Blog

Jan 26, 2024

Los conocimientos de precisión se pueden encontrar en las aguas residuales

Investigación del laboratorio de Fangqiong Ling en la Universidad de Washington en St. Louis

La investigación del laboratorio de Fangqiong Ling en la Universidad de Washington en St. Louis mostró a principios de este año que la cantidad de SARS-CoV-2 en un sistema de aguas residuales se correlacionó con la carga de la enfermedad, COVID-19, en la región a la que sirvió.

Pero antes de poder realizar ese trabajo, Ling necesitaba saber: ¿Cómo se puede calcular la cantidad de individuos representados en una muestra aleatoria de aguas residuales?

Un encuentro casual con un colega ayudó a Ling, profesor asistente en el Departamento de Energía, Ingeniería Ambiental y Química de la Escuela de Ingeniería McKelvey, a desarrollar un modelo de aprendizaje automático que utilizó la variedad de microbios que se encuentran en las aguas residuales para descubrir cuántas personas individuales representaron. En el futuro, este método puede vincular otras propiedades en las aguas residuales con datos a nivel individual.

La investigación fue publicada en la revista PLOS Computational Biology.

El problema era sencillo: "Si solo toma una cucharada de aguas residuales, no sabe cuántas personas está midiendo", dijo Ling. Esto es contrario a la forma en que se diseñan típicamente los estudios.

"Por lo general, cuando diseñas tu experimento, diseñas el tamaño de tu muestra, sabes cuántas personas estás midiendo", dijo Ling. Antes de poder buscar una correlación entre el SARS-CoV-2 y la cantidad de personas con COVID, tuvo que averiguar cuántas personas estaban representadas en el agua que estaba analizando.

Inicialmente, Ling pensó que el aprendizaje automático podría descubrir una relación directa entre la diversidad de microbios y la cantidad de personas que representaba, pero las simulaciones, realizadas con un aprendizaje automático "listo para usar", no dieron resultado. .

Luego, Ling tuvo un encuentro casual con Likai Chen, profesor asistente de matemáticas y estadística en Arts & Sciences. Los dos se dieron cuenta de que compartían el interés por trabajar con datos novedosos y complejos. Ling mencionó que estaba trabajando en un proyecto en el que Chen podría contribuir.

"Ella compartió el problema conmigo y le dije, eso es algo que podemos hacer", dijo Chen. Sucedió que Chen estaba trabajando en un problema que usaba una técnica que Ling también encontró útil.

La clave para poder averiguar cuántas personas individuales estaban representadas en una muestra está relacionada con el hecho de que, cuanto más grande sea la muestra, más probable es que se parezca a la media o promedio. Pero en realidad, los individuos tienden a no ser exactamente "promedio". Por lo tanto, si una muestra parece una muestra promedio de microbiota, es probable que esté compuesta por muchas personas. Cuanto más lejos del promedio, más probable es que represente a un individuo.

"Pero ahora estamos tratando con datos de alta dimensión, ¿verdad?" dijo Chen. Hay un número casi infinito de formas en que puede agrupar estos diferentes microbios para formar una muestra. "Entonces, eso significa que tenemos que averiguar, ¿cómo agregamos esa información en diferentes ubicaciones?"

Usando esta intuición básica, y muchas matemáticas, Chen trabajó con Ling para desarrollar un algoritmo de aprendizaje automático más personalizado que podría, si se entrena en muestras reales de microbiota de más de 1100 personas, determinar cuántas personas estaban representadas en una muestra de aguas residuales ( estas muestras no estaban relacionadas con los datos de entrenamiento).

"Es mucho más rápido y se puede entrenar en una computadora portátil", dijo Ling. Y no solo es útil para el microbioma, sino que también, con suficientes ejemplos (datos de entrenamiento), este algoritmo podría usar virus del viroma humano o sustancias químicas metabólicas para vincular individuos con muestras de aguas residuales.

"Este método se utilizó para probar nuestra capacidad para medir el tamaño de la población", dijo Ling. Pero va mucho más allá. "Ahora estamos desarrollando un marco para permitir la validación entre estudios".

Ingeniería

Salud pública

Tecnología científica

Artes y Ciencias

Leer más historias de Artes y Ciencias

Visita Artes y Ciencias

Escuela de Ingeniería McKelvey

Lea más historias de la Escuela de Ingeniería McKelvey

Visite la Escuela de Ingeniería McKelvey