Métodos moleculares y digitales en zoología

Actualizado: 04 Octubre 2026

1. Introducción: por qué el zoólogo necesita métodos moleculares

La zoología como ciencia de los animales se ha basado tradicionalmente en caracteres morfológicos: estructura externa e interna, coloración, particularidades del esqueleto, estructura de órganos y tejidos. Fue precisamente sobre la base de la morfología que se construyeron las claves de identificación clásicas, se crearon los sistemas de taxones y se describió la inmensa mayoría de las especies conocidas. Sin embargo, a medida que se acumulaban los conocimientos, se hizo cada vez más evidente que el enfoque morfológico, con toda su importancia fundamental, no siempre es suficiente para resolver muchas tareas de la zoología moderna. Esto condujo a la amplia introducción de métodos moleculares, que en las últimas décadas se han transformado de herramienta auxiliar en componente estándar de la investigación zoológica.

Por qué los métodos morfológicos clásicos no siempre son suficientes

La identificación morfológica requiere una alta cualificación del especialista, consume mucho tiempo y a menudo es imposible para determinadas etapas del ciclo vital. Estas limitaciones se manifiestan con especial agudeza en las siguientes situaciones.

Especies crípticas. Muchos grupos animales contienen especies que son prácticamente indistinguibles por caracteres externos, pero que están reproductivamente aisladas y han divergido genéticamente. Tales especies se denominan crípticas o hermanas. Su existencia se conoce desde la época de Darwin, pero solo con la aparición de los métodos moleculares se hizo posible identificarlas y delimitarlas de forma fiable (Bickford et al., 2007). Por ejemplo, dentro de una misma especie morfológica pueden ocultarse varias líneas genéticamente distintas que no se cruzan en la naturaleza. Sin el análisis del ADN, tales especies permanecen sin reconocer, lo que distorsiona las estimaciones de biodiversidad y puede provocar errores en la práctica de conservación.

Estadios larvarios e individuos inmaduros. En muchos invertebrados, peces y anfibios, las larvas y los adultos son tan diferentes que durante mucho tiempo se asignaron a especies o incluso géneros distintos. La identificación morfológica de las larvas a menudo es imposible debido a la ausencia de caracteres diagnósticos. Los métodos moleculares permiten vincular una larva con un individuo adulto si se conoce la secuencia de ADN de al menos uno de ellos (Schierwater y DeSalle, 2022).

Ejemplares dañados y fragmentos. En la práctica de la investigación zoológica, especialmente en la agroesfera y la cuarentena, a menudo hay que tratar con fragmentos de cuerpos, huevos, exuvias larvarias o muestras muy dañadas en las que se han perdido los caracteres diagnósticos. El análisis morfológico en tales casos es imposible o poco fiable. La identificación molecular mediante un fragmento corto de ADN resuelve este problema (Floyd et al., 2010).

Análisis de la dieta y de las relaciones tróficas. El estudio de la alimentación animal se ha basado tradicionalmente en el análisis visual del contenido estomacal o en observaciones. Sin embargo, muchos componentes de la dieta se digieren hasta quedar irreconocibles. Los métodos moleculares permiten identificar restos de ADN de presas en estómagos, heces o sobre el cuerpo del depredador, lo que abre nuevas posibilidades para la investigación ecológica (Deiner et al., 2017).

Evaluación de la diversidad genética y la estructura poblacional. Para conservar especies y gestionar poblaciones es necesario conocer el nivel de diversidad genética, el grado de endogamia, el tamaño efectivo de la población y la presencia de barreras al flujo génico. Estos parámetros no pueden evaluarse solo a partir de la morfología. Aquí se requieren marcadores moleculares: microsatélites, SNP, secuencias de ADN mitocondrial y nuclear (Kulibaba et al., 2025; Wenne, 2023).

Qué tareas requieren métodos moleculares

Los métodos moleculares en zoología se emplean para resolver un amplio abanico de tareas, que pueden dividirse condicionalmente en varios grupos.

1. Identificación de especies. Esta es la tarea más evidente y masiva. La identificación molecular es especialmente importante para objetos de cuarentena, plagas agrícolas, vectores de enfermedades y especies invasoras (Floyd et al., 2010; Staats et al., 2016).

