Investigadores estadounidenses están desarrollando un innovador sistema de microscopía con inteligencia artificial, diseñado para permitir a agricultores y gestores de tierras de todo el mundo realizar pruebas de salud del suelo de manera más rápida, económica y sencilla. El equipo de investigación de la Universidad de Texas en San Antonio ha logrado combinar un microscopio óptico de bajo costo con tecnología de aprendizaje automático para medir con precisión la cantidad y presencia de hongos en muestras de suelo. Esta tecnología de prueba de concepto en etapa temprana se presentó el 9 de julio en la conferencia Goldschmidt celebrada en Praga.

La abundancia y diversidad de hongos del suelo son indicadores clave para evaluar la salud y fertilidad del suelo, ya que desempeñan un papel crucial en el ciclo de nutrientes, la retención de agua y el crecimiento de las plantas. Aunque el microscopio óptico tradicional se ha utilizado durante mucho tiempo para el descubrimiento e identificación de microorganismos del suelo, los métodos modernos de detección, como el análisis de ácidos grasos fosfolípidos y el análisis de ADN, aunque potentes, son costosos y a menudo se centran en el análisis químico, pasando por alto la complejidad biológica general del ecosistema del suelo.

Alex Graves, de la Facultad de Ciencias de la Universidad de Texas en San Antonio, explicó en la conferencia que los métodos actuales de análisis biológico del suelo son limitados, dependiendo ya sea de equipos de laboratorio costosos o de la identificación visual por expertos a través del microscopio. La nueva tecnología de su equipo, en cambio, combina algoritmos de aprendizaje automático con microscopía óptica, con el objetivo de crear una solución de prueba de suelo de bajo costo, baja intensidad laboral y que requiera menos conocimiento especializado, al tiempo que proporciona información biológica del suelo más completa.

En las primeras etapas de desarrollo, el equipo de investigación ya ha construido y probado un algoritmo de aprendizaje automático capaz de detectar la biomasa fúngica en muestras de suelo, e integrarlo en un software personalizado para etiquetar imágenes microscópicas. Este software se desarrolló a partir de un conjunto de datos de miles de imágenes de hongos de suelos del centro-sur de Texas, admite aumentos totales de 100x y 400x, y es compatible con muchos microscopios asequibles disponibles en el mercado.

Graves reveló que esta tecnología puede analizar videos de muestras de suelo, descomponerlos en imágenes y, con la ayuda de una red neuronal, identificar y cuantificar hongos con precisión. Actualmente, en la fase de prueba de concepto, ya es capaz de detectar cadenas fúngicas en muestras diluidas y estimar la biomasa fúngica.

El equipo de investigación está trabajando para integrar esta tecnología en una plataforma robótica móvil que combine funciones de recolección de muestras, fotomicrografía y análisis. Planean completar el desarrollo y las pruebas integrales del dispositivo en los próximos dos años, preparándose para su implementación práctica.

Esta investigación está dirigida por el profesor Saugata Datta, director del Instituto de Investigación de Sostenibilidad y Política de Recursos Hídricos de la Universidad de Texas en San Antonio. Los detalles del algoritmo de aprendizaje automático se publicarán más adelante este año en una revista revisada por pares.