Predicting Microbiologically Influenced Corrosion Risk from Quorum Sensing Biofilm Community Features: A Random Forest-SHAP Approach

Resumen Técnico: Predicción del Riesgo de Corrosión Influenciada Microbiológicamente mediante Características de la Comunidad de Biofilm de Quorum Sensing

Planteamiento del Problema
La corrosión influenciada microbiológicamente (MIC, por sus siglas en inglés) es un mecanismo de falla crítico que representa aproximadamente el 20% de las fallas de corrosión globales y causa pérdidas anuales estimadas entre 30.000 y 50.000 millones de dólares en oleoductos, sistemas marinos y redes de agua. Aunque los enfoques actuales de aprendizaje automático (ML) para la predicción de MIC utilizan parámetros fisicoquímicos (p. ej., pH, temperatura) o datos operativos, estos no logran capturar los mecanismos reguladores dinámicos de las comunidades microbianas. Específicamente, ningún modelo de ML previo ha incorporado explícitamente señales de quorum sensing (QS)—el sistema de comunicación dependiente de la densidad celular que gobierna la formación y maduración del biofilm—como características predictivas. Esta omisión es significativa porque el QS controla directamente la transición de un crecimiento planctónico de baja corrosión a estados de biofilm sésiles de alta corrosión, y regula las vías metabólicas (p. ej., reducción de sulfato) que impulsan la severidad de la corrosión.

Metodología
El estudio propone un marco de Random Forest-SHAP diseñado para clasificar el riesgo de MIC (Alto vs. Bajo, definido por un umbral de 50 µm/año) integrando características de comunidad derivadas de QS con datos ambientales y microbianos tradicionales.

• Construcción del Conjunto de Datos: Se ensambló un conjunto de datos curado de 78 registros experimentales provenientes de más de 15 estudios de MIC publicados. El proceso de ensamblaje involucró la extracción semiautomatizada de literatura utilizando un LLM (Claude Haiku) seguida de una verificación manual. Los datos abarcan diversos sustratos (principalmente acero al carbono/de tubería) y entornos (laboratorio anaeróbico, agua de mar, suelo, aguas residuales). La distribución de clases es 68% MIC Alto (>50 µm/año) y 32% MIC Bajo.
• Ingeniería de Características: Se derivaron veinticuatro características a través de cinco categorías:
  • Características de QS (Novedosas): Incluye una puntuación de actividad de QS ($f_{QS}$), un proxy de señal de AHL (binario) y un índice de sinergia QS-biofilm ($S_{syn}$).
  • Comunidad de Biofilm: Presencia de organismos específicos (SRB, IOB, APB, metanógenos), presencia de EPS, complejidad de la comunidad y una "puntuación de agresión del biofilm" ($S_{bio}$) ponderada por tipos de organismos.
  • Ambientales: Temperatura, pH, sulfato, H2S, oxígeno disuelto (DO), salinidad y una puntuación de estrés químico ($S_{chem}$).
  • Contextuales: Tipo de material, duración de la exposición y estado de picadura (pitting).
• Entrenamiento y Evaluación del Modelo: Se compararon cuatro clasificadores: Random Forest (RF), XGBoost, Máquina de Vectores de Soporte (SVM) y Perceptrón Multicapa (MLP). Los modelos fueron evaluados mediante validación cruzada estratificada de 5 pliegues (5-fold) y una división de prueba de retención del 80/20. Se empleó el análisis SHAP (SHapley Additive exPlanations) para proporcionar atribuciones globales de características y explicar el proceso de toma de decisiones del modelo.

Resultos Clave

• Desempeño del Modelo: El clasificador Random Forest superó a todos los modelos base, logrando un F1-score de 0.762 y un AUC-ROC de 0.846. Demostró una estabilidad superior en comparación con XGBoost, que mostró una mayor varianza en la validación cruzada (F1 = 0.690 ± 0.131). El aprendizaje profundo (MLP) tuvo un desempeño deficiente (F1 = 0.573), consistente con las limitaciones conocidas del aprendizaje profundo en conjuntos de datos tabulares pequeños.
• Importancia de las Características: El análisis SHAP identificó el oxígeno disuelto (0.347), la temperatura (0.301) y la puntuación de estrés químico (0.225) como los tres principales predictores.
• Contribución de QS: Crucialmente, las características compuestas derivadas de QS (específicamente la sinergia QS-biofilm y la puntuación de agresión del biofilm) se situaron dentro de las 10 características más importantes. Esto confirma que la dinámica de la comunidad de QS proporciona un valor predictivo más allá de la mera presencia de organismos individuales.
• Estratificación de Riesgo: Los gráficos de dependencia de SHAP revelaron una correlación positiva entre puntuaciones de actividad de QS más altas y un mayor riesgo de MIC predicho, lo cual se alinea con la evidencia biológica de que la estimulación por QS aumenta la regulación positiva de los genes de reducción de sulfato e incrementa las tasas de corrosión. Una subtarea de regresión arrojó un $R^2$ moderado de 0.316, reforzando que la clasificación binaria de riesgo es la formulación más tratable para la escala de este conjunto de datos.

Significancia y Reivindicaciones
Los autores afirman que este trabajo representa uno de los primeros marcos de ML en operacionalizar las señales de quorum sensing como características predictivas para la evaluación del riesgo de MIC. La significancia del estudio radica en:

1. Integración de Características Novedosas: Cerrar la brecha entre los mecanismos de QS a nivel molecular (p. ej., el control mediado por AHL de los genes dsrABC y apsAB) y la predicción de riesgo de infraestructura a nivel macro.
2. Interpretabilidad Mecanística: El uso de SHAP para vincular las características derivadas de QS directamente con la estratificación del riesgo de MIC, proporcionando una señal interpretable mecánicamente que es consistente con la evidencia transcriptómica.
3. Curación de Datos: Establecer un conjunto de datos verificado y de múltiples fuentes de 78 registros para respaldar la integración de características biológicas complejas en el modelado de la corrosión.

El artículo mantiene un tono modesto respecto a la generalización, reconociendo que el conjunto de datos de 78 registros restringe la aplicabilidad amplia y que las características de QS estaban disponibles para solo el 23% de los registros. Los autores sugieren que el trabajo futuro debería centrarse en expandir el conjunto de datos mediante el aumento de datos (data augmentation) e integrar flujos de sensores electroquímicos continuos con características de QS para el monitoreo en tiempo real.