Una nariz artificial de gelatina para la detección de enfermedades
Los compuestos orgánicos volátiles (COV) son compuestos orgánicos que se evaporan a temperatura ambiente y que la mayoría de los organismos producen. Numerosas pruebas indican que las alteraciones de los COV están asociadas a varias enfermedades, entre ellas el cáncer y la tuberculosis.
Nuevos biomateriales para la construcción de narices electrónicas
Las narices electrónicas son una tecnología que utiliza sensores químicos de gases capaces de detectar gases, COV u olores y pueden utilizarse en muchos campos. La investigación en el ámbito de los materiales sensores de gases se está expandiendo rápidamente. El objetivo principal del proyecto SCENT, financiado con fondos europeos, era desarrollar materiales que alteren sus propiedades ópticas y eléctricas en presencia de COV. «Estos nuevos materiales son geles que contienen gelatina, como la que utilizamos para cocinar, cuya preparación hace que se vuelvan estables al aire y encapsulen sondas ópticas y eléctricas para la detección», explica la coordinadora del proyecto, Cecília Roque. Dado que los materiales de gel alteran sus propiedades en presencia de determinados COV, pueden utilizarse como sensores que proporcionan una señal cuando se exponen a muestras gaseosas. Estos sensores se incorporaron a dispositivos de narices electrónicas hechos a medida en una cámara de detección que imita nuestra cavidad nasal. El dispositivo también incluía un sistema de transducción de señales que imita los impulsos eléctricos enviados a nuestro encéfalo al unirse los COV a los receptores olfativos de nuestra nariz. El equipo de SCENT desarrollaron nuevos materiales a base de geles compuestos por componentes biológicos y químicos singulares. También creó materiales sensores de gas a partir de fuentes vegetales a modo de solución ecológica.
Inteligencia artificial para mejorar la identificación de patógenos mediante COV
«La nariz electrónica desarrollada en el proyecto SCENT funciona de forma similar a nuestro sentido del olfato. Primero hay que “entrenarla”, exponiendo los sensores a muestras conocidas y recopilando señales», subraya Roque. Estas señales se utilizan para crear el algoritmo de aprendizaje automático, que puede hacer predicciones sobre la naturaleza de una muestra concreta. Con este método, los investigadores produjeron COV característicos para la clasificación de diferentes patógenos. Gracias a un amplio conjunto de datos, asociaron los patrones de COV con la patogenicidad de los microorganismos. Descubrieron que 18 COV es un número suficiente para predecir la identidad de los patógenos con una exactitud del 77 % y una precisión de hasta el 100 %. Además, generaron conjuntos de COV que pueden predecir la presencia de un patógeno en una muestra con gran exactitud y precisión. La base de datos de patógenos y COV creada a partir de distintas muestras biológicas puede servir de base para la futura aplicación clínica de dichos sensores de gas. Además, los algoritmos de clasificación pueden entrenarse con pruebas experimentales para aumentar la sensibilidad de la detección.
Avances en el diagnóstico clínico
Los métodos actuales de detección microbiana en el ámbito clínico tardan entre veinticuatro y treinta y seis horas, mientras que para las bacterias de crecimiento lento pueden tardar hasta una semana. Dada la prevalencia de la resistencia a los antimicrobianos, las narices electrónicas capaces de detectar COV bacterianos como biomarcadores de infección ofrecen un método más rápido e igual de sensible. Según Roque: «La caja de herramientas de SCENT puede seguir utilizándose en varias aplicaciones en la sanidad, la seguridad o la industria alimentaria, por ejemplo». En la actualidad, el equipo está estudiando la validación tecnológica de la nariz electrónica para la supervisión atraumática de enfermos de cáncer de vejiga, a través del proyecto de prueba de concepto ENSURE del Consejo Europeo de Investigación.
Palabras clave
SCENT, compuestos orgánicos volátiles, COV, nariz electrónica, gel, aprendizaje automático, algoritmo, infección bacteriana