Un nuevo estudio del Servicio de Investigación Agrícola (ARS) del USDA y la Universidad Estatal de Iowa (ISU) revela que la Inteligencia Artificial (IA) generativa puede ayudar a acelerar la búsqueda de soluciones para reducir las emisiones de metano entérico causadas por las vacas en la agricultura animal, que representa aproximadamente el 33% de la agricultura estadounidense y el 3% de las emisiones totales de gases de efecto invernadero de EE. UU. La investigación se publica en la revista Animal Frontiers .
Por Maribel Alonso, Departamento de Agricultura de los Estados Unidos
«El desarrollo de soluciones para abordar las emisiones de metano de la ganadería es una prioridad fundamental. Nuestros científicos siguen utilizando estrategias innovadoras basadas en datos para ayudar a los productores de ganado a lograr objetivos de reducción de emisiones que protegerán el medio ambiente y promoverán un futuro más sostenible para la agricultura», dijo el administrador del ARS, Simon Liu.
Una de estas soluciones innovadoras comienza en el estómago de la vaca, donde los microorganismos contribuyen a la fermentación entérica y hacen que las vacas eructen metano como parte de los procesos digestivos normales. El equipo de científicos encontró un grupo de moléculas compuestas capaces de inhibir la producción de metano en el mayor de los cuatro compartimentos del estómago de la vaca, el rumen, que se pueden probar para ayudar a mitigar las emisiones de metano.
La comunidad científica ha identificado una molécula en particular, el bromoformo, que se encuentra de forma natural en las algas marinas, que posee propiedades que pueden reducir la producción de metano entérico en el ganado entre un 80 y un 98 % cuando se administra al ganado. Desafortunadamente, se sabe que el bromoformo es un carcinógeno, lo que limita su posible uso en el ganado por razones de seguridad alimentaria.
Por ello, los científicos siguen buscando moléculas con potencial similar para inhibir el metano entérico. Sin embargo, este tipo de investigación presenta el desafío de ser especialmente costosa y demandar mucho tiempo.
En respuesta a estos desafíos, un equipo de científicos de la Unidad de Investigación de Manejo de Nutrientes del Ganado del ARS y el Departamento de Ingeniería Química y Biológica de la ISU combinaron inteligencia artificial generativa con grandes modelos computacionales para impulsar la búsqueda de moléculas similares al bromoformo que puedan hacer el mismo trabajo sin toxicidad.
«Estamos utilizando simulaciones moleculares avanzadas e inteligencia artificial para identificar nuevos inhibidores de metano basados en las propiedades de inhibidores previamente investigados [como el bromoformo], pero que son seguros, escalables y tienen un gran potencial para inhibir las emisiones de metano», dijo Matthew Beck, un científico investigador de animales que trabajaba con ARS en el momento en que se completó el estudio y ahora trabaja con el Departamento de Ciencia Animal de la Universidad Texas A&M.
«La Universidad Estatal de Iowa lidera el trabajo de simulación por computadora e inteligencia artificial, mientras que el ARS toma la iniciativa en la identificación de compuestos y la prueba de su veracidad mediante una combinación de estudios in vitro [de laboratorio] e in vivo [ganado vivo]».
Se utilizaron bases de datos disponibles públicamente que contenían datos científicos recopilados de estudios previos sobre el rumen de las vacas para construir grandes modelos computacionales. La IA, junto con estos modelos, se utilizó para predecir el comportamiento de las moléculas e identificar aquellas que se pueden probar más a fondo en un laboratorio. Los resultados de las pruebas de laboratorio alimentan los modelos informáticos para que la IA haga predicciones más precisas, creando un proceso de bucle de retroalimentación conocido como red neuronal gráfica .
«Nuestra red neuronal gráfica es un modelo de aprendizaje automático que aprende las propiedades de las moléculas, incluidos los detalles de los átomos y los enlaces químicos que los unen, al tiempo que retiene información útil sobre las propiedades de las moléculas para ayudarnos a estudiar cómo es probable que se comporten en el estómago de la vaca», dijo el profesor adjunto de ISU, Ratul Chowdhury.
«Estudiamos su huella bioquímica para identificar qué les permite realizar su trabajo con éxito, a diferencia de las otras cincuenta mil moléculas que acechan en el rumen de la vaca pero que no detienen activamente la producción de metano».
«Este estudio demostró con éxito que quince moléculas se agrupan muy cerca unas de otras en lo que llamamos un ‘espacio de inhibición de la metanogénesis funcional’, lo que significa que parecen contener el mismo potencial de inhibición del metano entérico, similitud química y permeabilidad celular que el bromoformo», añadió Chowdhury.
Los científicos creen que la IA puede desempeñar un papel importante en la comprensión de cómo las moléculas conocidas interactúan con las proteínas y la comunidad microbiana del rumen y, de ese modo, descubrir nuevas moléculas e interacciones potencialmente clave dentro del microbioma del rumen. Este tipo de modelado predictivo puede ser especialmente útil para los nutricionistas animales.
«Existen otras estrategias prometedoras actualmente disponibles para mitigar las emisiones de metano entérico , pero las soluciones disponibles son relativamente limitadas», afirmó Jacek Koziel, líder de investigación del USDA-ARS.
«Por eso, combinar la IA con la investigación de laboratorio, mediante un refinamiento iterativo, es una herramienta científica valiosa. La IA puede acelerar la investigación y los distintos caminos que los nutricionistas animales, los investigadores y las empresas pueden seguir para acercarnos a un objetivo muy ambicioso: limitar las emisiones de gases de efecto invernadero y ayudar a mitigar el cambio climático».
El estudio también presenta un desglose total de los costos computacionales y monetarios para realizar esta investigación por molécula. Este análisis se realizó para mostrar una estimación de los costos potenciales y los obstáculos previsibles de esta investigación. Esta estimación se puede utilizar para orientar la toma de decisiones sobre inversiones para que este tipo de investigación se realice íntegramente en un laboratorio.
Chowdhury, Beck y Koziel son coautores del artículo, junto con Nathan Frazier (ARS) y Logan Thompson (Universidad Estatal de Kansas). Mohammed Sakib Noor, estudiante de posgrado de la ISU, está trabajando con Chowdhury para desarrollar las redes neuronales gráficas.
Más información: Ratul Chowdhury et al, Enfoques computacionales para la investigación de mitigación del metano entérico: desde los cálculos de Fermi hasta los paradigmas de inteligencia artificial, Animal Frontiers (2025). DOI: 10.1093/af/vfae025
