Las ómicas y el aprendizaje automático en la seguridad alimentaria

Antecedentes 

Los alimentos de origen animal o vegetal son ecosistemas complejos ricos en nutrientes con características fisicoquímicas que permiten el crecimiento microbiano durante su procesamiento y almacenamiento. Estos ecosistemas están colonizados por comunidades microbianas que pueden incluir microorganismos patógenos, alterantes o benéficos. El consumo de alimentos contaminados con patógenos es una causa importante de morbilidad y mortalidad a nivel mundial. Cada año, aproximadamente 600 millones de personas (1 de cada 10 personas) se enferman a causa de patógenos transmitidos por alimentos, 420.000 de los cuales mueren. El daño humano causado por patógenos transmitidos por alimentos resulta en pérdidas económicas colosales que ascienden a 110 mil millones de dólares debido a la pérdida de productividad y gastos de salud. Las causas del desperdicio y la pérdida de alimentos son  numerosas, pero una parte importante de la destrucción de alimentos relacionada con la contaminación microbiana se debe al incumplimiento de las reglamentaciones relacionadas con patógenos o al deterioro.

A nivel de la Unión Europea, el 20% del total de alimentos disponibles se pierde o desperdicia, siendo las frutas y verduras la categoría más afectada (43,5%) por delante de los productos cárnicos y pesqueros (26,3%). En todo el mundo, se estima que un tercio de los alimentos producidos para el consumo humano, alrededor de 1.300 millones de toneladas por año, se pierden o desperdician a lo largo de la cadena de suministro de alimento, mientras que alrededor del 12% de la población mundial sufre de hambre. Por lo tanto reducir el desperdicio de alimentos es crucial no sólo por razones éticas sino también por razones económicas (Borges et al., 2022)

La microbiología de los alimentos se ha estudiado durante mucho tiempo mediante métodos clásicos dependientes de cultivo. Las pruebas precisas y apropiadas para detectar peligros potenciales en la cadena de suministros de alimentos son clave para garantizar la seguridad del consumidor y la calidad de los alimentos. El monitoreo y las pruebas periódicas de los ingredientes pueden revelar fluctuaciones dentro de la cadena de suministro que pueden ser un indicador de la calidad de un ingrediente o de un peligro potencial. Dicha calidad se evalúa mediante pruebas estandarizadas de composición química y microbiológica para cumplir con los requisitos y especificaciones de las agencias gubernamentales de todo el mundo. Para que las materias primas o los productos terminados cumplan con estos límites de seguridad y calidad, su composición generalmente debe tener una carga microbiológica baja y ser químicamente idénticos en macro componentes como carbohidratos, proteínas y grasas. Los métodos en este segmento deben evitar resultados falsos negativos que pueden poner en peligro a los consumidores (Beck et al., 2021).

El auge de las tecnologías de secuenciación y de las ómicas ha permitido el mapeo de comunidades microbianas asociadas a la producción de alimentos específicos, siendo estas valiosas herramientas para saber “quiénes” se encuentran en este nicho y también “cuál” podría ser su papel en las características del producto final. En este sentido, la microbiología de alimentos debería beneficiarse de las metodologías ya desarrolladas para el estudio del microbioma humano, y ser capaz de adaptar herramientas analíticas y computacionales para mejorar el conocimiento de las comunidades microbianas alimentarias (Sabater et al., 2021)  Durante la última década, las técnicas ómicas, incluidas la genómica, la transcriptómica, la proteómica, la metabolómica, la culturómica y la fenómica, han revolucionado todas las áreas de las ciencias de la vida, incluida la evaluación de la seguridad y calidad de los alimentos, debido a su capacidad para descifrar los sistemas alimentarios en su conjunto y proporcionar un retrato más realista de las complejas interacciones que ocurren en el ecosistema alimentario y aumentan significativamente nuestra comprensión del potencial de los microbiomas para aumentar la productividad y la sostenibilidad de los sistemas alimentarios (Cammarota et al., 2020)(Zhao et al., 2021) (Borges et al., 2022).

El desafío actual es cómo implementar estas tecnologías metagenómicas en la cadena industrial “ de la granja a la mesa”, puesto que la principal limitación de los métodos dependientes de cultivo es que solo permiten el estudio de microorganismos cultivables, por lo tanto, se corre el riesgo de no tener una visión de la biodiversidad de la población microbiana presente en el alimento (Sabater et al., 2021). Sin embargo, el uso de las ómicas permite la extracción la información cifrada del microbioma e identificar si hay microorganismos patógenos y/o alterantes. Esta información brinda nuevas oportunidades para explorar la diversidad y la funcionalidad de los microorganismos en los alimentos, así como en los entornos de procesamiento y producción de alimentos (Melnyk et al., 2020), (Cammarota et al., 2020) (Sabater et al., 2021) (Whon et al., 2021)

Si partimos que la investigación del microbioma es el análisis de la composición, función y las interacciones bióticas y abióticas de los microorganismos en comunidades complejas (Sakowski et al., 2019). El análisis de microbioma  actual generalmente consta de dos componentes importantes: perfiles de la comunidad aguas arriba ( ¿cuál es la abundancia de todos los microorganismos en cada muestra?) y análisis de alto nivel aguas abajo (análisis de diversidad alfa/beta, análisis de abundancia diferencial). En los últimos años, los métodos de análisis de datos, visualización y aprendizaje automático en evolución se han aplicado gradualmente al desarrollo de muchas herramientas de software y servidores web para el análisis de datos de microbiomas que cubren estos dos componentes (Zhao et al., 2021). Y que se analizan bajo dos enfoques: Top-Down (lenguaje estadístico) y Bottom up (Mecanistico) (Tabla 1). Adaptado de (Sakowski et al., 2019).

Como puede evidenciarse las herramientas de análisis son ampliamente usadas en áreas humanas y geológicas por lo que en este caso nos enfocaremos en el análisis del microbioma en alimentos y en un enfoque Top-Down a través de aprendizaje automático y lenguaje estadístico

El aprendizaje automático es una rama de la inteligencia artificial que aprende de los datos, identifica patrones y toma decisiones. En la investigación del microbioma, el aprendizaje automático se utiliza para la clasificación taxonómica, el análisis de la diversidad beta, el agrupamiento y el análisis de composición de características particulares (Liu et al., 2021).

Los métodos de aprendizaje automático permiten comparar la capacidad de la microbiota para diferenciar grupos por el uso simultáneo de múltiples familias bacterianas en tres pasos principales: reducción de dimensionalidad, entrenamiento y evaluación del modelo e interpretación del modelo. La reducción de dimensionalidad ayuda a mejorar el rendimiento de los modelos mediante la eliminación de “microorganismos” que tienen un efecto mínimo en la clasificación. Los microorganismos que están presentes solo en una pequeña fracción de toda la población pueden tener un efecto insignificante en el rendimiento del clasificador debido a su falta de disponibilidad en la mayoría de las muestras. Por lo tanto la dimensionalidad se debe reducir en diferentes umbrales para excluir del análisis de clasificación los microorganismos que están presentes en menos del umbral establecido de la población total en cada tarea de clasificación (Rosen & Hammrich, 2020) (Saboo et al., 2022), (Pannoni et al., 2022). 

Tabla 1: Enfoques Biología de sistemas para evaluación de datos.