Los microplásticos (las diminutas partículas de plástico que se desprenden cuando la basura se descompone) están en todas partes , desde las profundidades del mar hasta el monte Everest , y muchos investigadores temen que puedan dañar la salud humana .
Soy investigador de aprendizaje automático . Junto con un equipo de científicos, he desarrollado una herramienta para que la identificación de microplásticos mediante su huella química única sea más fiable. Esperamos que este trabajo nos ayude a conocer los tipos de microplásticos que flotan en el aire en nuestra zona de estudio, Michigan.
Microplásticos: un problema global
El término plástico se refiere a una amplia variedad de polímeros creados artificialmente. El polietileno, o PET, se utiliza para fabricar botellas ; el polipropileno, o PP, se utiliza en envases de alimentos ; y el cloruro de polivinilo, o PVC, se utiliza en tuberías y tubos .
Los microplásticos son pequeñas partículas de plástico cuyo tamaño varía entre 1 micrómetro y 5 milímetros. El grosor de un cabello humano, a modo de comparación, varía entre 20 y 200 micrómetros.
La mayoría de los estudios científicos se centran en los microplásticos presentes en el agua . Sin embargo, también se encuentran en el aire . Los científicos saben mucho menos sobre los microplásticos presentes en la atmósfera .
Cuando los científicos recogen muestras del medio ambiente para estudiar microplásticos, generalmente quieren saber más sobre las identidades químicas de las partículas microplásticas encontradas en las muestras.
Comprenda los nuevos avances en ciencia, salud y tecnología, cada semana.
Recibe el boletín
Huellas dactilares de microplásticos
De la misma manera que las huellas dactilares identifican de manera única a una persona, los científicos utilizan la espectroscopia para determinar la identidad química de los microplásticos. En la espectroscopia, una sustancia absorbe o dispersa la luz, dependiendo de cómo vibran sus moléculas. La luz absorbida o dispersada crea un patrón único llamado espectro, que es efectivamente la huella dactilar de la sustancia.
Del mismo modo que un analista forense puede comparar una huella dactilar desconocida con una base de datos de huellas dactilares para identificar a una persona, los investigadores pueden comparar el espectro de una partícula microplástica desconocida con una base de datos de espectros conocidos.
Sin embargo, los analistas forenses pueden obtener coincidencias falsas en la comparación de huellas dactilares. De manera similar, la comparación espectral con una base de datos no es infalible. Muchos polímeros plásticos tienen estructuras similares, por lo que dos polímeros diferentes pueden tener espectros similares. Esta superposición puede generar ambigüedad en el proceso de identificación.
Por lo tanto, un método de identificación de polímeros debe proporcionar una medida de incertidumbre en su resultado. De esa manera, el usuario puede saber cuánto puede confiar en la coincidencia de la huella digital del polímero. Lamentablemente, los métodos actuales no suelen proporcionar una medida de incertidumbre.
Los datos de los análisis de microplásticos pueden servir de base para recomendaciones sanitarias y decisiones políticas, por lo que es importante que quienes toman esas decisiones sepan qué tan confiable es el análisis.
Predicción conforme
El aprendizaje automático es una herramienta que los investigadores han comenzado a utilizar para la identificación de microplásticos.
En primer lugar, los investigadores recopilan un gran conjunto de datos de espectros cuya identidad se conoce. Luego, utilizan este conjunto de datos para entrenar un algoritmo de aprendizaje automático que aprende a predecir la identidad química de una sustancia a partir de su espectro.
Estas predicciones se realizan mediante algoritmos sofisticados cuyo funcionamiento interno puede ser opaco, por lo que la falta de una medida de incertidumbre se convierte en un problema aún mayor cuando está involucrado el aprendizaje automático.
Nuestro trabajo reciente aborda esta cuestión mediante la creación de una herramienta con cuantificación de incertidumbre para la identificación de microplásticos. Utilizamos una técnica de aprendizaje automático denominada predicción conforme .
La predicción conforme es como un envoltorio alrededor de un algoritmo de aprendizaje automático existente y ya entrenado que agrega una cuantificación de incertidumbre. No requiere que el usuario del algoritmo de aprendizaje automático tenga ningún conocimiento detallado del algoritmo o sus datos de entrenamiento. El usuario solo necesita poder ejecutar el algoritmo de predicción en un nuevo conjunto de espectros.
Para configurar la predicción conforme, los investigadores recopilan un conjunto de calibración que contiene espectros y sus identidades reales. El conjunto de calibración suele ser mucho más pequeño que los datos de entrenamiento necesarios para entrenar algoritmos de aprendizaje automático. Por lo general, bastan unos pocos cientos de espectros para la calibración.
Luego, la predicción conforme analiza las discrepancias entre las predicciones y las respuestas correctas en el conjunto de calibración. Mediante este análisis, agrega otras identidades plausibles al resultado único del algoritmo en el espectro de una partícula en particular. En lugar de generar una predicción, posiblemente incorrecta, como “esta partícula es polietileno”, ahora genera un conjunto de predicciones; por ejemplo, “esta partícula podría ser polietileno o polipropileno”.
Los conjuntos de predicción contienen la identidad verdadera con un nivel de confianza que los usuarios pueden establecer por sí mismos (por ejemplo, 90 %). Luego, los usuarios pueden volver a ejecutar la predicción conforme con un nivel de confianza más alto (por ejemplo, 95 %). Pero cuanto mayor sea el nivel de confianza, más predicciones de polímeros proporcionará el modelo en el resultado.
Puede parecer que un método que genere un conjunto en lugar de una única identidad no es tan útil, pero el tamaño del conjunto sirve como forma de evaluar la incertidumbre: un conjunto pequeño indica menos incertidumbre.
Por otro lado, si el algoritmo predice que la muestra podría estar compuesta por muchos polímeros diferentes, existe una incertidumbre considerable. En este caso, se podría recurrir a un experto humano para que examinara el polímero de cerca.
Probando la herramienta
Para ejecutar nuestra predicción conforme, mi equipo utilizó bibliotecas de espectros de microplásticos del Laboratorio Rochman de la Universidad de Toronto como conjunto de calibración.
Una vez calibrados, recogimos muestras de un estacionamiento en Brighton, Michigan, obtuvimos sus espectros y los pasamos por el algoritmo. También le pedimos a un experto que etiquetara manualmente los espectros con las identidades de polímero correctas. Descubrimos que la predicción conforme sí producía conjuntos que incluían la etiqueta que le había dado el experto humano.
Los microplásticos son una preocupación emergente en todo el mundo. Algunos lugares, como California, han comenzado a reunir evidencia para una futura legislación que ayude a frenar la contaminación por microplásticos.
La ciencia basada en evidencias puede ayudar a los investigadores y a los responsables de las políticas a comprender plenamente el alcance de la contaminación por microplásticos y las amenazas que plantea al bienestar humano. La creación y el intercambio abierto de herramientas basadas en el aprendizaje automático es una forma de contribuir a que esto suceda.
