ADNe para evaluar la biodiversidad acuática
El ADN ambiental ofrece una visión detallada de la composición de las comunidades en mares, ríos y aguas subterráneas y aporta líneas de base sólidas para evaluar el estado de la biodiversidad dentro del Marco Mundial de Biodiversidad de Kunming–Montreal.
Figura: a. El Marco Mundial de Biodiversidad de Kunming–Montreal (GBF) identificó 23 metas globales orientadas a la acción que deben alcanzarse para 2030 (ref. 6). Muchas de estas metas requieren información sobre el estado, los cambios y las tendencias de la biodiversidad para apoyar la toma de decisiones científicas, políticas y económicas. El uso de ADN ambiental (ADNe) para aportar información sobre la diversidad biológica ofrece un enfoque potencialmente universal que puede respaldar las metas del GBF al proporcionar datos de referencia e información sobre la relación entre acciones y respuestas, útil para orientar las decisiones. Resulta especialmente importante establecer, seguir y evaluar puntos calientes de biodiversidad, tendencias y cambios.
b. Varias metas pueden evaluarse directamente mediante tecnologías de ADNe ya existentes, que están lo suficientemente desarrolladas para su implementación, aunque todavía no se utilizan de forma rutinaria en la mayoría de los países.
ADN ambiental y métodos complementarios
El ADNe combina metabarcoding, qPCR y modelos hidrológicos para generar datos comparables entre regiones y ampliar la cobertura espacial de la evaluación de la biodiversidad.
Figura: a. El ADN ambiental acuático (ADNe) se obtiene a partir de ecosistemas marinos, de agua dulce y de aguas subterráneas, lo que permite una integración espacial (por ejemplo, a escala de cuenca) y temporal (por ejemplo, entre estaciones). El principio básico del análisis de ADNe acuático incluye el muestreo y la captura del ADN (normalmente mediante filtración), seguidos de la extracción del ADN, su amplificación (ya sea dirigida a una sola especie o mediante metabarcodificación), la secuenciación y la asignación taxonómica mediante comparación con bases de datos de referencia de ADN.
b. El ADN ambiental recogido en redes fluviales permite obtener información sobre la biodiversidad en una extensión espacial más amplia al integrar principios hidrológicos básicos y estimaciones de producción y degradación del ADN. La recogida de muestras puede reforzarse mediante métodos automatizados (como muestreadores autónomos) o mediante iniciativas de ciencia ciudadana, lo que facilita la acumulación de datos con alta resolución espacio-temporal.
ADNe y análisis de presiones ecológicas
Los modelos basados en ADN ambiental atribuyen cambios a presiones ambientales, reconstruyen redes ecológicas y anticipan respuestas comunitarias, un apoyo directo a los objetivos del Marco de Kunming–Montreal.
Figura: a. Cronología esquemática de los hitos importantes en el desarrollo del concepto de ADN ambiental (ADNe) (puntos amarillos), los avances en técnicas moleculares (puntos rojos) y el uso del ADNe (puntos azules).
b. Tendencias temporales en el volumen de datos acuáticos según el número de conjuntos de datos publicados en el Sequence Read Archive del NCBI a 20 de septiembre de 2024. Aquí, un conjunto de datos se define como un paquete de datos asociado a un número de ejecución específico. Los metadatos de estos conjuntos se obtuvieron mediante Entrez Programming Utilities y se filtraron con una lista de palabras clave para incluir únicamente conjuntos de datos de ADNe y ARNe procedentes de ambientes acuáticos. HTS, secuenciación de alto rendimiento.
GBIF como soporte de datos abiertos para el ADNe
La integración de secuencias y metadatos en GBIF impulsa
estándares FAIR y y aporta una infraestructura internacional sólida para la monitorización con ADN ambiental.
Figura: El principio del enfoque de aprendizaje automático consiste en vincular las características genómicas de las muestras de ADN ambiental (ADNe) —como unidades taxonómicas operativas (OTUs), variantes de secuencia de amplicón (ASVs) o información asignada taxonómicamente— con estados ambientales de referencia. En la fase de entrenamiento, el modelo aprende las relaciones entre esas características genómicas y condiciones ambientales conocidas, refinando de forma iterativa sus reglas predictivas. En la fase de predicción, el modelo ya entrenado aplica esas reglas para analizar nuevas muestras de ADNe y generar predicciones claras y directamente utilizables. Mediante ciclos continuos de retroalimentación, el modelo mejora su precisión y aumenta su utilidad para la monitorización y la gestión ambiental.
El ADN ambiental ( #ADNe) revela con detalle la #biodiversidad acuática y contribuye a los objetivos del Marco de Kunming–Montreal. Permite mapear comunidades, detectar especies clave y atribuir cambios a presiones ambientales con #datosabiertos:
▶️ doi.org/10.1038/s443... #CiteTheDOI @gbif.org