El bloque funcional de un informe de microbioma se lee como si midiera actividad. No la mide. Dice qué podría hacer la comunidad si las condiciones acompañaran, no qué está haciendo hoy en tu parcela. La distinción no es un matiz académico: cambia qué decisiones soporta el dato.
Cómo se saca función de un gen que no es funcional
El 16S es un gen ribosómico. Sirve para saber quién hay, no para saber qué sabe hacer. La idea de la inferencia funcional, que Langille y colaboradores publicaron en 2013 con la primera versión de PICRUSt, es rodear ese límite por un camino indirecto: si conocemos el genoma completo de parientes cercanos de los organismos detectados, podemos estimar el repertorio de genes que probablemente lleva la comunidad entera.
PICRUSt2, descrito por Douglas y colaboradores (2020), hace esa estimación colocando cada secuencia en un árbol filogenético de referencia y asignándole el contenido génico esperado según su posición. El resultado son abundancias de familias de enzimas y de rutas metabólicas: fijación de nitrógeno, solubilización de fósforo, degradación de celulosa. Números que parecen medidas y no lo son.
Conviene tener clara la cadena de inferencias que hay detrás de cada cifra: secuencia detectada → pariente con genoma conocido → genes que probablemente tiene → rutas que esos genes podrían sostener. Cada eslabón añade su propio error, y el último está tres pasos por detrás de cualquier cosa que ocurra en el suelo.
Potencial frente a actividad: la distinción que lo decide todo
Que un gen esté presente no significa que se transcriba; que se transcriba no significa que la enzima trabaje; y que la enzima trabaje no dice a qué velocidad. Rocca y colaboradores (2015) revisaron precisamente ese salto y el título de su trabajo es la conclusión: la relación entre la abundancia de un gen y la velocidad del proceso correspondiente se da por supuesta mucho más a menudo de lo que se observa.
Tampoco sirve de atajo mirar el ARN ribosómico en lugar del ADN. Blazewicz, Barnard, Daly y Firestone (2013) repasaron el uso del ARNr como indicador de actividad microbiana en comunidades ambientales y acotaron sus límites: el contenido de ARNr depende de la historia reciente de crecimiento del organismo y de su estrategia de vida, así que no se traduce de forma directa en actividad.
En la práctica, la pregunta de la que depende todo lo demás es ésta: ¿quiero saber qué hay instalado o qué está pasando? Para lo primero basta la inferencia. Para lo segundo hace falta medir otra cosa.
Dónde falla, y por qué el suelo es el caso difícil
Sun, Jones y Fodor (2020) compararon PICRUSt, PICRUSt2 y Tax4Fun contra metagenómica real en siete conjuntos de datos —humanos, de animal y de suelo— y su artículo deja dos avisos que conviene tener presentes. El primero es metodológico y afecta a cómo se valida cualquier herramienta de éstas: las correlaciones entre predicción y metagenoma eran altas, pero seguían siéndolo después de permutar las abundancias de genes entre muestras, lo que convierte al coeficiente de correlación en una medida muy poco fiable de que la herramienta funcione.
El segundo aviso es el que afecta directamente al suelo. Evaluando las predicciones dentro de modelos de inferencia, el rendimiento era razonable en los conjuntos humanos —y mejor en genes de mantenimiento celular— pero caía con fuerza fuera de ellos. Los autores concluyen que, con la base de datos por defecto, la utilidad de estas herramientas es probablemente limitada fuera de muestras humanas, y que haría falta desarrollar predicción específica para muestras ambientales.
La razón de fondo es la misma que explica el aviso: la inferencia solo funciona bien para linajes con parientes de genoma conocido, y una parte considerable de la diversidad del suelo agrícola no está representada en las bases de referencia. Donde hay hueco, la herramienta no deja un blanco: rellena con el pariente más cercano que encuentra, que puede ser muy lejano.
Hay además un problema conceptual, y Louca, Parfrey y Doebeli (2016) lo mostraron clasificando más de 30.000 microorganismos marinos en grupos funcionales a escala global: función y taxonomía están desacopladas. Las condiciones ambientales determinaban con fuerza qué grupos funcionales había, pero solo de forma débil qué taxones ocupaban cada grupo. Dos consecuencias para quien lee un informe: taxones distintos pueden dar el mismo perfil funcional, y un cambio taxonómico llamativo puede no significar nada funcionalmente.
Qué preguntas sí contesta
Con esos límites encima de la mesa, la inferencia funcional sigue siendo útil, y de hecho es el bloque que más ayuda a ordenar un informe. Lo es para tres cosas concretas:
Comparar, no cuantificar. Entre tratado y testigo procesados en la misma tanda, el sesgo de la inferencia se reparte por igual, así que la diferencia entre los dos es mucho más fiable que el valor absoluto de cualquiera de ellos.
