- PoolPy compara diez estrategias distintas de agrupación y selecciona diseños adaptados a costes, tiempo experimental, dilución de señal y otros límites de cada ensayo.
- Las validaciones en PCR viral, interacciones proteína-ligando y análisis proteína-ADN redujeron entre un 60% y un 93% el número de mediciones necesarias.
Analizar cien muestras no siempre exige realizar cien experimentos independientes. Si las muestras se mezclan siguiendo un diseño matemático conocido, el patrón de resultados puede permitir reconstruir posteriormente cuáles contenían la señal buscada. Esta idea, conocida como combinatorial group testing, lleva décadas utilizándose en determinados ámbitos, pero su complejidad matemática ha limitado su aplicación cotidiana en muchos laboratorios.
Investigadores de ETH Zürich presentan ahora PoolPy, una plataforma que intenta automatizar desde el diseño de las mezclas hasta la interpretación final de los resultados. El sistema incorpora diez algoritmos diferentes de agrupación y puede optimizar la estrategia dependiendo de las restricciones del experimento, incluyendo coste, tiempo, número de muestras o pérdida de sensibilidad provocada por diluir una muestra positiva entre muchas negativas.
Los autores probaron computacionalmente estos diseños en más de 100.000 condiciones para determinar en qué situaciones funciona mejor cada aproximación. No existe una estrategia universal: mezclar demasiadas muestras reduce el número de pruebas necesarias pero puede diluir una señal hasta hacerla indetectable, mientras diseños excesivamente conservadores ahorran poco trabajo. PoolPy busca un equilibrio específico para cada aplicación.
La plataforma fue posteriormente validada en tres experimentos diferentes. Los investigadores la utilizaron para estudiar interacciones entre proteínas y ligandos, realizar detección viral mediante RT-qPCR y analizar interacciones proteína-ADN a escala genómica. En estos casos, el número de mediciones necesarias disminuyó entre un 60% y un 93% respecto a comprobar individualmente todas las combinaciones.
La idea resulta fácil de visualizar mediante una prueba diagnóstica. En lugar de analizar veinte muestras una por una, pueden prepararse varias mezclas donde cada muestra participa en una combinación distinta. Si solo determinadas mezclas dan positivo, un algoritmo puede deducir qué muestra individual explica ese patrón. La dificultad aumenta con ruido, múltiples positivos y límites de sensibilidad, precisamente los factores que el software intenta incorporar al diseño.
El ahorro publicado no significa que cualquier laboratorio pueda reducir automáticamente sus costes un 93%. Cada aplicación tiene prevalencias, límites de detección y procedimientos diferentes, y en determinados escenarios el agrupamiento puede no ser ventajoso. Los porcentajes proceden de las tres validaciones concretas descritas en el artículo y deben presentarse como demostraciones de capacidad, no como garantía universal.
PoolPy está disponible además como herramienta web abierta, lo que elimina parte de la barrera matemática para diseñar estos experimentos. El siguiente paso será comprobar cuánto se adopta en laboratorios reales y si la reducción de mediciones compensa el trabajo añadido de preparar correctamente las mezclas, algo especialmente relevante cuando el coste principal de un ensayo está precisamente en cada medición individual.