2. Delimitación de especies y descubrimiento de nuevos taxones. El código de barras de ADN y métodos filogenómicos más complejos permiten detectar especies crípticas, precisar los límites de las especies y describir nuevas especies que antes pasaban desapercibidas (Puillandre et al., 2012; Schierwater y DeSalle, 2022).

3. Investigación filogenética y evolutiva. La comparación de secuencias de ADN y genomas completos proporciona la clave para comprender las relaciones de parentesco entre taxones, las vías de evolución y la biogeografía (Hajibabaei et al., 2007; Yue, 2016).

4. Investigación ecológica. La metabarcodificación y el análisis de ADN ambiental (eDNA) permiten estudiar la diversidad de especies, las redes tróficas y la distribución de especies raras y esquivas sin necesidad de captura ni observación directa (Lentendu et al., 2022; Deiner et al., 2017).

5. Monitoreo y diagnóstico. En agricultura, veterinaria y salud pública, los métodos moleculares proporcionan un diagnóstico rápido y preciso de agentes patógenos, parásitos y plagas (Venbrux et al., 2023; Gunn, 2022).

Por qué los métodos moleculares se han convertido en el estándar de la zoología moderna

Varios factores han contribuido a la rápida difusión de los métodos moleculares en zoología.

Progreso tecnológico. El desarrollo de la reacción en cadena de la polimerasa (PCR) en la década de 1980 y el posterior desarrollo de los métodos de secuenciación de ADN hicieron que el análisis del material genético fuera accesible a un amplio círculo de investigadores. La secuenciación de Sanger y, más tarde, las tecnologías de secuenciación de nueva generación (NGS) permitieron obtener enormes volúmenes de datos de forma rápida y relativamente económica (Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

Estandarización. La introducción de un marcador estándar único —el gen de la citocromo-c-oxidasa I (COI)— para los animales y la creación de bases de datos internacionales, como BOLD (Barcode of Life Data System) y GenBank, garantizaron la posibilidad de comparar resultados de diferentes laboratorios y acumular secuencias de referencia (Ratnasingham y Hebert, 2007; Hajibabaei et al., 2007).

Integración con la taxonomía clásica. Los métodos moleculares no sustituyeron a la morfología, sino que la complementaron. La taxonomía integradora moderna utiliza todo el conjunto de datos —morfológicos, moleculares, ecológicos y geográficos— para una delimitación fiable de especies (Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022).

Demanda práctica. En áreas aplicadas —protección de plantas, cuarentena, pesquerías, conservación de la naturaleza— la velocidad y la precisión de la identificación son de importancia crítica. Los métodos moleculares permiten detectar una especie en las primeras etapas de invasión, cuando el diagnóstico morfológico aún no es posible, y tomar medidas oportunas (Floyd et al., 2010; Wenne, 2023).

Disponibilidad de datos y digitalización. El desarrollo de tecnologías de internet, colecciones digitales y bases de datos abiertas ha hecho que la información molecular sea accesible para investigadores de todo el mundo. Esto ha acelerado la acumulación de conocimientos y ampliado las posibilidades del análisis comparativo (Paton et al., 2025; Ratnasingham y Hebert, 2007).

Así, los métodos moleculares se han convertido en parte integral de la zoología moderna. Permiten resolver tareas que eran insolubles utilizando solo el enfoque morfológico y abren nuevos horizontes para el estudio del mundo animal. En las siguientes secciones examinaremos en detalle métodos moleculares y digitales concretos, sus posibilidades y limitaciones, así como ejemplos de su aplicación en zoología y en la agroesfera.

2. Código de barras de ADN: principio del método

El código de barras de ADN es un método de identificación molecular de especies basado en el uso de fragmentos cortos estandarizados de ADN que son suficientemente variables para distinguir especies, pero lo bastante conservados para poder amplificarlos en un amplio abanico de organismos con cebadores universales (Hebert et al., 2003; Hajibabaei et al., 2007). La idea del método se compara figuradamente con un código de barras de un producto: cada secuencia de nucleótidos es única para una especie, como un código de barras para un producto en una tienda (Galimberti et al., 2013). El código de barras de ADN no sustituye a la taxonomía clásica, sino que sirve como herramienta potente para la identificación rápida y fiable de especies ya descritas, así como para detectar taxones potencialmente nuevos (Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022).

