicidad positiva.
  • Estacionalidad: Los picos de toxicidad se correlacionaron con los meses de septiembre a noviembre, coincidiendo con la abundancia de D. fortii.
• Interpretabilidad:
  • El modelo DT visualizó reglas claras: Si D. fortii > 30 células/l, se predice toxicidad positiva. Si es menor, la presencia de D. caudata y una salinidad ≤ 36.17 actúan como indicadores de advertencia.
  • Los gráficos SHAP confirmaron que altas abundancias de D. fortii y D. caudata aumentan la probabilidad de predicción positiva, mientras que un alto caudal del río y alta salinidad la disminuyen.

5. Significado e Impacto

• Mejora de los Sistemas de Alerta Temprana (EWS): El estudio demuestra que los modelos de ML, cuando se combinan con técnicas de explicabilidad, pueden ser herramientas fiables para anticipar eventos de toxicidad. Esto permite a las autoridades tomar medidas preventivas (como cierres de cosecha) antes de que se confirme la toxicidad en laboratorio, reduciendo el tiempo de incertidumbre y el daño económico.
• Confianza y Adopción: Al revelar los "porqués" detrás de las predicciones (ej. la relación directa entre D. fortii y la toxicidad), se aumenta la confianza de los stakeholders (acuicultores, reguladores) en la tecnología, facilitando su adopción operativa.
• Sostenibilidad: La capacidad de predecir y mitigar eventos de FAN contribuye a la sostenibilidad económica de la acuicultura de mejillones en el Mar Adriático y protege la salud pública.
• Futuro: El estudio sugiere que la precisión de estos modelos puede mejorarse aún más incorporando más datos de eventos de alta toxicidad y mejorando la resolución temporal de los datos de monitoreo.

En resumen, este trabajo representa un avance significativo al aplicar la IA explicable a un problema ecológico complejo, transformando datos históricos en herramientas predictivas accionables para la gestión de la seguridad alimentaria marina.