Cribar antes de gastar. Si lo que se busca es dónde mirar con una técnica cara, la inferencia señala las rutas candidatas a bajo coste y después se confirman las dos o tres que importan.
Ordenar la lista de taxones. Un listado de cientos de géneros no es interpretable; agrupado por lo que esos géneros podrían hacer, empieza a parecerse a una pregunta agronómica.
Y una que no contesta, por si alguien la hace: no sirve para sostener que un producto «activa» una ruta. Para eso hay que medir la ruta.
Cuándo hace falta subir un escalón
qPCR de genes marcadores cuando la pregunta es cuánto hay de una capacidad concreta —nifH para fijación, amoA para nitrificación, phoD para fosfatasa alcalina—. Deja de ser una estimación y pasa a ser una cuantificación de ese gen, aunque siga siendo potencial.
Metagenómica shotgun cuando interesa el repertorio real de genes de la comunidad, sin inferirlo. Mide genes, no actividad, pero elimina de golpe el error de los parientes de referencia.
Expresión génica cuando lo que hay que demostrar es actividad: si la ruta está encendida en la parcela tratada y no en la testigo. Es el único nivel que responde a «¿está funcionando?».
La regla práctica es barata de recordar: la inferencia abre la pregunta, el gen marcador la acota y la expresión la cierra. Qué cubre exactamente cada técnica está desarrollado en el post sobre qué técnica responde a qué pregunta.
Cómo leer el bloque funcional de tu informe
Lee diferencias, no valores. Un «potencial de fijación de nitrógeno» alto, solo, no significa nada. Más alto que el testigo de la misma finca, sí.
Desconfía de la ruta rara. Si una ruta exótica aparece muy marcada, lo primero que hay que descartar es que la sostenga un linaje mal representado en la base de referencia.
Cruza con la química. Un potencial alto de solubilización de fósforo conviviendo con fósforo disponible bajo no es una contradicción: es exactamente lo que quiere decir que el potencial no es flujo. La lectura útil sale de comparar las dos capas, no de leer una sola.
No compares entre laboratorios. Región del 16S, plataforma de secuenciación y versión de la base de datos cambian el resultado. Series temporales, siempre con el mismo procedimiento.
Qué hacemos en AIMA Agro
En los informes de suelo incluimos inferencia funcional con PICRUSt2, y la presentamos por lo que es: capacidad instalada. Los gremios y las rutas sirven para comparar parcelas o tiempos, y el informe dice en qué dirección apunta la diferencia, no cuántos kilos de nitrógeno se fijan.
Cuando la pregunta es de actividad, el nivel que corresponde es la expresión génica, con qPCR de genes marcadores en tratado frente a testigo. Y si lo que hay que descartar es un patógeno concreto, eso no lo contesta ninguna inferencia: va por panel de fitopatógenos.
Decirlo así cuesta alguna venta y evita todas las decepciones. Un informe que promete medir lo que solo estima deja de ser útil la primera vez que alguien lo comprueba en campo.
Referencias
Langille, M. G. I., Zaneveld, J., Caporaso, J. G., McDonald, D., Knights, D., Reyes, J. A., et al. (2013). Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature Biotechnology, 31(9), 814–821. DOI: 10.1038/nbt.2676
Douglas, G. M., Maffei, V. J., Zaneveld, J. R., Yurgel, S. N., Brown, J. R., Taylor, C. M., Huttenhower, C., & Langille, M. G. I. (2020). PICRUSt2 for prediction of metagenome functions. Nature Biotechnology, 38(6), 685–688. DOI: 10.1038/s41587-020-0548-6
Sun, S., Jones, R. B., & Fodor, A. A. (2020). Inference-based accuracy of metagenome prediction tools varies across sample types and functional categories. Microbiome, 8(1), 46. DOI: 10.1186/s40168-020-00815-y
Rocca, J. D., Hall, E. K., Lennon, J. T., Evans, S. E., Waldrop, M. P., Cotner, J. B., Nemergut, D. R., Graham, E. B., & Wallenstein, M. D. (2015). Relationships between protein-encoding gene abundance and corresponding process are commonly assumed yet rarely observed. The ISME Journal, 9(8), 1693–1699. DOI: 10.1038/ismej.2014.252
Blazewicz, S. J., Barnard, R. L., Daly, R. A., & Firestone, M. K. (2013). Evaluating rRNA as an indicator of microbial activity in environmental communities: limitations and uses. The ISME Journal, 7(11), 2061–2068. DOI: 10.1038/ismej.2013.102
Louca, S., Parfrey, L. W., & Doebeli, M. (2016). Decoupling function and taxonomy in the global ocean microbiome. Science, 353(6305), 1272–1277. DOI: 10.1126/science.aaf4507