El gen COI como marcador estándar para animales

Para los animales se propuso como código de barras de ADN estándar una región del gen mitocondrial de la citocromo-c-oxidasa I (COI, cox1) de unos 648 pares de bases (Hebert et al., 2003). Esta elección no fue casual y se basó en varias propiedades importantes del COI.

Universalidad de los cebadores. Para el gen COI se han desarrollado cebadores universales que amplifican eficazmente esta región en la inmensa mayoría de los animales, desde insectos y moluscos hasta vertebrados (Folmer et al., 1994; Hajibabaei et al., 2007). Esto permite utilizar un protocolo estándar único para diferentes grupos taxonómicos.

Alta variabilidad interespecífica y baja variabilidad intraespecífica. El COI posee suficiente variabilidad para distinguir especies cercanamente emparentadas, pero dentro de una misma especie la variabilidad suele ser notablemente inferior a la existente entre especies. Esta relación se denomina «brecha de código de barras» (barcode gap), y precisamente en su existencia se basa la posibilidad de identificación (Meyer y Paulay, 2005; Puillandre et al., 2012). En promedio, las diferencias interespecíficas en el COI en animales ascienden a varios por ciento, mientras que las intraespecíficas normalmente no superan el 1–2% (Hebert et al., 2003; Hajibabaei et al., 2007).

Ausencia de intrones e indels raros. El gen mitocondrial COI no contiene intrones y rara vez presenta inserciones y deleciones, lo que simplifica la alineación de secuencias y el análisis (Hebert et al., 2003; Floyd et al., 2010).

Elevado número de copias. El ADN mitocondrial está presente en la célula en cientos y miles de copias, lo que facilita la amplificación incluso a partir de pequeñas cantidades de tejido y de muestras parcialmente degradadas (Hajibabaei et al., 2007; Staats et al., 2016).

Herencia sin recombinación. El ADN mitocondrial se hereda por vía materna y no está sujeto a recombinación, lo que simplifica la interpretación de los resultados (Hajibabaei et al., 2007).

Es importante subrayar que el COI es el estándar específicamente para animales. Para las plantas, cuyo genoma mitocondrial evoluciona demasiado lentamente, se propusieron otros marcadores: una combinación de los genes plastidiales rbcL y matK, así como loci adicionales como trnH-psbA e ITS2 (Hollingsworth et al., 2009; Galimberti et al., 2013; Staats et al., 2016). Para los hongos se adoptó como código de barras estándar la región ITS del ADN ribosómico nuclear (Schoch et al., 2012; Schierwater y DeSalle, 2022).

Procedimiento del código de barras de ADN

El procedimiento del código de barras de ADN incluye varias etapas sucesivas, cada una de las cuales tiene sus particularidades y requisitos de calidad.

1. Extracción de ADN

El primer paso es la extracción de ADN total de una muestra de tejido. Para los animales puede ser un fragmento de pata de insecto, un trozo de aleta de pez, una pluma de ave, pelo de mamífero o incluso restos de material biológico. La cantidad de tejido puede ser mínima, ya que la PCR permite amplificar ADN a partir de unas pocas células (Hajibabaei et al., 2007). Existen protocolos especiales de extracción de ADN optimizados para diferentes tipos de muestras, incluidos ejemplares de museo y muestras de herbario (Ivanova et al., 2006; Staats et al., 2016).

2. Reacción en cadena de la polimerasa (PCR)

En esta etapa se amplifica la región diana del gen COI utilizando cebadores específicos. Normalmente se emplean cebadores universales, como LCO1490 y HCO2198 (Folmer et al., 1994), o sus modificaciones desarrolladas para mejorar la amplificación en diferentes grupos animales (Ivanova et al., 2007; Geller et al., 2013). La PCR permite obtener millones de copias del fragmento diana a partir de la muestra original, lo que hace posible la posterior secuenciación (Schierwater y DeSalle, 2022).

