Fuente: http://www.iagua.

es/blogs/andres-zornoza/desesperacion-busqueda-modelo-bioindicacion-fangos-activos

La desesperacin en la bsqueda
bioindicacin en fangos activos

del

modelo

de

Andrs Zornoza
Aula Bioindicacin Gonzalo Cuesta. rea de Qumica y Microbiologa del Agua. Instituto Universitario de
Ingeniera del Agua y Medio Ambiente (www.iiama.upv.es). Universitat Politcnica de Valncia.

Algunas veces me pregunto si despus de 100 aos del descubrimiento del fango activo
podramos haber avanzado ms en el conocimiento de las relaciones entre
microorganismos y variables ambientales en las estaciones depuradoras de aguas residuales
urbanas (EDAR). La respuesta sera probablemente desde un punto de vista crtico un S
rotundo, teniendo en cuenta que el proceso de fangos activos es el ms extendido en todo
el mundo para la depuracin de las aguas residuales urbanas (ARU).
Ningn investigador dentro del campo de la bioindicacin en fangos activos pone en duda
la excelente capacidad bioindicadora del estado del proceso que nos ofrecen algunos
microorganismos muy comunes en las EDAR; como son los protistas y metazoos.

Entonces, cules son aquellas barreras que han hecho que desconozcamos muchas de las
relaciones que se dan en los tratamientos biolgicos de las EDAR?.
La principal barrera quizs se encuentre en la actitud individualista y poco colaboradora
entre investigadores del campo de la ingeniera del tratamiento de ARU y los
pertenecientes al campo de la microbiologa. Por un lado, muchos ingenieros de
procesos han centrado su atencin en diseos y mejoras de instalaciones basados en
modelos matemticos estacionarios, lejos de entender el comportamiento de los
microorganismos del fango activo. Por otro lado, los microbilogos se han centrado
quizs demasiado en el estudio de las variables biolgicas, lejos de entender las variables
fisicoqumicas y de diseo, y en consecuencia, muchos de los trabajos de bioindicacin
realizados en EDAR a escala real han obtenido resultados meramente exploratorios y
descriptivos, siendo en muchas ocasiones contradictorios y errneos sus resultados.
El xito, en contra de la desesperacin, de la bsqueda de modelos de ordenacin de
variables ambientales que expliquen las variables biolgicas, comienza siempre en
primer lugar por constituir grupos multidisciplinares de investigadores (ingenieros,
qumicos, microbilogos, etc) que trabajen conjuntamente. En segundo lugar, el
xito tambin depende de encontrar una adecuada simbiosis Universidad-Empresa. A
modo de ejemplo, en muchos de los estudios realizados en bioindicacin de protistas y
metazoos, las variables de proceso y fisicoqumicas han sido cedidas por las empresas
privadas de explotacin a los investigadores universitarios responsables de los
proyectos. Es probable que el investigador universitario desconozca el da a da de la
explotacin en la EDAR, mientras que algunos responsables de explotacin pueden no
estar motivados en el proyecto, suponindoles por ello una carga adicional de trabajo.
Ambas situaciones son el caldo de cultivo perfecto para que la matriz de variables
ambientales carezca al final del estudio de calidad suficiente para explicar las variables
biolgicas. De poco sirve llegar a una excelente caracterizacin de los microorganismos,
si luego no conseguimos determinar aquellas variables que explican de una forma
significativa la variacin de los mismos. Por tanto, es interesante que personal de
investigacin de la propia empresa de explotacin, por ejemplo del departamento de
I+D+i, colabore y se involucre activamente en los grupos de investigacin. En tercer
lugar, la desesperacin en la bsqueda del modelo se basa principalmente en la difcil
tarea de la eleccin de las herramientas numricas adecuadas para resumir y explorar
estadsticamente grandes conjuntos de datos. Aunque los anlisis multivariados de
patrones de diversidad de la comunidades de organismos estn bien descritos en la

bibliografa, los eclogos microbianos raramente han utilizado anlisis multivariados

complejos, y en su mayora se han llevado a cabo con fines exploratorios (Ramette,
2007).
Despus de un periodo de tiempo ms o menos largo de toma de datos en nuestro
experimento, llega el momento clave del proyecto de investigacin o estudio; la gestin
de los datos. Para algunos investigadores el tratamiento estadstico supone todo un
dolor de cabeza, terminando por encomendar en muchas ocasiones dichas tareas a
departamentos de estadstica externos o a algn conocido cercano. No existe un
mtodo estadstico nico para el tratamiento de los datos, sino una diversa lista de
rutinas multivariante a disposicin del investigador como herramientas tiles para
poder rechazar o confirmar sus hiptesis. Nadie conoce los datos mejor que el propio
investigador, siendo por tanto el responsable ltimo de la decisin de las herramientas a
emplear. Hay mucho esfuerzo invertido en la fase experimental para que al final los
resultados queden sumidos en la ambigedad, mal interpretados o incluso
enmascarados. Es el momento pues de disfrutar de la culminacin de todo un trabajo,
con nuevas hiptesis e ideas.
La bsqueda de bioindicadores es una tarea difcil que depende en primer lugar de la
calidad y del nmero de unidades experimentales de dos matrices: la matriz
microorganismos x objetos (variables respuesta) y la matriz variables ambientales x objetos
(variables explicativas). Es recomendable que el tratamiento estadstico multivariante se
divida en dos pasos consecutivos: primero exploratorio y segundo de interpretacin
ambiental. La estrategia general ser pues explorar ambas matrices por separado y despus
relacionarlas para llegar a una interpretacin ambiental. Dentro del anlisis exploratorio el
paso crtico y decisivo es sin duda el pretratamiento de los datos biolgicos y ambientales,
el cual si no se realiza de una forma adecuada puede alterar considerablemente los
resultados finales (Ramette, 2007; Clarke et al., 2014). Es recomendable la exploracin del
conjunto de datos a travs del empleo de rutinas multivariante no paramtricas, basadas en
la medida de la distancia entre puntos, siendo estas especialmente flexibles y robustas
(Clarke, 1993; Anderson, 2001; Clarke et al., 2014).
Existen distintas rutinas de exploracin muy tiles para la ordenacin de muestras a partir
de las variables biolgicas o ambientales, en funcin del factor temporal (por ejemplo,
estaciones) y/o espacial (por ejemplo, biorreactores). El escalamiento multidimensional no
paramtrico (nMDS) es una tcnica til que permite visualizar gradientes ambientales a

