Un equipo conformado por estudiantes del Instituto Politécnico Nacional (IPN) sorprendió al crear un novedoso dispositivo llamado Deep Bug. Se trata de un sistema que utiliza Inteligencia Artificial (IA) para facilitar y agilizar la evaluación de la calidad del agua mediante el índice BMWP/Mex. Funciona a partir de la identificación de macroinvertebrados acuáticos, que son un referente para saber si el líquido está contaminado.
Para materializar la idea participaron Desiré Cuevas Romero y Didier González Ferreira, estudiantes de Ingeniería en Inteligencia Artificial, y Óscar Leyva Rodríguez, alumno de la Ingeniería en Sistemas Computacionales. Todos son parte de la Escuela Superior de Cómputo (Escom).
También lee: Ranking con los 10 mejores hospitales de Latinoamérica en 2026: ¿Cuál es el único de México que aparece?
¿Cómo funciona el equipo mexicano que analiza la calidad del agua?
De acuerdo con la información oficial, la herramienta integra una aplicación móvil para el trabajo de campo, una plataforma web para administrar y consultar información y un modelo de IA capaz de clasificar automáticamente macroinvertebrados a partir de imágenes.
El índice Biological Monitoring Working Party (BMWP) permite evaluar la calidad del agua a través de la diversidad de macroinvertebrados, organismos que funcionan como bioindicadores debido a que su presencia o ausencia está relacionada con las condiciones ambientales de los cuerpos de agua.
Para México, el método fue adaptado como BMWP/Mex por la doctora Eugenia López López, de la Escuela Nacional de Ciencias Biológicas (ENCB), quien participó como codirectora del proyecto.
Novo Nordisk cambia de nombre e imagen y ahora sólo es Novo: todos los motivos detrás del rebranding
Deep Bug, una innovación tecnológica hecha en México
De acuerdo con sus desarrolladores, Deep Bug busca resolver los principales desafíos en la aplicación del índice BMWP, como el registro manual de información, la posibilidad de pérdida o daño de formatos durante el trabajo de campo, el tiempo requerido para identificar correctamente los organismos y la dificultad para almacenar y consultar los resultados de los monitoreos.
Para desarrollar el sistema de clasificación automática, los estudiantes utilizaron redes neuronales convolucionales, es decir tecnología especializada en el procesamiento de imágenes. El modelo fue entrenado durante seis meses con alrededor de 3 mil imágenes y se concentró en cinco familias de macroinvertebrados con características visuales similares, cuya identificación puede resultar particularmente compleja.
También lee: Nueva definición universal del infarto al miocardio según la ESC 2026: conoce todos los cambios
El equipo funciona en espacios con conexión a internet limitada
La herramienta también fue diseñada para operar en sitios con conectividad limitada. La aplicación almacena localmente la información recopilada durante el monitoreo y, cuando recupera la conexión a internet, sincroniza los datos automáticamente con la nube. Permite además digitalizar protocolos, administrar proyectos, consultar resultados históricos y calcular automáticamente el índice BMWP/Mex.
“Nuestra principal motivación es que se quede como algo funcional para las personas, para los biólogos, para las comunidades y que más personas se motiven a hacer un cambio con los resultados que obtengan”, afirmó Desiré Cuevas Romero.
Como parte de la validación de Deep Bug, en mayo pasado el equipo realizó pruebas de laboratorio y campo en cuerpos de agua de la Reserva de la Biósfera Tehuacán-Cuicatlán, ubicada entre Puebla y Oaxaca, con el apoyo de especialistas y habitantes de comunidades de la región. Los ejercicios permitieron comprobar la comunicación entre la aplicación móvil, la plataforma web y el modelo de IA.
Los estudiantes continuarán desarrollando Deep Bug para ampliar su banco de imágenes, incrementar la precisión en la identificación de macroinvertebrados y adaptar el sistema a distintas regiones del país.