3. Secuenciación

Tras la amplificación, el producto de PCR se somete a secuenciación: determinación de la secuencia de nucleótidos. Tradicionalmente se utilizaba para ello el método de Sanger, que sigue siendo el estándar para obtener secuencias de alta calidad de fragmentos individuales (Schierwater y DeSalle, 2022). En los últimos años se utilizan cada vez más las tecnologías de secuenciación de nueva generación (NGS), que permiten secuenciar millones de fragmentos simultáneamente, lo que es especialmente importante para la metabarcodificación y el análisis de muestras mixtas (Taylor y Harris, 2012; Staats et al., 2016; Deiner et al., 2017).

4. Comparación con una base de datos

La secuencia obtenida se compara con secuencias de referencia almacenadas en bases de datos especializadas. Si la secuencia coincide con una secuencia conocida de una especie con un alto porcentaje de similitud (normalmente superior al 98–99%), se concluye la pertenencia específica de la muestra (Ratnasingham y Hebert, 2007; Hajibabaei et al., 2007). Si la coincidencia es incompleta, esto puede indicar una nueva especie, una especie críptica o la ausencia de una secuencia de referencia para el taxón dado en la base de datos (Collins y Cruickshank, 2013).

Bases de datos: BOLD y GenBank

La eficacia del código de barras de ADN depende directamente de la exhaustividad y calidad de las bases de datos de referencia. Los dos principales repositorios de secuencias son GenBank y BOLD.

GenBank es una base de datos internacional de secuencias de nucleótidos mantenida por el Centro Nacional de Información Biotecnológica (NCBI) de EE. UU. junto con el Instituto Europeo de Bioinformática (EMBL-EBI) y la Base de Datos de ADN de Japón (DDBJ). GenBank contiene millones de secuencias de organismos muy diversos, pero no todas van acompañadas de información detallada sobre la muestra, su procedencia y su identidad taxonómica (Benson et al., 2012; Hajibabaei et al., 2007).

BOLD (Barcode of Life Data System) es una base de datos especializada creada específicamente para el código de barras de ADN. BOLD se diferencia de GenBank en varias características importantes (Ratnasingham y Hebert, 2007):

1. Estándares de datos estrictos. Para incluir un registro en BOLD deben cumplirse siete requisitos: nombre específico, datos del voucher (ejemplar de museo), datos de recolección (lugar, fecha, colector), identificador, secuencia COI de al menos 500 pares de bases, información sobre los cebadores y archivos de trazas de secuenciación (Ratnasingham y Hebert, 2007; Hanner, 2005).

2. Vínculo con ejemplares voucher. Cada secuencia en BOLD está vinculada a un ejemplar físico concreto conservado en una colección de museo, lo que garantiza la posibilidad de reverificar la identificación (Ratnasingham y Hebert, 2007).

3. Herramientas de análisis. BOLD ofrece a los usuarios herramientas para el análisis de secuencias, incluida la construcción de árboles, la búsqueda de vecinos más cercanos y la identificación de muestras desconocidas (Ratnasingham y Hebert, 2007).

4. Sistema BIN. El Barcode Index Number (BIN) es un sistema de agrupamiento automático de secuencias COI que asigna un número único a cada grupo. Los grupos BIN a menudo corresponden a especies, lo que permite utilizarlos para verificar identificaciones y detectar especies potencialmente nuevas (Ratnasingham y Hebert, 2013).

Gracias a estas características, BOLD se ha convertido en el recurso principal para el código de barras de ADN de animales. Para 2012, BOLD contenía más de 1,7 millones de secuencias de 160.000 especies nombradas, y este número sigue creciendo rápidamente (Watson, 2015, capítulo 22).

Por qué el código de barras de ADN revolucionó la identificación

El código de barras de ADN produjo una auténtica revolución en la práctica de la investigación zoológica y el diagnóstico aplicado por varias razones.

Estandarización. Un marcador estándar único para todos los animales permitió crear una biblioteca de referencia global que se nutre del esfuerzo de miles de investigadores de todo el mundo. Esto garantizó la posibilidad de comparar resultados obtenidos en diferentes laboratorios y acumular datos en un formato único (Hebert et al., 2003; Ratnasingham y Hebert, 2007).

