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

Resumo Técnico: Predição de Risco de Corrosão Influenciada por Microrganismos a partir de Características de Comunidades de Biofilme de Quorum Sensing

Definição do Problema
A corrosão influenciada por microrganismos (MIC) é um mecanismo crítico de falha em infraestruturas, sendo responsável por aproximadamente 20% das falhas de corrosão globais e causando perdas anuais estimadas entre US$ 30 e 50 bilhões em oleodutos, sistemas marinhos e redes de água. Embora as abordagens atuais de aprendizado de máquina (ML) para predição de MIC utilizem parâmetros físico-químicos (ex: pH, temperatura) ou dados operacionais, elas falham em capturar os mecanismos regulatórios dinâmicos das comunidades microbianas. Especificamente, nenhum modelo de ML prévio incorporou explicitamente sinais de quorum sensing (QS) — o sistema de comunicação dependente da densidade celular que governa a formação e maturação do biofilme — como características preditivas. Essa omissão é significativa porque o QS controla diretamente a transição de um crescimento planctônico de baixa corrosão para estados de biofilme sésseis de alta corrosão e regula vias metabólicas (ex: redução de sulfato) que impulsionam a severidade da corrosão.

Metodologia
O estudo propõe um framework Random Forest-SHAP projetado para classificar o risco de MIC (Alto vs. Baixo, definido por um limiar de 50 µm/ano) integrando características de comunidade derivadas de QS com dados ambientais e microbianos tradicionais.

• Construção do Conjunto de Dados: Um conjunto de dados curado de 78 registros experimentais foi reunido a partir de mais de 15 estudos de MIC publicados. O processo de montagem envolveu extração de literatura semi-automatizada usando um LLM (Claude Haiku) seguida de verificação manual. Os dados abrangem vários substratos (principalmente aço carbono/tubulação) e ambientes (laboratório anaeróbico, água do mar, solo, águas residuais). A distribuição das classes foi de 68% MIC Alto (>50 µm/ano) e 32% MIC Baixo.
• Engenharia de Atributos (Feature Engineering): Vinte e quatro atributos foram derivados em cinco categorias:
  • Atributos de QS (Novidade): Inclui um escore de atividade de QS ($f_{QS}$), um proxy de sinal AHL (binário) e um índice de sinergia QS-biofilme ($S_{syn}$).
  • Comunidade de Biofilme: Presença de organismos específicos (SRB, IOB, APB, metanogênicos), presença de EPS, complexidade da comunidade e um "escore de agressividade do biofilme" ($S_{bio}$) ponderado por tipos de organismos.
  • Ambientais: Temperatura, pH, sulfato, H2S, oxigênio dissolvido (DO), salinidade e um escore de estresse químico ($S_{chem}$).
  • Contextuais: Tipo de material, duração da exposição e status de pite (pitting).
• Treinamento e Avaliação do Modelo: Quatro classificadores foram comparados: Random Forest (RF), XGBoost, Support Vector Machine (SVM) e Multi-Layer Perceptron (MLP). Os modelos foram avaliados por meio de validação cruzada estratificada de 5 dobras (5-fold) e uma divisão de teste mantida de 80/20. A análise SHAP (SHapley Additive exPlanations) foi empregada para fornecer atribuições globais de atributos e o processo de tomada de decisão do modelo.

Principais Resultados

• Desempenho do Modelo: O classificador Random Forest superou todos os baselines, alcançando um F1-score de 0,762 e um AUC-ROC de 0,846. Demonstrou maior estabilidade em comparação ao XGBoost, que apresentou maior variância na validação cruzada (F1 = 0,690 ± 0,131). O aprendizado profundo (MLP) teve desempenho insatisfatório (F1 = 0,573), consistente com as limitações conhecidas de deep learning em conjuntos de dados tabulares pequenos.
• Importância dos Atributos: A análise SHAP identificou o oxigênio dissolvido (0,347), a temperatura (0,301) e o escore de estresse químico (0,225) como os três principais preditores.
• Contribuição do QS: Crucialmente, os atributos compostos derivados de QS (especificamente a sinergia QS-biofilme e o escore de agressividade do biofilme) figuraram entre os 10 atributos mais importantes. Isso confirma que a dinâmica de comunidade de QS fornece valor preditivo além da mera presença de organismos individuais.
• Estratificação de Risco: Gráficos de dependência SHAP revelaram uma correlação positiva entre maiores escores de atividade de QS e aumento do risco previsto de MIC, alinhando-se com a evidência biológica de que a estimulação por QS regula positivamente os genes de redução de sulfato e aumenta as taxas de corrosão. Uma subtarefa de regressão rendeu um $R^2$ moderado de 0,316, reforçando que a classificação binária de risco é a formulação mais tratável para esta escala de dados.

Significância e Alegações
Os autores afirmam que este trabalho representa um dos primeiros frameworks de ML a operacionalizar sinais de quorum sensing como atributos preditivos para avaliação de risco de MIC. A significância do estudo reside em:

1. Integração de Atributos Inovadores: Unindo o hiato entre mecanismos de QS em nível molecular (ex: controle mediado por AHL de genes dsrABC e apsAB) e a predição de risco de infraestrutura em nível macro.
2. Interpretabilidade Mecanística: Utilizar SHAP para ligar atributos derivados de QS diretamente à estratificação de risco de MIC, fornecendo um sinal mecanisticamente interpretável consistente com evidências transcriptômicas.
3. Curadoria de Dados: Estabelecer um conjunto de dados verificado e de múltiplas fontes de 78 registros para suportar a integração de atributos biológicos complexos em modelagem de corrosão.

O artigo mantém um tom modesto quanto à generalização, reconhecendo que o conjunto de dados de 78 registros restringe a aplicabilidade ampla e que os atributos de QS estavam disponíveis para apenas 23% dos registros. Os autores sugerem que trabalhos futuros foquem na expansão do conjunto de dados via aumento de dados (data augmentation) e na integração de fluxos de sensores eletroquímicos contínuos com atributos de QS para monitoramento em tempo real.