La desesperación en la búsqueda del modelo de bioindicación en fangos activos

4.724
0

Sobre el blog

Andrés Zornoza
Dr. en Ingeniería del Agua y Medioambiental, Ldo. en Ciencias Químicas, Director de ABGC e investigador en el Instituto Universitario de Ingeniería del Agua y Medio Ambiente (IIAMA) de la UPV.
4724

Algunas veces me pregunto si después de 100 años del descubrimiento del fango activo podríamos haber avanzado más en el conocimiento de las relaciones entre microorganismos y variables ambientales en las estaciones depuradoras de aguas residuales urbanas (EDAR). La respuesta sería probablemente desde un punto de vista crítico un “SÍ” rotundo, teniendo en cuenta que el proceso de fangos activos es el más extendido en todo el mundo para la depuración de las aguas residuales urbanas (ARU).

Ningún investigador dentro del campo de la bioindicación en fangos activos pone en duda la excelente capacidad bioindicadora del estado del proceso que nos ofrecen algunos microorganismos muy comunes en las EDAR; como son los protistas y metazoos. Entonces, ¿cuáles son aquellas barreras que han hecho que desconozcamos muchas de las relaciones que se dan en los tratamientos biológicos de las EDAR?

  • La principal barrera quizás se encuentre en la actitud individualista y poco colaboradora entre investigadores del campo de la ingeniería del tratamiento de ARU y los pertenecientes al campo de la microbiología. Por un lado, muchos ingenieros de procesos han centrado su atención en diseños y mejoras de instalaciones basados en modelos matemáticos estacionarios, lejos de entender el comportamiento de los microorganismos del fango activo. Por otro lado, los microbiólogos se han centrado quizás demasiado en el estudio de las variables biológicas, lejos de entender las variables fisicoquímicas y de diseño, y en consecuencia, muchos de los trabajos de bioindicación realizados en EDAR a escala real han obtenido resultados meramente exploratorios y descriptivos, siendo en muchas ocasiones contradictorios y erróneos sus resultados.

Me pregunto si después de 100 años del descubrimiento del fango activo podríamos haber avanzado más en el conocimiento de las relaciones entre microorganismos y variables ambientales en las EDAR

  • El éxito, en contra de la desesperación, de la búsqueda de modelos de ordenación de variables ambientales que expliquen las variables biológicas, comienza siempre en primer lugar por constituir grupos multidisciplinares de investigadores (ingenieros, químicos, microbiólogos, etc.) que trabajen conjuntamente. En segundo lugar, el éxito también depende de encontrar una adecuada simbiosis Universidad-Empresa. A modo de ejemplo, en muchos de los estudios realizados en bioindicación de protistas y metazoos, las variables de proceso y fisicoquímicas han sido cedidas por las empresas privadas de explotación a los investigadores universitarios responsables de los proyectos. Es probable que el investigador universitario desconozca el “día a día” de la explotación en la EDAR, mientras que algunos responsables de explotación pueden no estar motivados en el proyecto, suponiéndoles por ello una carga adicional de trabajo. Ambas situaciones son el “caldo de cultivo” perfecto para que la matriz de variables ambientales carezca al final del estudio de calidad suficiente para explicar las variables biológicas. De poco sirve llegar a una excelente caracterización de los microorganismos, si luego no conseguimos determinar aquellas variables que explican de una forma significativa la variación de los mismos. Por tanto, es interesante que personal de investigación de la propia empresa de explotación, por ejemplo del departamento de I+D+i, colabore y se involucre activamente en los grupos de investigación. En tercer lugar, la desesperación en la búsqueda del modelo se basa principalmente en la difícil tarea de la elección de las herramientas numéricas adecuadas para resumir y explorar estadísticamente grandes conjuntos de datos. Aunque los análisis multivariados de patrones de diversidad de la comunidades de organismos están bien descritos en la bibliografía, los ecólogos microbianos raramente han utilizado análisis multivariados complejos, y en su mayoría se han llevado a cabo con fines exploratorios (Ramette, 2007).
  • Después de un periodo de tiempo más o menos largo de toma de datos en nuestro experimento, llega el momento clave del proyecto de investigación o estudio; la gestión de los datos. Para algunos investigadores el tratamiento estadístico supone todo un “dolor de cabeza”, terminando por encomendar en muchas ocasiones dichas tareas a departamentos de estadística externos o a algún conocido cercano. No existe un método estadístico único para el tratamiento de los datos, sino una diversa lista de rutinas multivariante a disposición del investigador como herramientas útiles para poder rechazar o confirmar sus hipótesis. Nadie conoce los datos mejor que el propio investigador, siendo por tanto el responsable último de la decisión de las herramientas a emplear. Hay mucho esfuerzo invertido en la fase experimental para que al final los resultados queden sumidos en la ambigüedad, mal interpretados o incluso enmascarados. Es el momento pues de disfrutar de la culminación de todo un trabajo, con nuevas hipótesis e ideas.

