Imágenes hiperespectrales y aprendizaje automático para clasificar el cannabis medicinal

La creciente aceptación del cannabis medicinal ha llevado a un aumento mundial de la producción de la planta para aprovechar sus propiedades terapéuticas, que pueden influir en la regulación de la plasticidad cerebral, el desarrollo neuronal o el equilibrio energético. Pero parte del marco legal y regulatorio asociado no ha seguido el mismo ritmo.

Y es que la actual falta de normas de control de calidad o de estándares para correctos procesos de cultivo podría dar lugar a productos de cannabis descontrolados e incluso nocivos. Por eso es necesario desarrollar métodos precisos y eficientes para garantizar el control de calidad en el proceso de producción de las plantas de cannabis medicinal.

Una posible respuesta podría ser la obtención de imágenes ópticas mejoradas de las plantas de cannabis para clasificarlas por quimiotipos (diferentes clasificaciones basadas en la cantidad de cannabinoides), como muestra un estudio del Departamento de Química Analítica de la Universidad UPV/EHU del País Vasco, que ha desarrollado una técnica basada en imágenes hiperespectrales (fotografía en tres dimensiones) y aprendizaje automático, que está diseñada para garantizar la trazabilidad o el control de calidad de las plantas de cannabis medicinal a escala industrial, de manera sencilla e in situ.

Publicado recientemente en la revista 'Computers and Electronics in Agriculture', el estudio podría allanar el camino para el control de calidad hortícola no invasivo en la producción de cannabis medicinal, al servicio de una industria emergente que requerirá un control estricto sobre los quimiotipos de cannabis.

Se trata de un nuevo enfoque que también tiene la ventaja de evitar técnicas analíticas destructivas y que consumen mucho tiempo, como la cromatografía de gases. "Las muestras requieren un tratamiento previo: se secan, se extraen y luego se analizan mediante técnicas analíticas como la cromatografía. En este trabajo hemos demostrado que la cámara hiperespectral permite diferenciar los quimiotipos de la planta utilizando un sistema mucho más simple" explica Markel San Nicolas, investigador del grupo IBeA de la UPV/EHU.

Garantizando rápidamente la trazabilidad

Las imágenes hiperpectrales de infrarrojo cercano (NIR-HSI) son atractivas como modalidad para esta aplicación, ya que permiten visualizar un objeto en dos dimensiones como una imagen normal, al mismo tiempo que recuperan un amplio espectro electromagnético de cada píxel. De esta forma, la fotografía tiene tres dimensiones; es decir, tiene las dos dimensiones de las fotos normales, distribuidas en píxeles, pero cada píxel tiene un espectro completo en vez de un único color. De esta manera se obtiene un cubo de datos tridimensional y a cada píxel le corresponde un espectro completo del infrarrojo cercano, lo que permite realizar un análisis no invasivo de las plantas.

En las pruebas del estudio, se tomaron imágenes NIR-HSI de 57 plantas de cannabis en las instalaciones de Sovereign Fields SL, empresa que tiene autorización de la Agencia Española de Medicamentos y Productos Sanitarios (AEMPS) para el cultivo de cannabis para la producción de semillas y esquejes con fines médicos y/o científicos.

Las imágenes se tomaron utilizando un rango espectral de 930 a 2500 nanómetros dividido en 288 canales espectrales. El análisis de datos basado en aprendizaje automático utilizando algoritmos entrenados clasificó posteriormente las plantas objetivo como pertenecientes a los quimiotipos I, II o III, variantes de plantas que se diferencian según la cantidad de cannabinoides THC y CBD.

El enfoque del proyecto pudo extraer con éxito los tres quimiotipos de interés y determinar la concentración de THC y CBD en los cogollos con una tasa de éxito del 94,74 por ciento, según el estudio.

Ventajas de esta técnica para asegurar el control de calidad del quimiotipo

Así, esta novedosa técnica presenta varios beneficios:

• Rapidez: el análisis se realiza en tiempo real, sin necesidad de preparación previa de las muestras.
• Precisión: la clasificación por quimiotipos permite asegurar la calidad del producto final.
• Simplicidad: el sistema es fácil de usar y no requiere personal altamente especializado.

Esta metodología basada en NIR-HSI junto con aprendizaje automático para la clasificación de quimiotipos también puede abordar adecuadamente el problema de la humedad presente en el tejido vegetal fresco, que suele ser el principal inconveniente cuando se utiliza la espectroscopia convencional de infrarrojo cercano para analizar cannabinoides. El nuevo enfoque también permite el análisis representativo directamente en un individuo de planta viva completo.

Sin embargo, para mejorar la generalización de los resultados, el modelo de clasificación necesitaría datos de entrenamiento mucho más extensos, es decir, un número de muestra mucho mayor, con una mayor cobertura de diversidad de cultivares en diferentes épocas de cultivo.

Por lo tanto, una propuesta ideal sería ampliar los datos de calibración del modelo con más cultivares de los tres quimiotipos, idealmente equilibrando el peso estadístico de las clases y agregando espectros de diferentes tejidos vegetales, como hojas, y complementándolos con espectros en diferentes niveles de crecimiento. De esta forma, se deduciría una tendencia regresiva según los diferentes tiempos de crecimiento, posibilitando la predicción del quimiotipo correspondiente en individuos en etapas tempranas de desarrollo.

"La implementación de esta tecnología en los lugares de producción de cannabis medicinal permitiría garantizar de forma automática y rápida la trazabilidad y el control de calidad del quimiotipo", afirma Markel San Nicolás. Y, aunque los investigadores consideran que todavía hay que hacer más estudios, este trabajo puede ser el punto de partida para empezar a utilizar este tipo de técnicas en las producciones de cannabis, siempre y cuando primero se "establezca una regulación relacionada con el cannabis medicinal para avanzar en ese sector industrial", concluye el investigador vasco.

---

Fuente: NIR-hyperspectral imaging and machine learning for non-invasive chemotype classification in Cannabis sativa L