BRASIL: Técnicas combinadas identifican maíz transgénico de forma ágil y accesible

La espectroscopia de plasma inducida por láser (LIBS) combinada con algoritmos de aprendizaje automático puede ser una técnica de cribado alternativa para identificar y discriminar los granos de maíz transgénicos de las variedades convencionales. La metodología, desarrollada por investigadores de Embrapa, cuatro universidades de tres regiones del país y un instituto italiano, demostró ser capaz de hacer la distinción de una manera precisa, rápida y accesible.

Actualmente, la detección y cuantificación de los alimentos y piensos modificados genéticamente se realiza mediante la prueba estándar basada en la reacción en cadena de la polimerasa (PCR), que detecta y cuantifica la presencia de proteínas específicas del ADN en la muestra. A pesar de su buena precisión y sensibilidad, este método consume mucho tiempo y es caro.

En las últimas décadas, la producción y el consumo de productos agrícolas modificados genéticamente han aumentado significativamente, debido al crecimiento de la población y a la creciente demanda de alimentos. Al mismo tiempo, la demanda de métodos rápidos y baratos para identificar y discriminar los productos modificados genéticamente (cuyo ADN ha cambiado a través de técnicas de ingeniería genética) y no modificada en los sectores de control y comercialización de alimentos.

Técnicas validadas

El estudio formó parte del doctorado de Matheus Ciceero Ribeiro, supervisado por el profesor Bruno Marangoni en el Programa de Posgrado en Ciencias de Materiales de la Universidad Federal de Mato Grosso do Sul (UFMS). En Embrapa Instrumentation (SP), los experimentos estuvieron acompañados por el coordinador del Laboratorio Nacional de Agrofocónica (Lanaf), la investigadora Débora Milori.

La principal novedad de nuestra investigación es en la combinación del uso de la técnica LIBS, con el análisis multivariado y el aprendizaje automático (Aprendizaje de la Maquina), en el que se evaluó la información elemental de las muestras y se utilizó para construir criterios de decisión que diferencian las muestras transgénicas de muestras no transgénicas, dice Ribeiro.

Según él, el trabajo demostró que la combinación de técnicas puede diferenciar diferentes variedades de maíz genéticamente modificado y convencional, si tienen una composición elemental similar. Tienen ventajas esenciales como baja costo, respuesta rápida, sensibilidad razonable y fácil aplicación, añade.

El principal desafío de la investigación consistió en la identificación de componentes, elementos como carbono (C), nitrógeno (N), magnesio (Mg), potasio (K), hidrógeno (H), hierro (Fe) y sodio (Na). Entre ellas, el carbono tuvo una mayor influencia en la diferenciación entre la clásica transgénica del clásico no transgénico del maíz.

Como las muestras presentaron una composición elemental muy similar, es decir, presentan los mismos elementos, identificar marcadores específicos de cada clase fue un proceso minucioso que consumió un largo tiempo de análisis. Así, era necesario combinar análisis multivariados con el aprendizaje automático, momento en el que el ordenador era capaz de identificar marcadores que eran capaces de diferenciar las muestras en el proceso de clasificación”, explicó Ribeiro.

Otro diferencial del estudio fue que evaluó una cantidad significativa de muestras, 160 en total, consiste en el total significativo de muestras de diferentes variedades transgénicas y no transgénicas de maíz, en un total de 160. La investigación involucró seis especies de maíz, cuatro transgénicos y dos convencionales. Ribeiro dice que es la primera vez que se probó un protocolo de validación externa para la clasificación de maíz transgénico usando LIBS. La validación externa corroboró la robustez del modelo, informa.

Impactos directos

Este método ofrece una solución eficaz para el seguimiento y la trazabilidad en el sector agrícola, cumpliendo con los requisitos de la normativa alimentaria y la seguridad y garantizando el cumplimiento de las políticas nacionales e internacionales, dice el profesor Bruno Marangoni (foto del lado) al destacar que la metodología identifica el origen de la muestra de una manera ágil y accesible.

La técnica puede ser utilizada por laboratorios de análisis de alimentos, centros de control de calidad, industrias agroalimentarias y organismos reguladores. Pero las empresas agrícolas y biotecnológicas también pueden utilizar la tecnología para monitorear y certificar el origen de su producción. Según él, además, las autoridades nacionales e internacionales de vigilancia sanitaria pueden aplicarla para supervisar los productos alimenticios, garantizando la protección del consumidor y el cumplimiento de las normas actuales.

Con pruebas ágiles sobre el origen de los productos, sería posible aumentar el número de artículos analizados, lo que daría lugar a una mayor seguridad y transparencia en el mercado. Esta tecnología también aumentaría la confianza en la cadena de suministro de alimentos, permitiendo a los consumidores tomar decisiones informadas sobre lo que compran y consumen.

Próximos pasos: Pruebas a gran escala

El siguiente paso de la investigación tiene como objetivo ampliar la base de datos, incluyendo un mayor número de muestras de diferentes ubicaciones para mejorar el algoritmo de aprendizaje automático, aumentando su robustez y fiabilidad.

Entonces es importante explorar formas de hacer la metodología más accesible y aplicable a gran escala, como la creación de dispositivos portátiles para pruebas de campo. La estandarización del método también es esencial, facilitando su validación y aceptación por parte de diferentes reguladores y permitiendo que se integre en los procesos de control de calidad y certificación de los OGM, dice Marangoni.