La búsqueda de bioindicadores es una tarea difícil que depende en primer lugar de la calidad y del número de unidades experimentales de dos matrices: la matriz microorganismos x objetos (variables respuesta) y la matriz variables ambientales x objetos (variables explicativas). Es recomendable que el tratamiento estadístico multivariante se divida en dos pasos consecutivos: primero exploratorio y segundo de interpretación ambiental. La estrategia general será pues explorar ambas matrices por separado y después relacionarlas para llegar a una interpretación ambiental. Dentro del análisis exploratorio el paso crítico y decisivo es sin duda el pretratamiento de los datos biológicos y ambientales, el cual si no se realiza de una forma adecuada puede alterar considerablemente los resultados finales (Ramette, 2007; Clarke et al., 2014). Es recomendable la exploración del conjunto de datos a través del empleo de rutinas multivariante no paramétricas, basadas en la medida de la distancia entre puntos, siendo estas especialmente flexibles y robustas (Clarke, 1993; Anderson, 2001; Clarke et al., 2014).

Existen distintas rutinas de exploración muy útiles para la ordenación de muestras a partir de las variables biológicas o ambientales, en función del factor temporal (por ejemplo, estaciones) y/o espacial (por ejemplo, biorreactores). El escalamiento multidimensional no paramétrico (nMDS) es una técnica útil que permite visualizar gradientes ambientales a través de la distribución de muestras en función del tiempo y de los biorreactores estudiados. El análisis de coordenadas principales (PCoA) puede ser considerada una alternativa interesante para visualizar patrones de distribución que no son tan evidentes en el nMDS. Para obtener mayor información sobre las agrupaciones de muestras es muy útil la superposición en ambas rutinas del análisis clúster, así como los vectores de correlación de ambos tipos de variables, con el fin de identificar la fuerza y dirección de los gradientes (figura 3). Para complementar los resultados visuales en los gráficos de ordenación es muy útil el empleo del análisis de similitudes (ANOSIM) y el análisis permutacional multivariante de la varianza (PERMANOVA), con el fin de establecer las distancias y diferencias significativas entre grupos respectivamente. El análisis de porcentajes de similitudes (SIMPER) es una excelente herramienta para cuantificar la contribución a la similitud y disimilitud de las variables biológicas y ambientales sobre los factores seleccionados. El PCA puede ser de gran ayuda para resumir el conjunto de variables ambientales y explorar relaciones entre ellas.

Análisis nMDS, clúster y vectores de correlación según el facor biorreactor y a partir de los componentes del nitrógeno del efluente.

Una vez explorado ambos conjuntos de datos, llega el momento decisivo de la elección del modelo de interpretación ambiental que mejor explica las variables respuesta (microorganismos). No existe un procedimiento establecido para la selección del mejor modelo que explique las relaciones entre ambos conjuntos de variables. Una de las posibles alternativas es la aplicación de un doble enfoque complementario: exploración de modelos a partir de rutinas no paramétricas (Clarke et al., 2014), y técnicas de ordenación canónica, basadas en el análisis directo del gradiente (ter Brack y Pretince, 1988; Šmilauer y Lepš, 2014).

  • Dentro de las técnicas no paramétricas que relacionan variables ambientales y biológicas se encuentra la rutina BIO-ENV, la cual determina las mejores combinaciones de variables ambientales que mejor explican el conjunto de datos biológicos. Después de la exploración de las mejores combinaciones, podemos dar paso a la siguiente rutina para evaluar la contribución de las variables ambientales a la variabilidad observada en la estructura de la comunidad de microorganismos, a través la aplicación de modelos lineales basados en la distancia (DISTLM). DISTLM es una interesante técnica de regresión múltiple multivariante que permite obtener el mejor modelo lineal a través de la relación entre la matriz distancia de variables biológicas y el conjunto de datos ambientales.
  • Con las técnicas de ordenación canónica (análisis restringido) se consigue relacionar de modo directo la variación en la composición de la comunidad con la variación ambiental. Englobadas en estas técnicas se encuentran el análisis de redundancia (RDA) y el análisis de correspondencias canónico (CCA), en el primero se asume una relación lineal entre microorganismos y variables ambientales, mientras que el segundo asume una relación unimodal. El CCA es una excelente técnica complementaria a las rutinas no paramétricas puesto que, a diferencia del RDA, permite la estimación del óptimo ambiental de cada una de los microorganismos. Por tanto, a partir del CCA es posible establecer el ranking de los mejores organismos bioindicadores.

En definitiva, la constitución de grupos de investigación interdisciplinares y la colaboración activa de las empresas de explotación bajo una perspectiva de simbiosis Universidad-Empresa, la gestión de los datos por el propio investigador, un pretratamiento y exploración adecuada de las variables y el uso complementario de técnicas estadísticas multivariante no paramétricas y de ordenación canónica; pueden hacer que la desesperación en la búsqueda del modelo se convierta en un paseo placentero hacia el éxito de nuestro experimento.

Referencias:

  • Ramette, A. (2007) Multivariate analyses in microbial ecology. FEMS Microb Ecol 62: 142-160.
  • Clarke, K.R., Gorley, R.N., Somerfield, P.J. and Warwick, R.M. (2014) Change in marine communities: an approach to statistical analysis and interpretation, 3rd edition. PRIMER-E, Plymouth, 260pp.
  • Clarke, R.K. (1993) Non-parametric multivariate analyses of changes in community structure. Austral. Ecol. 18: 117-143.
  • Anderson, M.J. (2001) Permutation tests for univariate or multivariateanalysis of variance and regression. Can. J. Fish. Aquat. Sci. 58: 626-639.
  • Šmilauer, P. and Lepš, J. (2014) Multivariate analysis of ecological data using Canoco5. Cambridge Univ. Press, 362pp.
  • ter Braak, C. J. F., and I. C. Prentice. 1988. A theory of gradient analysis. Adv. Ecol. Res. 18:271-313.

Comentarios