travs de la distribucin de muestras en funcin del tiempo y de los biorreactores

estudiados. El anlisis de coordenadas principales (PCoA) puede ser considerada una
alternativa interesante para visualizar patrones de distribucin que no son tan evidentes en
el nMDS. Para obtener mayor informacin sobre las agrupaciones de muestras es muy til
la superposicin en ambas rutinas del anlisis clster, as como los vectores de correlacin
de ambos tipos de variables, con el fin de identificar la fuerza y direccin de los gradientes
(figura 3). Para complementar los resultados visuales en los grficos de ordenacin es muy
til el empleo del anlisis de similitudes (ANOSIM) y el anlisis permutacional
multivariante de la varianza (PERMANOVA), con el fin de establecer las distancias y
diferencias significativas entre grupos respectivamente. El anlisis de porcentajes de
similitudes (SIMPER) es una excelente herramienta para cuantificar la contribucin a la
similitud

y disimilitud de las variables biolgicas y ambientales sobre los factores

seleccionados. El PCA puede ser de gran ayuda para resumir el conjunto de variables
ambientales y explorar relaciones entre ellas.

Figura 3. Anlisis nMDS, clster y vectores de correlacin segn el facor biorreactor y a partir de los
componentes del nitrgeno del efluente.

Una vez explorado ambos conjuntos de datos, llega el momento decisivo de la eleccin del
modelo de interpretacin ambiental que mejor explica las variables respuesta
(microorganismos). No existe un procedimiento establecido para la seleccin del mejor
modelo que explique las relaciones entre ambos conjuntos de variables. Una de las posibles
alternativas es la aplicacin de un doble enfoque complementario: exploracin de modelos

a partir de rutinas no paramtricas (Clarke et al., 2014), y tcnicas de ordenacin cannica,

basadas en el anlisis directo del gradiente (ter Brack y Pretince, 1988; milauer y Lep,
2014).
Dentro de las tcnicas no paramtricas que relacionan variables ambientales y
biolgicas se encuentra la rutina BIO-ENV, la cual determina las mejores
combinaciones de variables ambientales que mejor explican el conjunto de datos
biolgicos. Despus de la exploracin de las mejores combinaciones, podemos dar paso
a la siguiente rutina para evaluar la contribucin de las variables ambientales a la
variabilidad observada en la estructura de la comunidad de microorganismos, a travs la
aplicacin de modelos lineales basados en la distancia (DISTLM). DISTLM es una
interesante tcnica de regresin mltiple multivariante que permite obtener el mejor
modelo lineal a travs de la relacin entre la matriz distancia de variables biolgicas y el
conjunto de datos ambientales.
Con las tcnicas de ordenacin cannica (anlisis restringido) se consigue relacionar de
modo directo la variacin en la composicin de la comunidad con la variacin
ambiental. Englobadas en estas tcnicas se encuentran el anlisis de redundancia (RDA)
y el anlisis de correspondencias cannico (CCA), en el primero se asume una relacin
lineal entre microorganismos y variables ambientales, mientras que el segundo asume
una relacin unimodal. El CCA es una excelente tcnica complementaria a las rutinas
no paramtricas puesto que, a diferencia del RDA, permite la estimacin del ptimo
ambiental de cada una de los microorganismos. Por tanto, a partir del CCA es posible
establecer el ranking de los mejores organismos bioindicadores.
En definitiva, la constitucin de grupos de investigacin interdisciplinares y la colaboracin
activa de las empresas de explotacin bajo una perspectiva de simbiosis UniversidadEmpresa, la gestin de los datos por el propio investigador, un pretratamiento y
exploracin adecuada de las variables y el uso complementario de tcnicas estadsticas
multivariante no paramtricas y de ordenacin cannica; pueden hacer que la desesperacin
en la bsqueda del modelo se convierta en un paseo placentero hacia el xito de nuestro
experimento.

Referencias:
Ramette, A. (2007) Multivariate analyses in microbial ecology. FEMS Microb Ecol 62: 142-160.
Clarke, K.R., Gorley, R.N., Somerfield, P.J. and Warwick, R.M. (2014) Change in marine
communities: an approach to statistical analysis and interpretation, 3rd edition. PRIMER-E,
Plymouth, 260pp.
Clarke, R.K. (1993) Non-parametric multivariate analyses of changes in community structure.
Austral. Ecol. 18: 117-143.
Anderson, M.J. (2001) Permutation tests for univariate or multivariateanalysis of variance and
regression. Can. J. Fish. Aquat. Sci. 58: 626-639.
milauer, P. and Lep, J. (2014) Multivariate analysis of ecological data using Canoco5. Cambridge
Univ. Press, 362pp.
ter Braak, C. J. F., and I. C. Prentice. 1988. A theory of gradient analysis. Adv. Ecol. Res.
18:271-313.