MycoData
| MycoData | ||
|---|---|---|
| Información general | ||
| Tipo de programa | Bioinformática, micorremediación | |
| Desarrollador | Damián Ferraro y Débora Natacha Villar | |
| Lanzamiento inicial | 2026 | |
| Enlaces | ||
MycoData es un motor de predicción bioinformático diseñado para estimar la eficiencia de la micorremediación (biorremediación fúngica) antes de la experimentación en laboratorio. La plataforma funciona como un motor de evidencia que permite a investigadores, laboratorios y consultoras ambientales ingresar un contaminante objetivo y obtener un listado de especies fúngicas candidatas junto con su porcentaje estimado de eficiencia de degradación.[1]
El proyecto fue cocreado por Damián Ferraro y Débora Natacha Villar, estudiante de Ciencias Agrarias en la Universidad Nacional Arturo Jauretche (UNAJ). En julio de 2026, MycoData resultó seleccionado entre los 15 finalistas en el certamen de innovación tecnológica Nano Impact, organizado por la Fundación Argentina de Nanotecnología (FAN), presentándose en el Centro Cultural de la Ciencia (C3) tras competir con más de 100 proyectos de todo el país.[2][3]
Metodología y arquitectura del modelo
[editar | editar código]El modelo predictivo de MycoData se construyó mediante un pipeline de extracción y normalización de datos científicos estructurado en seis etapas:
- Fuentes de datos: Procesamiento de 751 publicaciones científicas revisadas por pares.
- Extracción: Lectura automatizada para la extracción de mediciones cuantitativas de degradación.
- Normalización: Estandarización de los datos bajo un esquema unificado y validación de la taxonomía canónica de 368 especies fúngicas cruzadas contra la base de datos de GBIF.
- Control de calidad: Aplicación de validaciones automatizadas con niveles de confianza para consolidar 375 combinaciones de alta confianza.
- Aprendizaje automático: Implementación de un algoritmo XGBoost bajo un esquema de validación cruzada aglutinada por publicaciones (GroupKFold por papers), asegurando la capacidad del modelo para generalizar ante nuevas investigaciones independientes. El modelo alcanza una precisión predictiva con un coeficiente de determinación R² ≈ 0.86.[4]
- Distribución: Los resultados del modelo y las predicciones son servidos a través de una API REST.
Cobertura de contaminantes
[editar | editar código]El motor analiza y predice la degradación de 34 variables bioquímicas clasificadas en cinco grandes grupos de contaminantes:[1]
- Hidrocarburos
- Metales pesados
- Colorantes
- Productos farmacéuticos
- Pesticidas
Aplicaciones
[editar | editar código]El campo de acción de MycoData se inscribe dentro de la filosofía solarpunk y las tecnologías de transición ecológica, vinculándose estrechamente con:
- La restauración ecológica de pasivos ambientales industriales.
- El codiseño de sustratos limpios para la bioconstrucción y la arquitectura sustentable.
- La optimización de tiempos en ensayos de remediación en laboratorios y proyectos de campo.
Véase también
[editar | editar código]- Bioinformática
- Biorremediación
- XGBoost
- Global Biodiversity Information Facility (GBIF)
- Universidad Nacional Arturo Jauretche
Referencias
[editar | editar código]- ↑ 1,0 1,1 Funga (21 de junio de 2026). «MycoData, el motor de inteligencia artificial que predice la limpieza de contaminantes con hongos, es finalista de Nano Impact 2026». Consultado el 4 de julio de 2026.
- ↑ Fundación Argentina de Nanotecnología (2026). «Nano Impact 2026: Proyectos Finalistas». Consultado el 2 de julio de 2026.
- ↑ Fundación Argentina de Nanotecnología (19 de junio de 2026). «Anuncio oficial de los 15 finalistas de Nano Impact 2026». Consultado el 4 de julio de 2026.
- ↑ Funga (3 de julio de 2026). «MycoData tras Nano Impact 2026: balance de la presentación en el C3 y próximos pasos». Consultado el 4 de julio de 2026.