EPPO (IPMA) instalaciones experimentales | misPeces
Un equipo de investigadores de la Universidad de Oporto y el Instituto Portugués para el Mar y la Atmósfera (IPMA) ha desarrollado una metodología pionera que utiliza algoritmos de aprendizaje automático (machine learning) para clasificar la malnutrición en peces basándose en biomarcadores histológicos del intestino.
Este avance, publicado recientemente en el Journal of Marine Science and Engineering, promete transformar los métodos tradicionales de evaluación nutricional en la industria acuícola.
El estudio se centró en el análisis de las secciones intestinales de la corvina (Argyrosomus regius), utilizando tanto características semi-cuantitativas como cuantitativas obtenidas a través de análisis histológico.
Los algoritmos utilizados, como la regresión logística, máquinas de vectores de soporte y ensamblaje de modelos, han permitido a los investigadores identificar con mayor precisión los signos de malnutrición. Estos incluyen el número, la densidad y el área de las vellosidades intestinales y el recuento de células caliciformes, indicadores clave del estado nutricional del pez.
Hasta ahora, como señalan los autores de este trabajo, la evaluación de la salud intestinal de los peces en acuicultura ha sido complicada y sujeta a una considerable variabilidad entre los estudios. Este nuevo enfoque, como indican, no solo estandariza este proceso, sino que también lo hace más accesible para operadores sin formación especializada en histología.
Este desarrollo tiene el potencial de cambiar significativamente cómo se monitorea y gestiona la salud de los peces en las instalaciones de acuicultura, ofreciendo un método más rápido y económico para detectar problemas nutricionales antes de que afecten gravemente a las poblaciones de peces.
La acuicultura es una industria vital para la seguridad alimentaria mundial, y mejoras como esta en la tecnología de monitoreo son esenciales para su sostenibilidad y expansión futuras. El equipo de investigación espera que su trabajo inspire más estudios que continúen integrando la ciencia de datos con la acuicultura para soluciones innovadoras en el manejo de la salud y nutrición de peces.
Una metodología estandarizada para futuros desarrollos
Los investigadores utilizaron juveniles de corvina de aproximadamente 5 gramos de peso que fueron criados en la Estación Piloto de Piscicultura de Olhão (EPPO) del IPMA.
Se formularon tres dietas diferentes para evaluar variados estados nutricionales: una dieta control con niveles normales de nutrientes y dos dietas experimentales con niveles decrecientes de nutrientes para inducir la malnutrición.
Tras un periodo de alimentación controlada, se recolectaron las muestras del intestino de los peces, dividiéndose en secciones anteriores, intermedia y distal. Las muestras se fijaron y procesaron utilizando técnicas estándar de histología para crear láminas que fueron teñidas y examinadas bajo microscópio.
Se realizaron análisis cuantitativos que incluyeron medidas como la altura y el área de las vellosidades; mientras que los análisis semi-cuantitativos evaluaron características morfológicas generales y la presencia de células inflamatorias.
Se utilizaron varios algoritmos de aprendizaje automático, incluyendo regresión logística, máquinas de vectores de soporte y métodos de ensamble como el ensamble apilado.
Los modelos se entrenaron utilizando el conjunto de entrenamiento para aprender a clasificar el estado nutricional basado en las características histológicas.
Estos modelos fueron evaluados en su capacidad de predecir correctamente la malnutrición y se realizó un análisis estadístico para validar los resultados.
Este enfoque integrado, no solo demuestra mejorar la precisión en la detección de la malnutrición en peces, también establece un protocolo estandarizado que puede ser replicado y aplicado en diversos entornos de acuicultura para monitorizar y mejorar la salud y bienestar de los peces.
Referencia:
Oliveira, J.; Barata, M.; Soares, F.; Pousão-Ferreira, P.; Oliva-Teles, A.; Couto, A. Machine Learning-Based Classification of Malnutrition Using Histological Biomarkers of Fish Intestine: Preliminary Data. J. Mar. Sci. Eng. 2024, 12, 2177.
Te puede interesar
Agenda
-
12febmié, 12 feb - jue, 13 febPordenone (Italia)
-
22septlun, 22 sept - jue, 25 septPalacio de Congresos de Valencia
Último reportaje
-
Cormorán grande: enemigo número uno de la piscicultura y biodiversidad acuática
El crecimiento exponencial de estas aves en las últimas décadas provoca la pérdida de 300.000 toneladas de peces silvestres y cultivados en Europa todos los años