Desinfectar el agua potable salva vidas, pero también puede generar cientos de subproductos químicos poco conocidos. Un nuevo modelo de IA del Instituto Tecnológico Stevens ayuda a los científicos a identificar rápidamente cuáles podrían ser los más tóxicos y a orientar futuras regulaciones.
La desinfección del agua potable es uno de los mayores éxitos de salud pública de la historia, al erradicar brotes mortales de cólera, fiebre tifoidea y otras enfermedades transmitidas por el agua. Sin embargo, las mismas sustancias químicas que hacen que el agua sea potable también pueden crear nuevos compuestos que los científicos aún se esfuerzan por comprender.
Un equipo dirigido por el Instituto Tecnológico Stevens ha desarrollado un modelo de inteligencia artificial que puede predecir rápidamente la posible toxicidad de más de mil de estos subproductos de la desinfección. Su trabajo, publicado en Environmental Science & Technology Letters, podría ayudar a los reguladores y a las empresas de servicios públicos a centrarse en los compuestos con mayor probabilidad de representar riesgos para la salud y mantener el agua del grifo segura para las generaciones futuras.
Cuando las empresas de servicios públicos añaden cloro, cloramina y otros desinfectantes al agua extraída de ríos, lagos o acuíferos, estos productos químicos reaccionan con la materia orgánica natural disuelta en el agua. Estas reacciones pueden producir cientos de subproductos de la desinfección (SPD). Algunos de estos, como los trihalometanos y los ácidos haloacéticos, se han relacionado en investigaciones anteriores con un mayor riesgo de cáncer de vejiga y deterioro del desarrollo fetal.
Los reguladores federales ya vigilan algunos de estos compuestos. Pero Tao Ye, profesor adjunto de Stevens que utiliza IA para estudiar la química ambiental compleja, señala que las normas actuales solo cubren una pequeña parte del problema.
“Existen 11 subproductos de este tipo regulados por la EPA”, declaró Ye en un comunicado de prensa. “Sin embargo, hasta la fecha, las investigaciones han identificado cientos más, sobre los que desconocemos mucho, y podrían ser más tóxicos que los regulados”.
Comprender cuáles de estos subproductos no regulados son realmente peligrosos no es sencillo. Los estudios toxicológicos tradicionales exponen células u organismos a una sustancia química a la vez y miden sus efectos. Este enfoque es riguroso, pero lento.
“Las pruebas de toxicidad tradicionales en el laboratorio suelen requerir mucho tiempo, mano de obra y ser costosas, lo que limita la cantidad de subproductos de desinfección que se pueden evaluar”, agregó Ye.
Para superar este obstáculo, Ye colaboró con su estudiante de doctorado, el rabino Sikder, y su colaborador Peng Gao, de la Escuela de Salud Pública TH Chan de Harvard. Su objetivo era entrenar un modelo de aprendizaje automático que pudiera aprender de los datos de laboratorio existentes y predecir la toxicidad de muchas más sustancias químicas que nunca se habían probado directamente.
El equipo comenzó revisando la literatura científica en busca de estudios que ya hubieran medido cómo los DBP específicos afectan los sistemas biológicos.
"Utilizamos los datos de pruebas de laboratorio reportados en la literatura anterior", agregó Sikder.
A partir de esos documentos, el equipo reunió un conjunto de datos detallado.
Recopilamos los nombres de las sustancias químicas, sus estructuras químicas, junto con las condiciones de exposición experimental y sus correspondientes valores de toxicidad. Encontramos valores de toxicidad para 227 sustancias químicas conocidas y los utilizamos para construir un modelo predictivo de aprendizaje automático que predice la toxicidad de las sustancias desconocidas, añadió Sikder.
El sistema de IA resultante es lo que los científicos denominan un modelo de aprendizaje semisupervisado. Utiliza las 227 sustancias químicas con toxicidad conocida como referencia y luego aprende patrones que le permiten estimar la toxicidad de compuestos relacionados sin datos de pruebas directas.
