Una inteligencia artificial analiza polen fósil para reconstruir 25.000 años de historia en África oriental

Un equipo internacional de científicos ha desarrollado una herramienta de deep learning capaz de clasificar polen fósil procedente de África oriental en un estudio publicado en octubre en la revista ‘PNAS’. La investigación, que analiza sedimentos de los últimos 25.000 años, resuelve un obstáculo histórico en la paleoecología al diferenciar especies de pastos que hasta ahora han resultado indistinguibles al microscopio tradicional, lo que permite reconstruir la evolución del paisaje africano ante las variaciones climáticas del pasado.

Durante décadas, comprender la historia antigua de las praderas y sabanas tropicales ha sido un reto constante para la comunidad científica. Aunque las gramíneas cubren más de un tercio de la superficie terrestre y sustentan la alimentación mundial, el registro fósil de su polen ha presentado una limitación: bajo un microscopio óptico convencional, casi todos los granos de polen de pasto lucen como esferas lisas y prácticamente idénticas. Para un paleoecólogo, determinar qué especie concreta creció en una zona determinada hace miles de años ha supuesto una tarea sumamente compleja.

Para superar esta dificultad, el equipo de investigación ha combinado la microscopía de superresolución con algoritmos avanzados de machine learning. A través de imágenes de alta definición que capturan minuciosos relieves y texturas en la superficie de cada grano, los investigadores entrenaron una red neuronal con miles de muestras modernas de referencia. Una vez perfeccionado el modelo informático, aplicaron este software de reconocimiento visual a los sedimentos del lago Chala, ubicado en la frontera entre Kenia y Tanzania, y analizaron una secuencia temporal de 25.000 años de antigüedad.

Granos de polen de la hierba 'Croton hirtus', el árbol tropical 'Mabea occidentalis' y el pasto perenne 'Agropyron repens', muestra de la gran diversidad morfológica del polen frente a la relativa simplicidad de las gramíneas. Fuente: Luke Mander y Surangi Punyasena.

En cuanto a los hallazgos principales de la investigación, los resultados han revelado transformaciones ecológicas inéditas durante el tránsito del último máximo glacial al Holoceno. La herramienta identificó cambios drásticos en la dominancia de diferentes subfamilias de pastos en respuesta a períodos de extrema sequía o lluvias intensas, como el denominado ‘Período Húmedo Africano’. "El deep learning nos permite observar la biodiversidad del pasado con una resolución taxonómica hasta ahora inalcanzable", han señalado los autores en la publicación. Este nivel de detalle demuestra que los pastizales no reaccionaron como un bloque monolítico ante el cambio climático, sino que se produjeron complejas sustituciones de especies adaptadas a diferentes niveles de humedad.

Sin embargo, aunque la precisión alcanzada por la inteligencia artificial supera el 85 % en la mayoría de los grupos estudiados, la técnica mantiene limitaciones metodológicas. La calidad del análisis depende directamente del estado de conservación de los fósiles: los granos de polen fragmentados o erosionados por el paso del tiempo reducen la fiabilidad del modelo. Asimismo, existe el riesgo de un sesgo en los datos de entrenamiento, ya que el catálogo de polen moderno de África oriental aún no contempla la totalidad de las variedades silvestres existentes en la región.

Por otra parte, el alcance práctico de este descubrimiento resulta fundamental para el contexto actual. Comprender la resiliencia y la vulnerabilidad de las gramíneas en el pasado es clave para diseñar estrategias de conservación y seguridad alimentaria frente al calentamiento global. Gran parte de los cultivos esenciales para la humanidad, como el maíz, el trigo, el arroz o el sorgo, pertenecen a esta misma familia botánica. Al descifrar qué variedades sobrevivieron a severas crisis climáticas históricas, los biólogos obtienen pistas valiosas para predecir qué ecosistemas y cultivos corren mayor peligro en las próximas décadas.

El estudio ha contado con financiación de instituciones académicas de Estados Unidos y Europa dedicadas al estudio del cambio global. Aunque este avance no sustituye la labor indispensable de los palinólogos humanos, permite automatizar el procesamiento de miles de muestras sedimentarias en todo el planeta.