Accesibilidad. El código de barras de ADN no requiere conocimientos profundos de la sistemática de un grupo concreto. Una vez obtenida la secuencia, la identificación se reduce a la comparación con una base de datos, lo que hace el método accesible para no especialistas: ecólogos, agrónomos, personal de servicios de cuarentena (Floyd et al., 2010; Schierwater y DeSalle, 2022).

Velocidad. La identificación mediante código de barras de ADN tarda desde varias horas hasta varios días, mientras que la identificación morfológica de grupos complejos puede requerir semanas o meses de trabajo de un experto (Floyd et al., 2010).

Universalidad. El método es aplicable a cualquier etapa del ciclo vital, a fragmentos corporales e incluso a restos de material biológico, lo que abre posibilidades inaccesibles para la morfología (Hajibabaei et al., 2007; Staats et al., 2016).

Objetividad. El resultado de la identificación se expresa como un valor numérico de similitud de secuencias, lo que reduce la subjetividad inherente al análisis morfológico (Collins y Cruickshank, 2013).

No obstante, como se mostrará en la siguiente sección, el código de barras de ADN tiene una serie de limitaciones, y sus resultados requieren una interpretación cuidadosa y validación mediante datos independientes (Collins y Cruickshank, 2013; Taylor y Harris, 2012).

AliExpress WW

3. Posibilidades del código de barras de ADN

El código de barras de ADN proporciona a los zoólogos y profesionales una serie de posibilidades únicas que no están disponibles o son difíciles de realizar utilizando solo métodos morfológicos. Estas posibilidades se derivan de la propia naturaleza del método: el análisis de ADN no depende de caracteres externos, del estadio de desarrollo ni de la integridad del organismo. Consideremos las principales.

Identificación de especies independientemente del estadio de desarrollo y del sexo

Una de las ventajas más significativas del código de barras de ADN es la posibilidad de identificar un organismo en cualquier etapa del ciclo vital. En muchos animales, los estadios larvarios, los huevos, las pupas o los individuos inmaduros difieren morfológicamente tanto de las formas adultas que su pertenencia específica no puede establecerse por métodos tradicionales. El código de barras de ADN resuelve este problema, ya que la secuencia del gen COI es idéntica en todas las etapas de desarrollo de un organismo (Hajibabaei et al., 2007; Schierwater y DeSalle, 2022).

Un ejemplo clásico es la identificación de larvas de insectos, que a menudo carecen de caracteres diagnósticos. El código de barras de ADN permite vincular una larva con un individuo adulto si la secuencia COI de la larva coincide con la de un ejemplar adulto conocido (Floyd et al., 2010). Esto es especialmente importante para el control fitosanitario, donde las larvas de plagas pueden encontrarse en frutos, semillas o materiales vegetales mucho antes de la aparición de los adultos (Floyd et al., 2010; Staats et al., 2016).

De manera similar, el método permite identificar individuos de diferentes sexos que en algunas especies difieren tanto que fueron descritos como especies distintas. Por ejemplo, en muchas mariposas, machos y hembras tienen coloración y tamaño diferentes. El código de barras de ADN permite establecer que pertenecen a la misma especie (Hajibabaei et al., 2007; Watson, 2015, capítulo 22).

Delimitación de especies crípticas

Las especies crípticas son especies morfológicamente indistinguibles o que difieren de manera extremadamente leve, pero que están reproductivamente aisladas y han divergido genéticamente. El código de barras de ADN es una herramienta potente para detectar tales especies, ya que las diferencias genéticas entre ellas suelen superar la variabilidad intraespecífica (Bickford et al., 2007; Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022).

La detección de especies crípticas tiene importantes consecuencias prácticas. Por ejemplo, en agricultura, diferentes especies crípticas de plagas pueden diferir en su resistencia a los pesticidas, el espectro de cultivos dañados o su fenología. Sin identificación molecular, es imposible desarrollar medidas de control eficaces (Floyd et al., 2010). En conservación de la naturaleza, las especies crípticas pueden requerir estrategias de conservación diferentes, y su no distinción conduce a una subestimación de la biodiversidad (Bickford et al., 2007; Wenne, 2023).

