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

Este estudo aplica técnicas de aprendizado de máquina explicável a um conjunto de dados de 28 anos no Golfo de Trieste para prever com precisão a toxicidade em mexilhões causada por florações de algas nocivas, identificando espécies específicas de dinoflagelados e fatores ambientais como preditores-chave para melhorar os sistemas de alerta precoce e a aquicultura sustentável.

O essencial

Imagine que as ostras e mexilhões são como "esponjas" que filtram a água do mar para se alimentar. O problema é que, às vezes, essa água contém um "veneno invisível" produzido por algas microscópicas (chamadas de florações de algas nocivas). Se as pessoas comerem esses mariscos contaminados, podem ficar muito doentes.

Este estudo é como uma caixa de ferramentas de detetive inteligente criada para prever quando esse veneno vai aparecer nas águas da Adriática (perto da Eslovênia), antes que seja tarde demais.

Aqui está a explicação passo a passo, usando analogias simples:

1. O Problema: O "Chefe" e o "Segredo"

Os cientistas têm dados de 28 anos (uma história muito longa!) sobre duas coisas:

• As algas tóxicas: Pequenos seres vivos que vivem na água.
• O veneno nos mexilhões: A quantidade de toxina que eles acumularam.

O desafio é que o veneno não aparece sempre. Às vezes a água parece limpa, mas o veneno está lá. É como tentar adivinhar se vai chover apenas olhando para o céu, mas às vezes a chuva vem de repente sem nuvens.

2. A Solução: O "Cérebro" da Máquina (Machine Learning)

Os pesquisadores ensinaram computadores a olhar para esses dados de 28 anos e encontrar padrões. Eles criaram um "cérebro digital" (um modelo de aprendizado de máquina) que funciona como um meteorologista de toxinas.

• O Treinamento: Eles mostraram ao computador milhares de exemplos do passado: "Neste dia, havia X quantidade de algas, a água estava salgada assim e o rio trouxe muita água doce. No dia seguinte, os mexilhões estavam venenosos."
• O Resultado: O computador aprendeu a dizer: "Cuidado! Se a água estiver assim e houver essas algas, é provável que venha veneno."

3. O Campeão: A "Floresta" de Árvores Decisórias

Dentre vários tipos de "cérebros" que eles testaram, um chamado Random Forest (Floresta Aleatória) foi o melhor.

• A Analogia: Imagine que você precisa tomar uma decisão importante. Em vez de perguntar a uma única pessoa, você pergunta a uma floresta inteira de especialistas. Cada "árvore" na floresta olha para um pedaço diferente dos dados (algumas olham para a temperatura, outras para a chuva, outras para o tipo de alga). No final, elas votam juntas. Se a maioria das árvores diz "Perigo!", o sistema dispara o alarme.
• Esse método foi o mais preciso para detectar quando os mexilhões estavam contaminados.

4. O Grande Diferencial: Não é uma "Caixa Preta"

Muitos computadores inteligentes são como caixas pretas: eles dão a resposta, mas você não sabe por que chegaram a ela. Isso é perigoso para a segurança alimentar, pois os pescadores e autoridades precisam confiar no aviso.

Este estudo usou uma técnica chamada IA Explicável (XAI).

• A Analogia: Em vez de apenas dizer "Vai chover", o computador abre a caixa e mostra o raciocínio: "Vai chover porque a umidade subiu, o vento mudou de direção e o barômetro caiu".
• O que eles descobriram? O computador revelou que os "culpados" principais não são apenas as algas, mas também o ambiente:
  • Álga Principal: Uma espécie chamada Dinophysis fortii é a grande vilã.
  • O Gatilho: Quando chove muito ou o rio Soča traz muita água doce, a salinidade do mar cai. Isso cria um "banho perfeito" para a algas tóxicas se multiplicarem.

5. Por que isso é importante?

Hoje, os pescadores só fecham a venda dos mexilhões depois que o laboratório confirma que eles estão venenosos. Isso causa prejuízo econômico e deixa as pessoas em risco por dias.

