Machine Learning Prediction of Antimicrobial Response in Pleurotus ostreatus Extracts Cultivated on Cassava Peel: A Proof-of-Concept Study

Imagina el mundo de los diminutos e invisibles invasores —bacterias y hongos— que a veces nos enferman. Durante mucho tiempo, hemos tenido armas especiales llamadas antibióticos para luchar contra ellos, pero estos invasores se están volviendo astutos. Están aprendiendo cómo esquivar nuestras armas, un problema que los científicos llaman "resistencia antimicrobiana". Es como un juego de escondite donde los que se esconden se vuelven mejores para ocultarse, y nosotros necesitamos encontrar nuevas formas de atraparlos. Una idea prometedora es mirar la propia farmacia de la naturaleza, específicamente a los hongos. Algunos hongos, como el hongo ostra (Pleurotus ostreatus), son famosos por producir sustancias químicas que pueden detener a estos malos bichos en su marcha. Aún más genial, estos hongos pueden crecer en cosas que solemos tirar, como las cáscaras de las raíces de yuca. Pero aquí está la parte difícil: probar cada lote de hongos contra cada germen es lento, costoso y requiere mucho trabajo. Los científicos se preguntan si pueden usar una "bola de cristal" hecha de matemáticas y computadoras —llamada Aprendizaje Automático (Machine Learning)— para adivinar qué extractos de hongos funcionarán mejor antes de que siquiera comiencen las complicadas pruebas de laboratorio.

Este artículo es un estudio de "prueba de concepto", que es una forma elegante de decir: "Vamos a intentar una pequeña prueba para ver si esta idea de la bola de cristal es siquiera posible". Los investigadores cultivaron hongos ostra en cáscaras de yuca y luego hicieron dos tipos de extractos líquidos de ellos: uno usando alcohol (etanol) y otro usando agua. Probaron estos líquidos contra siete tipos diferentes de gérmenes para ver qué tan bien detenían el crecimiento de los gérmenes. En lugar de solo observar los resultados, introdujeron todos los datos en un programa de computadora llamado "Random Forest" (Bosque Aleatorio). Piensa en este modelo como un detective súper organizado que busca pistas —como qué tipo de líquido se usó para hacer el extracto, qué tipo de germen está combatiendo y la composición química del lote de hongos— para predecir el resultado.

El detective hizo un trabajo decente en una tarea específica: predecir el tamaño de la "zona de inhibición". Imagina dibujar un círculo en una placa de Petri donde los gérmenes no pueden crecer; cuanto más grande sea el círculo, mejor funciona el extracto del hongo. El modelo de la computadora pudo adivinar el tamaño de este círculo con un éxito moderado, obteniendo una puntuación de precisión (R-cuadrado) de 0.68. Fue bastante bueno adivinando que ocurrirían círculos más grandes con ciertas condiciones. La pista más importante que encontró el detective fue el solvente de extracción. Si el extracto fue hecho con alcohol o con agua importaba mucho más que las diminutas diferencias químicas entre los lotes de hongos. De hecho, la composición química específica de los hongos contribuyó muy poco a la predicción.

Sin embargo, el detective chocó contra un muro al intentar predecir algo más: la Concentración Mínima Inhibitoria (CMI). Esta es una medida de cuánto se necesita del extracto para detener al germen por completo. Cuando la computadora intentó adivinar si el extracto era lo suficientemente fuerte como para ser un "ganador" o un "perdedor", funcionó mal, obteniendo la respuesta correcta solo el 43% de las veces. Básicamente estaba adivinando a ciegas. Esto nos dice que las pistas que los científicos tenían —como la química del lote y el tipo de germen— no eran suficientes para notar la diferencia entre un extracto fuerte y uno débil.

Entonces, ¿cuál es el veredicto? El estudio sugiere que el aprendizaje automático puede ser un ayudante útil para explorar medicinas de hongos, pero aún no es una varita mágica. La computadora aprendió que el tipo de líquido usado para hacer el extracto es un asunto enorme, pero no pudo comprender los detalles más finos de qué tan fuerte sería la medicina. Los autores advierten cuidadosamente que estos resultados son solo el comienzo. Debido a que solo probaron un número pequeño de muestras (42 observaciones) y solo tres lotes de hongos, la imagen todavía es un poco borrosa. Para construir una bola de cristal verdaderamente confiable, dicen que necesitamos conjuntos de datos mucho más grandes, probando muchos más tipos de hongos y gérmenes, con mediciones químicas aún más detalladas. Por ahora, este estudio es un primer paso divertido y prometedor que muestra el potencial de mezclar la biología con la ciencia de la computación, incluso si la computadora todavía necesita mucha más tarea antes de que pueda reemplazar el banco de laboratorio.