El código de barras de ADN también ayuda a detectar casos en los que una especie morfológica representa en realidad un complejo de varias líneas genéticamente distintas. Tales complejos se han encontrado en muchos grupos animales, desde insectos hasta mamíferos (Hebert et al., 2004; Smith et al., 2008; Wenne, 2023).

Identificación de ejemplares dañados

En el trabajo práctico a menudo hay que tratar con fragmentos corporales, muestras dañadas o parcialmente destruidas en las que se han perdido los caracteres morfológicos diagnósticos. Pueden ser restos de insectos en trampas, fragmentos de tejidos, huevos, exuvias larvarias o contenido estomacal de depredadores. El código de barras de ADN permite identificar tales muestras, ya que para el análisis basta una cantidad mínima de ADN (Hajibabaei et al., 2007; Floyd et al., 2010).

Esta posibilidad es especialmente valiosa en las siguientes situaciones:

1. Control de cuarentena. Durante la inspección de cargamentos a menudo se encuentran fragmentos de insectos o plantas que no pueden identificarse morfológicamente. El código de barras de ADN permite establecer rápidamente la especie y decidir las medidas de cuarentena (Floyd et al., 2010; Staats et al., 2016).

2. Peritaje forense. En casos de comercio ilegal de animales o productos derivados de ellos (por ejemplo, derivados de especies raras), la identificación morfológica puede ser imposible. El código de barras de ADN se utiliza para establecer la pertenencia específica del material confiscado (Staats et al., 2016; Wenne, 2023).

3. Análisis de muestras arqueológicas y de museo. Las muestras antiguas o históricas a menudo están fragmentadas o degradadas. El código de barras de ADN permite identificar especies a partir de fragmentos de ADN conservados (Hajibabaei et al., 2007; Staats et al., 2016).

Detección de especies en muestras mixtas

El código de barras de ADN, combinado con métodos de secuenciación de nueva generación (NGS), permite analizar muestras mixtas que contienen ADN de varias especies simultáneamente. Esto abre posibilidades para estudiar la biodiversidad sin necesidad de aislar e identificar morfológicamente cada individuo (Deiner et al., 2017; Lentendu et al., 2022).

Ejemplos de aplicación son:

1. Análisis del contenido de trampas. Las trampas (luminosas, de feromonas, de suelo) a menudo recolectan muchos individuos de diferentes especies. La metabarcodificación permite determinar la composición específica de la captura sin separación manual (Lentendu et al., 2022).

2. Análisis de la dieta. El código de barras de ADN permite identificar restos de presas en estómagos, heces o sobre el cuerpo de depredadores, lo que da una idea de las relaciones tróficas en los ecosistemas (Deiner et al., 2017; Watson, 2015, capítulo 22).

3. Monitoreo de la biodiversidad. El análisis de ADN de muestras de agua, suelo o aire (eDNA) permite evaluar la diversidad de especies sin captura directa de organismos (Deiner et al., 2017).

Diagnóstico rápido de objetos de cuarentena

Para la protección de plantas y la cuarentena, la velocidad y la precisión de la identificación son de importancia crítica. El código de barras de ADN proporciona un diagnóstico rápido y fiable de objetos de cuarentena, lo que permite tomar medidas oportunas para prevenir su propagación (Floyd et al., 2010; Staats et al., 2016).

El uso del código de barras de ADN en cuarentena incluye:

1. Identificación de plagas en la frontera. Durante la inspección de cargamentos importados a menudo se encuentran insectos, ácaros, nematodos u otros organismos que pueden ser de cuarentena. La identificación molecular permite establecer rápidamente la especie y decidir la necesidad de medidas de cuarentena (Floyd et al., 2010).

2. Detección de infestaciones ocultas. Algunas plagas se desarrollan dentro de frutos, semillas o tejidos vegetales y no son visibles durante la inspección externa. El código de barras de ADN permite detectar su presencia por rastros de ADN (Floyd et al., 2010; Staats et al., 2016).

3. Identificación de vectores de enfermedades. Muchas enfermedades de plantas y animales son transmitidas por artrópodos. El código de barras de ADN permite identificar con precisión los vectores, lo que es importante para la vigilancia epidemiológica (Floyd et al., 2010; Wenne, 2023).

