Detección de contaminación polimérica, a través de un sensor de péptidos. Este es el objeto de la investigación que ha desarrollado un equipo investigador del Instituto Tecnológico de Tokio. Para ello, han diseñado un modelo de clasificación aprendizaje automático supervisado.
La presencia de plásticos en el agua, un problema a nivel global. La contaminación por plásticos, en sus diferentes escalas, tienen grandes repercusiones en la vida marina. Entre otros impactos, pueden ocasionar daños a los arrecifes de coral y reducir el número de peces que pueblan nuestros océanos. En resumen, este tipo de contaminación es perjudicial para la vida marina.
El papel de los péptidos en el sistema
La escala del material contaminante, es un factor significativo. A pesar de que recientemente, se ha producido un notable interés por la contaminación causada por microplásticos, existen otros tipos de sustancias perjudiciales. Este es el caso de los polímeros sintéticos solubles en agua. Precisamente por ser la solubilidad una característica propia de estos polímeros, no son recuperables a través de filtración.
Identificar las características del polímero, clave para el estudio. Para avanzar en la eliminación de los polímeros contaminantes, es necesario entender su naturaleza. Este punto, junto a la estimación de su presencia en el agua, ha sido objeto de análisis por parte de los investigadores.
Identificar las características del polímero, ha sido un aspecto fundamental del estudio
Los polímeros, en esencia, son una concatenación de sustancias químicas. A su vez, estas sustancias se forman de unidades de menor tamaño. A pesar de no ser una conexión habitual de conceptos, puede contemplarse a las proteínas como polímeros. Estos polímeros con origen en proteínas, se componen de unidades dependientes, conocidas como aminoácidos.
Los péptidos, aparecen en los aminoácidos. Una vez comprendido cómo las proteínas se componen de aminoácidos, llegamos a los péptidos. Concretamente, las cadenas cortas de aminoácidos, son conocidas por el término “péptidos”. A su vez, estos péptidos permiten ciertas interacciones singulares con moléculas. Una de las moléculas que permiten una interacción específica son los polímeros.
Los péptidos permiten interacciones específicas con moléculas como los polímeros
Fluorescencia para advertir la presencia de polímeros solubles
Un sensor de péptidos para identificar la presencia de polímeros solubles. Aprovechar las interacciones que llevan a cabo los péptidos, ha dado lugar al desarrollo de un sensor de péptidos. Este sensor, permite identificar polímeros solubles en agua en el flujo de aguas mixtas. De esta forma, la interacción producida, permite advertir la presencia de polímeros solubles en el agua.
Un sistema de aprendizaje que emula ciertos comportamientos de los mamíferos. Como señala Takeshi Serizawa, director del estudio, los patrones de aprendizaje que ha desarrollado la investigación, emula la distinción de sabores y olores de los mamíferos. El olfato y el gusto, emplea un número limitado de proteínas receptoras para desarrollar su función. Este es un comportamiento que imita el sensor.
El sistema de detección diseñado, emula la distinción de sabores y olores que realizan los mamíferos
El modelo del estudio, se basó en un polímero concreto. El modelo de detección diseñado, puso el foco en un péptido que se une a un polímero sintético llamado poli (N-isopropilacrilamida). Posteriormente, se insertó en el péptido una etiqueta que permite la fluorescencia, conocida como N- (1-anilinonaftil-4) maleimida (ANM). De esta forma, se puede rastrear las distintas interacciones producidas.
La fluorescencia cambiaba acorde a la interacción con el péptido. Con la interacción resultante, el ANM emitía una señal identificable por el equipo investigador. Con los datos recabados gracias a la emisión de señales, se pudo entrenar un algoritmo con capacidad para distinguir. La técnica concreta empleada es aprendizaje automático supervisado.
A través de aprendizaje automático supervisado, se ha entrenado un modelo eficaz
Entrenando y poniendo a prueba el algoritmo diseñado
El siguiente paso fue poner a prueba el modelo con datos desconocidos. Tras el entrenamiento del modelo, se probó el algoritmo ante soluciones mixtas. A pesar de la adición de etanol y cloruro de sodio para cambiar significativamente las interacciones de carácter químico, el algoritmo funcionó. Logró distinguir aquellos polímeros con propiedades parecidas a las de los polímeros de aprendizaje.
Se realizó una prueba del algoritmo sobre aguas residuales reales. Al llevar el sistema a un medio de aguas residuales reales, los resultados fueron positivos. Se corroboró que es efectivo en la identificación de distintos polímeros solubles.
Conclusión
La innovación puede tener su origen en distintas ramas tecnológicas. Como vemos en la investigación desarrollada, distintos campos pueden colaborar para un mundo más sostenible. Este es el caso del tratamiento de aguas y los modelos de machine learning. Gracias al algoritmo resultante, es posible identificar la contaminación y proceder a su recuperación.