Com esse novo sistema de previsão:

• O Alerta Antecipado: As autoridades podem fechar a pesca antes que o veneno chegue aos níveis perigosos, baseando-se nas condições da água e nas algas.
• Confiança: Como o computador explica o "porquê" (mostrando que a chuva e a salinidade foram os motivos), os pescadores e o governo confiam mais no aviso e agem mais rápido.

Resumo Final

Os cientistas eslovênicos criaram um sistema de alerta precoce que funciona como um guarda-chuva inteligente. Ele não apenas prevê se vai "chover veneno", mas explica exatamente por que a tempestade está chegando (a combinação de algas específicas + água doce + temperatura). Isso ajuda a proteger a saúde das pessoas e a economia dos pescadores, transformando dados complexos de 28 anos em uma decisão simples e segura: "Hoje é dia de fechar a pesca" ou "Hoje é seguro colher".

Resumo técnico

Aqui está um resumo técnico detalhado do artigo, apresentado em português:

Título: Aprendizado de Máquina Explicável para Previsão de Toxicidade de Mariscos no Mar Adriático Utilizando Dados de Monitoramento de Longo Prazo de FLOs

1. Problema e Contexto

A aquicultura de mariscos, especialmente a produção de mexilhões (Mytilus galloprovincialis), enfrenta desafios significativos devido às Floradas de Algás Nocivas (HABs - Harmful Algal Blooms). No Mar Adriático, especificamente no Golfo de Trieste (Eslovênia), o principal risco à segurança alimentar é a Intoxicação Diarreica por Mariscos (DSP), causada por toxinas lipofílicas (como o ácido okadáico) produzidas por dinoflagelados do gênero Dinophysis e Phalacroma.

O sistema atual de monitoramento, embora robusto, possui limitações:

• Reatividade: As proibições de venda geralmente ocorrem apenas após a confirmação da toxicidade nos mariscos, causando atrasos e perdas econômicas.
• Incerteza: Mudanças na toxicidade do plâncton podem levar a fechamentos preventivos sem confirmação laboratorial imediata.
• Complexidade: A relação entre a abundância de fitoplâncton, fatores ambientais e a toxicidade acumulada nos mariscos é não linear e influenciada por variáveis climáticas extremas.
• Falta de Explicabilidade: Modelos de "caixa preta" (como redes neurais profundas) oferecem previsões, mas não explicam os mecanismos causais, o que reduz a confiança das autoridades na tomada de decisão.

O objetivo deste estudo foi desenvolver e avaliar modelos de aprendizado de máquina (ML) explicáveis para prever eventos de toxicidade DSP em mariscos a curto prazo, utilizando um conjunto de dados de 28 anos.

2. Metodologia

2.1. Dados e Pré-processamento

• Conjunto de Dados: Criou-se um novo conjunto de dados abrangendo 1994-2021, integrando:
  • Abundância de fitoplâncton tóxico (5 espécies principais de DSP e total agregado).
  • Resultados de toxicidade em mexilhões (inicialmente bioensaio com camundongos, depois LC-MS/MS).
  • Variáveis físico-químicas (temperatura da superfície do mar, salinidade).
  • Dados meteorológicos e hidrológicos (precipitação, vazão do rio Soča, temperatura do ar, radiação solar).
• Limpeza e Engenharia de Atributos:
  • Padronização dos resultados de toxicidade para uma variável binária (Positivo/Negativo) baseada no limite regulatório de 176 µg kg⁻¹.
  • Interpolação de dados faltantes e agregação temporal (janelas de 20-30 dias para dados meteorológicos).
  • Tratamento de Desequilíbrio de Classes: O dataset original era altamente desbalanceado (88% negativos, 12% positivos). Utilizou-se SMOTE (oversampling sintético) para a classe minoritária e Edited Nearest Neighbors (undersampling) para remover instâncias conflitantes da classe majoritária, resultando em um conjunto balanceado de 877 instâncias.
  • Redução de dimensionalidade via UMAP para visualização e entendimento da separação dos dados.

2.2. Modelos de Aprendizado de Máquina
Foram treinados e comparados quatro algoritmos:

1. Árvore de Decisão (DT): Alta interpretabilidade, baixa complexidade.
2. Floresta Aleatória (RF): Modelo de ensemble, robusto a ruídos e não linearidades.
3. Máquinas de Vetor de Suporte (SVM): Eficaz em dados de alta dimensão.
4. Rede Neural Artificial (ANN - MLP): Modelo de "caixa preta" para comparação de desempenho.