4. Control de calidad de semillas y material de plantación. El código de barras de ADN permite detectar la contaminación de semillas y material de plantación por patógenos y plagas, previniendo la propagación de organismos peligrosos (Staats et al., 2016).

Por qué estas posibilidades son especialmente importantes para la protección de plantas y la cuarentena

La protección de plantas y la cuarentena son áreas donde los métodos moleculares, y en particular el código de barras de ADN, tienen un valor práctico especialmente alto. Esto se debe a una serie de circunstancias.

Altas pérdidas económicas. Las plagas invasoras y los agentes patógenos de plantas causan enormes daños a la agricultura. La identificación rápida y precisa permite prevenir su propagación y reducir las pérdidas (Floyd et al., 2010; Staats et al., 2016).

Necesidad de decisiones rápidas. En la práctica cuarentenaria, las decisiones deben tomarse rápidamente, a menudo en cuestión de horas o días. La identificación morfológica puede llevar demasiado tiempo, especialmente si se requiere la ayuda de un especialista concreto. El código de barras de ADN permite obtener un resultado en plazos ajustados (Floyd et al., 2010).

Recursos expertos limitados. El número de taxónomos cualificados capaces de identificar determinados grupos de organismos es limitado. El código de barras de ADN permite utilizar datos moleculares para la identificación incluso en ausencia de un especialista en el grupo dado (Floyd et al., 2010; Schierwater y DeSalle, 2022).

Estandarización y reproducibilidad. Los resultados del código de barras de ADN se estandarizan fácilmente y pueden reproducirse en diferentes laboratorios. Esto es importante para la cooperación internacional en materia de cuarentena y fitosanidad (Floyd et al., 2010; Ratnasingham y Hebert, 2007).

Posibilidad de detección temprana. El código de barras de ADN permite detectar una especie en las primeras etapas de invasión, cuando la abundancia de la población aún es baja y el control morfológico es ineficaz. Esto da la posibilidad de tomar medidas antes de que la especie se propague (Floyd et al., 2010; Deiner et al., 2017).

Así, el código de barras de ADN ofrece un amplio abanico de posibilidades para la identificación de especies que no están disponibles cuando se utilizan solo métodos morfológicos. Sin embargo, como se mostrará en la siguiente sección, el método también tiene limitaciones que deben tenerse en cuenta para una correcta interpretación de los resultados.

4. Limitaciones del código de barras de ADN

A pesar de sus amplias posibilidades y creciente popularidad, el código de barras de ADN no es una solución universal para todos los problemas de identificación. El método tiene una serie de limitaciones fundamentales que deben tenerse en cuenta al interpretar los resultados. Comprender estas limitaciones es de importancia crítica para la correcta aplicación del método y para evitar errores que desacrediten la propia idea de la identificación molecular (Collins y Cruickshank, 2013; Taylor y Harris, 2012).

Por qué el método no siempre da un resultado inequívoco

El código de barras de ADN se basa en varios supuestos que no siempre se cumplen en los sistemas biológicos reales. El supuesto clave es que las diferencias genéticas interespecíficas en el gen COI superan las intraespecíficas, es decir, que existe la llamada «brecha de código de barras» (barcode gap) (Meyer y Paulay, 2005; Puillandre et al., 2012). Sin embargo, esta condición no se cumple para todos los grupos de organismos ni para todas las especies.

En algunos taxones, la variabilidad intraespecífica del COI puede ser comparable a la interespecífica o incluso superarla. Esto se observa, por ejemplo, en algunos anfibios, donde la alta variabilidad del ADN mitocondrial y los problemas con los cebadores hacen que el código de barras de ADN sea especialmente difícil (Vences et al., 2005; Taylor y Harris, 2012). En otros grupos, por el contrario, las diferencias interespecíficas pueden ser tan pequeñas que la brecha de código de barras está ausente. En tales casos, el método no permite delimitar de forma fiable especies cercanamente emparentadas (Wiemers y Fiedler, 2007; Collins y Cruickshank, 2013).

