Un estudio innovador del campus de Ourense analiza el polen y predice su calidad con IA

A todos nos han enseñado en el colegio que el polen es el «plato principal» de las abejas, pues los granos que recolectan de las flores son su principal fuente de proteínas y de alimento de las crías. En el campo, los apicultores se encuentran la letra pequeña de esta norma general: el aporte nutritivo y funcional varía radicalmente según la flor de la que se consiga o la estación del año en la que se recolecta. Pero el equipo de investigadores de Ourense ha llevado a cabo un estudio para poner luz en este mar de incertidumbre: han sentado las bases para pasar de analizar estos valores a poder predecirlos con técnicas de inteligencia artificial.

Aprendizaje automático para predecir la calidad del polen

Se trata del último trabajo innovador salido del campus de Ourense, y en el que han estado implicadas dos facultades distintas. El Grupo de Investigación en Sistemas Agroambientais (GISA), de la Facultad de Ciencias, y el Grupo de Investigación en Sistemas Informáticos de Nova Xeración, de la Escola Superior de Enxeñaría Informática, son los que se encuentran detrás de este estudio. Su trabajo, en lenguaje técnico, ha consistido en evaluar diversos modelos de aprendizaje automático (también conocido como machine learning, una rama de la inteligencia artificial que detecta patrones en datos, como hacen Netflix o Spotify para sus recomendaciones) para predecir la calidad nutricional del polen en función de su origen botánico.

Para poder proporcionar a estos programas datos con los que «alimentarse», la compilación no ha sido para nada menor: se han analizado 166 muestras de polen entre 2016 y 2025, procedentes de Galicia y de comunidades limítrofes y recogidas tanto en distintas colmenas como en diferentes momentos de floración. Todas se sometieron a un estudio melisopalinológico para establecer su composición botánica, el taxón dominante de su procedencia e índice de diversidad. Además, una parte de esta muestra se destinó a analizar sus características nutricionales, mientras la restante se utilizó para determinar perfiles fenólicos individuales (saber cuánta cantidad de compuestos bioactivos como polifenoles o flavonoides, con propiedades antioxidantes, contienen).

La muestra procedía de contextos con una dominancia floral marcada, en las que los sistemas de apicultura varían según la estación y los recursos son, consecuentemente, desiguales. Esto condicionó las conclusiones del análisis, en las que se reflejó que la estructura floral del polen recogido varió marcadamente de año a año, tanto en el tipo de planta del que las abejas extrajeron la mayoría como en el abanico de orígenes florales distintos. Según explica la investigadora principal del proyecto, María Shantal Rodríguez Flores, los resultados indicaron que la estructura del polen analizado está fuertemente condicionada por la disponibilidad floral de cada año, y que ello afecta directamente a su composición nutricional.

Donde sí que se encontraron «patrones consistentes» fue al analizar las muestras desde un punto de vista regional. En este sentido, en la provincia de Ourense fue donde se encontró más polen procedente de una sola flor, principalmente de los géneros Castanea (castaños) y Rubus (zarzas). Pontevedra, por su parte, es la que más varía en cuanto a estructura, mientras que en A Coruña, Lugo y las muestras de Zamora, León, Salamanca o Palencia predomina el polen polifloral.

Aunque ya se habían hecho múltiples estudios sobre la composición del polen, integrar en ellos modelos de inteligencia artificial es toda una innovación, y precisamente echar mano de modelos de aprendizaje automático permitió, según Rodríguez Flores, «identificar patrones ecológicos ocultos y reforzar la relevancia real de los taxones botánicos». En cuanto al impacto que este nuevo modelo podrá tener en la realidad apícola ourensana y gallega, se debe mirar con ilusión a la par que precaución: el estudio sobrepasó los objetivos iniciales y generó un marco metodológico sólido para que se puedan desarrollar herramientas aplicadas a la gestión apícola y la conservación de la biodiversidad.