“La IA y el aprendizaje automático están transformando fundamentalmente este proceso al permitir una detección de toxicidad rápida y escalable, lo que nos permite evaluar cientos de compuestos que de otro modo no sería práctico probar experimentalmente”, agregó Ye.
Una vez entrenado, el modelo se aplicó a 1,163 subproductos de desinfección que pueden formarse durante los procesos comunes de tratamiento de agua. El análisis sugirió que algunos de estos compuestos no regulados podrían tener una toxicidad potencial de dos a diez veces mayor que la de ciertos subproductos de desinfección (SPD) ya regulados por la Agencia de Protección Ambiental (EPA).
Esto no significa que cada vaso de agua del grifo esté contaminado con sustancias químicas peligrosas. En sistemas reales, la mezcla y concentración de substancias desinfectantes (SPD) varía considerablemente según la fuente de agua, la cantidad y el tipo de desinfectante utilizado, y el tiempo que el agua permanece en tuberías y tanques de almacenamiento.
Cuando se le preguntó si los hallazgos implican que el agua del grifo no es segura, la respuesta de Ye es clara: "En absoluto", dijo.
La lista de más de mil subproductos representa un universo teórico de compuestos que pueden formarse en diferentes condiciones, no a los que está expuesto un solo hogar. Por ejemplo, una empresa de servicios públicos que extrae agua de un embalse de montaña experimentará un conjunto de reacciones distinto al de una que trata un lago poco profundo y rico en algas.
Ye enfatizó que la nueva herramienta de IA tiene como objetivo anticiparse a los riesgos potenciales y no hacer sonar la alarma.
“Lo que estamos haciendo aquí es nuestra debida diligencia para ver qué más podría ser necesario regular, dependiendo de la composición del agua y de lo que se use para purificarla”, añadió. “En resumen, nuestra agua del grifo es potable, y nuestra investigación pretende hacerla aún más segura”.
Ahora que el modelo existe, el equipo espera que otros científicos y agencias lo utilicen para priorizar qué subproductos de desinfección (SPD) merecen un estudio más profundo en el laboratorio y en sistemas hídricos reales. Al identificar compuestos de alta prioridad, la IA puede ayudar a enfocar los recursos limitados de análisis donde más importan.
El trabajo también apunta a un cambio más amplio en la ciencia ambiental. A medida que las bases de datos químicas crecen y la potencia computacional se abarata, los investigadores recurren cada vez más a la IA para analizar grandes cantidades de contaminantes, desde pesticidas hasta disolventes industriales, antes de que se conviertan en problemas generalizados.
Para los estudiantes y los científicos principiantes, este tipo de proyecto ilustra cómo la ciencia de datos y la salud pública pueden cruzarse de maneras prácticas, utilizando algoritmos no como cajas negras, sino como herramientas para proteger a las comunidades.
Ye y sus colegas también están pensando en lo que las personas pueden hacer en casa, especialmente aquellas que siguen preocupadas por los DBP en el agua del grifo.
Como investigadores, siempre intentamos hacer dos cosas: impulsar la ciencia e informar al público. En este caso, lo primero es comprender los mecanismos que subyacen a la formación de compuestos tóxicos. Y lo segundo es cómo reducir estas sustancias químicas en el agua del grifo, lo cual se puede hacer de dos maneras. Se puede filtrar el agua con diversos filtros domésticos disponibles. O se puede hervir, ya que al hervirla, estas sustancias químicas se evaporan —añadió Ye—. Ambos métodos son fáciles de aplicar en casa.
Mientras los servicios públicos siguen dependiendo de la desinfección para prevenir enfermedades mortales, herramientas como este modelo de IA podrían ayudar a garantizar que la cura no genere nuevos riesgos ocultos. Al combinar la química, la informática y la salud pública, el equipo de Stevens trabaja para garantizar que una necesidad humana básica, el agua potable, sea lo más fiable posible en un mundo cambiante.