Una red compuesta por 554 investigadores de 39 países propuso un conjunto de directrices para la publicación de las imágenes obtenidas por microscopía óptica en los artículos científicos del campo de las ciencias biológicas y biomédicas. La iniciativa apunta a permitir la correcta interpretación de las figuras y, principalmente, facilitar la reproducción de sus resultados por otros grupos de investigación. En un artículo publicado en septiembre en la revista Nature Methods, un grupo de representantes de este consorcio recomendó el uso, tanto para los autores de los papers como para los revisores y editores de revistas científicas, de listas de verificación capaces de constatar si una imagen fue procesada en forma apropiada y si contiene información suficiente como para que pueda entenderse y replicarse. El objetivo es detectar y corregir los problemas que pudieran presentar las figuras antes de su publicación. “Las checklists proporcionan instrucciones claras y sencillas sobre cómo publicar y analizar imágenes, lo que representa un gran avance para hacerlas reproducibles, comprensibles y accesibles”, señala el autor principal del artículo, el científico de datos Christopher Schmied, del Instituto Leibniz de Investigaciones en Farmacología Molecular, en Berlín (Alemania), en su perfil en la red profesional LinkedIn.
Las listas de comprobación propuestas abarcan diversos parámetros de las imágenes, entre ellos formatos estándar, tratamiento del color e inscripciones o etiquetas añadidas por el autor, y se dividen en tres niveles de exigencia: mínimo, recomendado e ideal. El nivel mínimo contempla los requisitos indispensables para que las conclusiones científicas representadas por una imagen puedan ser confirmadas por otros grupos, como los datos que se refieren al origen de la figura y los métodos de procesamiento empleados. El cumplimiento de estos requisitos ‒que abarcan, por ejemplo, una explicación de las maniobras realizadas para ampliar los detalles de una imagen, informar el grado de ajuste del brillo y contraste o compartir los datos originales en repositorios‒ puede ayudar a detectar faltantes claves antes de la publicación de un trabajo, evitando dudas y cuestionamientos.
El nivel recomendado, en tanto, es más exigente y procura garantizar que el hallazgo contenido en la imagen se comprenda fácilmente. Un ejemplo es la sugerencia de incluir una escala de intensidad cromática que ayude a explicar el sentido de los colores exhibidos. El tercer nivel, calificado como ideal, establece prácticas complementarias, como poner a disposición copias de las figuras originales en bancos de datos especializados en ese tipo de documentos u ofrecer versiones de las imágenes en gama de grises para permitir su comparación con las originales en colores.
Su publicación en blanco y negro ya sería suficiente, según las directrices. “Recomendamos a todos que publiquen sus imágenes en blanco y negro en lugar de la versión en color, porque la vista humana es muy sensible a los detalles en las figuras monocromáticas”, explica una de las integrantes de la iniciativa, la bióloga inglesa Alison North, directora del Centro de Recursos de Bioimágenes (Birc) de la Universidad Rockefeller (EE. UU.), en el sitio web ScienceDaily. “Muchos investigadores son adeptos a las imágenes en colores porque son hermosas e impresionantes. No advierten que, en realidad, están desperdiciando gran cantidad de información”. Además de apuntar estrategias para la obtención de imágenes fiables, el grupo también enumeró métodos que deben evitarse en determinadas situaciones. Un ejemplo es la interpolación, que consiste en la creación de nuevos píxeles en una imagen, a partir de los existentes, para realzar su nitidez: no debe aplicársela en imágenes ampliadas cuya resolución sea baja, porque el riesgo de generar distorsiones es alto.
Las directrices consolidan un esfuerzo de cooperación que comenzó en 2020 con la constitución de la iniciativa bautizada Evaluación de la Calidad y Reproducibilidad de Instrumental e Imágenes en la Microscopía Óptica (Quarep-LiMi), integrada por investigadores de universidades y empresas de diversos países interesados en establecer estándares y protocolos para el uso de imágenes en la microscopía. Una de las preocupaciones principales de la red era tratar de disminuir la cantidad de confusiones y manipulaciones indebidas en las imágenes, que a menudo suelen ser causal de retractación de artículos. El objetivo es combatir lo que se ha acordado llamar como crisis de reproducibilidad, esto es, la repetición de casos de artículos científicos, sobre todo en áreas tales como la medicina, ciencias de la vida y psicología, que han caído en descrédito porque sus resultados no han podido confirmarse en experimentos ulteriores.
“Si los científicos se avienen a adoptar un estándar mínimo para la publicación de imágenes, reproducir los resultados será mucho más fácil para todos”, explica el analista de imágenes Ved Sharma, investigador del Birc, también a ScienceDaily. “Hay mucha información que podría incluirse en una imagen, pero en la mayoría de las ocasiones no está disponible o el lector debe profundizar en la lectura del artículo para entender el sentido de la figura”.
Las listas de comprobación de Quarep-LiMi también incluyen el detalle de las fases y protocolos para la obtención y procesamiento de las imágenes, los llamados flujos de trabajo, que pueden comprender etapas tales como la reconstrucción, segmentación, etiquetado y análisis estadístico. Los flujos de trabajo pueden agruparse en tres categorías: los ya establecidos, los nuevos y los que se basan en el aprendizaje automático. Para un flujo preestablecido, el requisito de nivel mínimo es informar cada etapa, mientras que una característica del checklist en el nivel ideal contempla la facilitación de un tutorial sobre cómo se ha trabajado con la imagen. En cambio, para los flujos de trabajo creados recientemente, las exigencias son más amplias: es esencial describir cada una de los pasos y componentes para que otros investigadores puedan generar las mismas condiciones y verificar los resultados. Para los flujos que utilizan aprendizaje automático, se recomienda como medida adicional, informar qué datos se utilizaron para entrenar a los modelos de inteligencia artificial y poner sus códigos a disposición de los interesados.
Según el estudio publicado en Nature Methods, las directrices también pueden ser útiles para promover la confiabilidad de otros tipos de imágenes científicas, tales como las fotografías, imágenes de pruebas de diagnóstico o las obtenidas por microscopía electrónica de barrido, aunque no se las haya creado con ese propósito. Un obstáculo para la implementación de directrices de este tipo son los costos adicionales que suelen implicar para los investigadores, que pueden llegar a ser prohibitivos para los científicos de los países de ingresos medianos y bajos. Para resolver este problema, los artífices de Quarep-LiMi han aceptado flexibilizar algunos requisitos, principalmente los que se encuadran en el nivel ideal. El almacenamiento de datos en repositorios especializados en imágenes, un requerimiento costoso, se considera negociable. “Para ser inclusivos, no podremos imponer la utilización de repositorios en línea, pero como medida mínima, les exigimos a los científicos que estén dispuestos a compartir sus datos”, escribieron en el artículo.
Republicar