Monitoreo no invasivo en salmón del Atlántico: score de salud basado en microbioma
A partir del análisis del microbioma en diferentes partes del salmón, crearon modelos que permiten detectar cambios en la salud, antes de que aparezcan signos clínicos visibles.
Published
El monitoreo de salud de salmón del Atlántico ha ido en constante desarrollo para la prevención y manejo temprano de diversas amenazas ambientales o infecciosas, por ejemplo, mejorado los métodos de monitoreo de salud con sistemas de inteligencia artificial y machine learning. Sin embargo, estos generalmente detectan respuestas al estrés más que signos tempranos de enfermedad.
El estudio realizado por investigadores chilenos de la empresa Codebreaker perfiló el microbioma de múltiples sitios corporales del pez (branquias, piel, orificio urogenital y mucosa) mediante secuenciación del 16S rRNA. De esta manera, y debido a que la comunidad microbiana del microbioma se reorganiza en respuesta a alteraciones fisiológicas antes de que se comprometan las barreras del huésped, ofrece una aproximación proactiva para la alerta temprana de enfermedades.
Funciones del microbioma
El microbioma del hospedero es un indicador del estado fisiológico y de salud de este, cumpliendo también funciones esenciales como la adquisición de nutrientes, maduración del sistema inmune, mantenimiento de barreras epiteliales y exclusión de patógenos. Además, ciertas firmas microbianas se correlacionan con el estado de salud independientemente de la etiología de la enfermedad, lo que permite potencialmente la identificación temprana de biomarcadores en estados subclínicos de estados patológicos.
Durante enfermedades, los microbiomas de intestino y branquias sufren cambios y se observa mayor variabilidad microbiana en individuos enfermos. No obstante, la toma de muestras para el monitoreo de estos requiere métodos invasivos, que son estresantes o letales para los peces, impidiendo estudios longitudinales.
Así, se estudió la hipótesis de que sitios externos no invasivos como la piel y el orificio urogenital podrían servir como proxies, ya que sus microbiomas podrían reflejar el estado de los microbiomas internos.
Metodología
Se recolectaron 171 salmones del Atlántico de una planta comercial de acuicultura marina, clasificándolos posteriormente en dos grupos: "sanos" (85) y "lesionados" (86), según signos clínicos externos visibles como lesiones en la piel, exoftalmos o branquias pálidas. Se tomaron muestras asépticas de cuatro sitios anatómicos: branquias, piel, orificio urogenital y mucosa intestinal, de las cuales se extrajo el ADN total con el kit ZymoBIOMICS DNA MagBead Kit, evaluando cantidad y calidad mediante Qubit y qPCR.
El análisis bioinformático usó DADA2 para inferir variantes exactas de secuencia (ASVs), descartando muestras con menos de 20,000 lecturas. La taxonomía se asignó mediante un clasificador Naive Bayes usando la base de datos GTDB. Luego, los perfiles microbianos fueron analizados mediante métricas de diversidad alfa y beta, PCA, PERMANOVA y pruebas de concordancia entre tejidos.
A través de entrenamiento de múltiples modelos de machine learning se clasificaron los peces sanos y lesionados dados sus perfiles microbiológicos, para finalizar desarrollando dos índices cuantitativos: un “Gut Health Score” basado en muestras del poro urogenital y un “Skin Health Score” basado en microbioma cutáneo.
Resultados
Se desarrollaron clasificadores de aprendizaje automático para predecir el estado de salud del salmón atlántico a partir de perfiles de su microbioma, utilizando muestras no invasivas de la piel y el orificio urogenital, destacándose la Regresión Logística como el mejor para ambos sitios, alcanzando un alto desempeño predictivo (Piel: AUC=0.97, Precisión=0.87; Orificio urogenital: AUC=0.87, Precisión=0.78).
A nivel taxonómico, los perfiles bacterianos variaron significativamente entre tejidos y entre peces sanos y lesionados. Sin embargo, las métricas clásicas de diversidad alfa no mostraron diferencias significativas entre ambos grupos, lo que sugiere que la enfermedad no reduce necesariamente la riqueza bacteriana, sino que modifica qué microorganismos dominan la comunidad.
Por el contrario, el análisis de diversidad beta sí detectó cambios importantes en la estructura del microbioma asociados al estado sanitario, variando su respuesta según el tejido analizado, siendo las branquias las que mostraron mayor dispersión microbiana, interpretada como una pérdida de estabilidad ecológica o disbiosis.
Uno de los hallazgos más relevantes fue la fuerte concordancia entre sitios invasivos y no invasivos. El microbioma de piel mostró alta correlación con el de branquias, mientras que el microbioma del poro urogenital se correlacionó significativamente con el de la mucosa intestinal. Esto respalda el uso de hisopados externos como sustitutos biológicos de tejidos internos para monitoreo sanitario.
A partir de estos modelos, los autores desarrollaron dos índices cuantitativos: el “Skin Health Score” y el “Gut Health Score”. Ambos permitieron diferenciar claramente peces sanos y lesionados mediante una puntuación continua entre 0 y 1. Además, identificaron una “zona de transición” en peces cuyos microbiomas comenzaban a desviarse del perfil saludable, incluso antes de presentar signos clínicos severos.
Aun así, los autores reconocen algunas limitaciones del estudio. El diseño transversal utiliza el diagnóstico clínico visual como “verdad de base”, por lo cual los puntajes reflejan estados clínicamente detectados y aún no confirman detección presintomática. A esto se suma que la muestra proviene de una única cohorte y centro productivo, lo que puede limitar la transferencia directa sin recalibración y validación multi-centro. También advierten que el grupo “lesionado” incluía distintas patologías potenciales, sin confirmación etiológica mediante PCR u otros diagnósticos específicos.
Cambiando el paradigma
Este estudio comparte el enfoque de cambiar la industria salmonicultora en una más preventiva y menos reactiva, sin esperar la aparición de signos clínicos visibles para la toma de decisiones sanitarias. El uso del microbioma y los cambios en su composición permitirían detectar alteraciones sanitarias mediante indicadores cuantificables y no invasivos.
Los hallazgos de este estudio permitirían además usar piel y poro urogenital como proxies de tejidos internos como branquias y mucosa intestinal, permitiendo implementar monitoreos frecuentes sin necesidad de muestreos letales ni procedimientos invasivos, mejorando el bienestar animal y la factibilidad operacional.
Los autores enfatizan que los modelos de machine learning lograron detectar patrones complejos imposibles de identificar mediante métricas microbiológicas tradicionales. De esta manera, aseguran que estos “Salmon Microbiome Health Scores” serían los primeros índices microbiológicos formales desarrollados para peces de cultivo, abriendo la puerta a sistemas de vigilancia sanitaria más proactivos, con potencial para reducir el uso de antibióticos y mejorar el bienestar en acuicultura.
Para leer el artículo “Desarrollo de un índice de salud basado en el microbioma para el monitoreo no invasivo del salmón Atlántico de cultivo (Salmo salar)”, visitar este enlace.
