Em comunicado, o Centro Interdisciplinar de Investigação Marinha e Ambiental (CIIMAR) esclarece que a ferramenta de 'machine learning' (aprendizagem da máquina) "responde a um desafio de longa data na ecologia microbiana: distinguir os microrganismos raros dos mais abundantes em ambientes naturais".
Apenas algumas espécies microbianas são abundantes, pertencendo a maioria dos microrganismos à designada biosfera rara.
Ainda que pouco abundantes, as espécies raras contêm a "maior diversidade genética do planeta" e fornecem "grande resiliência ao ecossistema".
"Se as espécies mais abundantes ficarem ameaçadas pelas alterações climáticas, outras espécies raras podem assumir o controlo e assegurar as funções do microbioma, mantendo o ecossistema estável", afirma o autor do estudo, Francisco Pascoal.
Nesse sentido, a biosfera rara desempenha um "papel muito relevante" na resposta dos ecossistemas a alterações do meio, de que são exemplo os efeitos das alterações climáticas.
Designada "ulrb", a ferramenta desenvolvida por investigadores portugueses e do Canadá automatiza a construção de modelos analíticos para identificar de forma rápida, autónoma e não supervisionada estes microorganismos.
"Com este novo método, conseguimos usar dados de sequenciação de ADN para distinguir de forma automática quais são os microrganismos raros, com base na informação disponibilizada em cada amostragem", acrescenta Francisco Pascoal.
Os investigadores criaram assim um algoritmo que aprende quais os grupos de abundância numa comunidade, fazendo correspondência entre eles e atribuindo uma classificação, que permite distinguir dos que são raros.
"Este novo 'software' aumentará não só a precisão das análises ecológicas de diferentes microbiomas e ecossistemas, mas também a profundidade a que estas análises são feitas, melhorando em última instância a compreensão da diversidade microbiana e do seu papel na resiliência dos ecossistemas", salienta o CIIMAR.
Segundo o centro da Universidade do Porto, o "ulrb" pode vir a ser útil no estudo de doenças emergentes e invasões biológicas, uma vez que "pode ser aplicado a dados não microbianos", mas também em determinar que espécies de animais ou plantas estão em risco em determinados contextos.
No âmbito da investigação, a equipa criou uma página na Internet com materiais de aprendizagem para incentivar a utilização da ferramenta.
Publicada na revista científica Communications Biology, a investigação contou com a colaboração do CIIMAR, Faculdade de Ciências da Universidade do Porto, Instituto Superior Técnico da Universidade de Lisboa, School of Electrical Engineering and Computer Science of University of Ottawa e da Faculty of Computer Science of Dalhousie University, ambos no Canadá.
Leia Também: Google usa IA para identificar conteúdos falsos no Maps