2.3. Avaliação e Explicabilidade (XAI)

• Validação: Divisão 70/30 (treino/teste) com validação cruzada estratificada de 5 dobras, repetida 100 vezes para garantir robustez estatística.
• Métricas: Foco no F1-score para otimização de hiperparâmetros, mas com análise crítica de Recall (capacidade de detectar casos positivos) e Precisão.
• Técnicas XAI:
  • Visualização direta da estrutura da Árvore de Decisão.
  • Permutation Importance: Para avaliar a importância global das variáveis no modelo RF.
  • SHAP (Shapley Additive Explanations): Para explicar previsões individuais e globais, quantificando a contribuição de cada variável para o resultado final.

3. Resultados Principais

3.1. Desempenho dos Modelos

• O modelo de Floresta Aleatória (RF) apresentou o melhor desempenho global, com um F1-score médio de 0,65, precisão de 0,74 e recall de 0,59.
• O RF superou os outros modelos em estabilidade e capacidade de lidar com interações complexas nos dados.
• A Árvore de Decisão (DT) teve desempenho inferior (F1 ~0,43), mas ofereceu regras de decisão claras e intuitivas.
• Observou-se um trade-off: aumentar o recall (detectar mais casos positivos) reduzia drasticamente a precisão (aumentando falsos positivos), o que é aceitável em sistemas de alerta precoce se seguido de confirmação laboratorial.

3.2. Fatores Chave Identificados (Explicabilidade)
As técnicas XAI revelaram os principais impulsionadores da toxicidade:

• Espécies Biológicas: A abundância de Dinophysis fortii foi a variável mais influente, seguida por Dinophysis caudata e o total de espécies de DSP (DSP-tot).
• Fatores Ambientais:
  • Salinidade: Valores mais baixos de salinidade aumentaram a probabilidade de toxicidade.
  • Vazão do Rio Soča e Precipitação: Maior descarga de água doce (diluição) correlacionou-se com surtos de toxicidade.
  • Temperatura: Temperaturas mais altas (verão/outono) favorecem a estratificação da coluna de água, beneficiando o Dinophysis.
• Regras de Decisão (DT): O modelo DT identificou que uma abundância de D. fortii > 30 células L⁻¹ é um indicador direto de risco. Se abaixo desse valor, a presença de D. caudata combinada com salinidade ≤ 36,17 indica risco.

4. Contribuições e Significância

• Avanço Científico: Este é um dos primeiros estudos a aplicar ML explicável para prever diretamente a toxicidade em mariscos (e não apenas a ocorrência de algas) no Mediterrâneo, utilizando um dataset de longo prazo (28 anos).
• Transparência e Confiança: Ao integrar métodos XAI (SHAP, Permutation Importance), o estudo supera a barreira da "caixa preta", permitindo que gestores e autoridades compreendam por que o modelo prevê toxicidade. Isso é crucial para a adoção de sistemas de alerta precoce (EWS) na gestão de aquicultura.
• Ferramenta de Gestão: Os modelos desenvolvidos podem ser integrados em EWS para antecipar fechamentos de colheita, permitindo ações mitigadoras mais rápidas e reduzindo perdas econômicas desnecessárias ou riscos à saúde pública.
• Reprodutibilidade: O estudo disponibiliza o conjunto de dados completo e o código-fonte, incentivando pesquisas futuras na região e em outras áreas de aquicultura.

5. Conclusão

O estudo demonstra que modelos de aprendizado de máquina, particularmente a Floresta Aleatória combinada com técnicas de explicabilidade, são ferramentas eficazes para prever surtos de DSP no Mar Adriático. A identificação de Dinophysis fortii e fatores hidrológicos (salinidade, vazão fluvial) como preditores chave valida o conhecimento ecológico existente e oferece uma base quantitativa para melhorar a gestão sustentável da aquicultura de mariscos. Futuras melhorias devem focar na expansão do conjunto de dados, especialmente em eventos de alta toxicidade, para aumentar a robustez do modelo.