Además, el resultado de la identificación se ve influido por factores metodológicos: la elección del modelo de evolución, el método de alineación de secuencias, los valores umbral de similitud. Diferentes enfoques analíticos pueden dar resultados diferentes sobre los mismos datos (Collins y Cruickshank, 2013; Taylor y Harris, 2012). Esto significa que el código de barras de ADN no es un método completamente objetivo: requiere una interpretación cualificada y la comprensión de las limitaciones de los algoritmos utilizados.

El problema de la ausencia de secuencias de referencia

La eficacia del código de barras de ADN depende directamente de la exhaustividad de las bases de datos de referencia. Para identificar una muestra desconocida, es necesario que en la base de datos (BOLD, GenBank) esté presente una secuencia COI de un ejemplar identificado de forma fiable de la misma especie (Ratnasingham y Hebert, 2007; Hajibabaei et al., 2007).

Sin embargo, para muchos grupos animales las secuencias de referencia están ausentes o insuficientemente representadas. Este problema es especialmente agudo para invertebrados tropicales, organismos marinos, parásitos y muchos otros taxones que siguen estando poco estudiados (Taylor y Harris, 2012; Watson, 2015, capítulo 22). Según las estimaciones, para 2012 BOLD tenía alrededor de 1,7 millones de secuencias de 160.000 especies nombradas, lo que constituye solo una pequeña fracción del número total de especies animales descritas (Watson, 2015, capítulo 22). Para muchos grupos, especialmente de regiones ricas en biodiversidad, la cobertura sigue siendo extremadamente incompleta (Taylor y Harris, 2012).

Si no existe una secuencia de referencia, el código de barras de ADN no puede proporcionar una identificación específica. En el mejor de los casos, permite determinar la pertenencia a un taxón superior (género, familia) o detectar una especie potencialmente nueva, pero no nombrarla (Collins y Cruickshank, 2013; Ratnasingham y Hebert, 2007). Esta limitación es especialmente significativa para tareas aplicadas en las que se requiere un nombre específico exacto, por ejemplo, para cuarentena o peritaje forense (Floyd et al., 2010).

Además, la calidad de los datos de referencia puede ser heterogénea. Algunos registros en GenBank e incluso en BOLD pueden contener errores de identificación, lo que provoca resultados falsos al comparar (Collins y Cruickshank, 2013; Taylor y Harris, 2012). El problema se agrava porque no todos los registros van acompañados de información sobre el ejemplar voucher, lo que hace imposible reverificar la identificación (Ratnasingham y Hebert, 2007; Floyd et al., 2010).

El problema de la hibridación

La hibridación entre especies cercanamente emparentadas representa un problema grave para el código de barras de ADN. Durante la hibridación se produce un intercambio de material genético entre especies, y el ADN mitocondrial puede heredarse de una especie mientras que el nuclear proviene de otra. Este fenómeno se denomina introgresión mitocondrial (Taylor y Harris, 2012; Wenne, 2023).

Como resultado, un individuo híbrido puede portar la secuencia mitocondrial de una especie parental, mientras que por caracteres morfológicos y nucleares está más próximo a la otra. El código de barras de ADN basado en el COI en tal caso dará una identificación que no corresponde a la verdadera identidad taxonómica del individuo (Taylor y Harris, 2012; Wenne, 2023).

La hibridación está ampliamente extendida en la naturaleza, especialmente en plantas, peces, anfibios y algunos invertebrados. En la agroesfera, la hibridación puede ocurrir entre parientes cultivados y silvestres, lo que crea dificultades adicionales para la identificación (Wenne, 2023; Galimberti et al., 2013). Para detectar híbridos se requiere el análisis de varios marcadores independientes, tanto mitocondriales como nucleares (Wenne, 2023; Taylor y Harris, 2012).

El problema de los pseudogenes mitocondriales (NUMTs)

Otro problema grave es la presencia en el genoma nuclear de copias de genes mitocondriales, los llamados NUMTs (nuclear mitochondrial pseudogenes) (Taylor y Harris, 2012; Schierwater y DeSalle, 2022). Estas secuencias surgieron como resultado de la transferencia de fragmentos de ADN mitocondrial al genoma nuclear y pueden persistir allí durante mucho tiempo.

Los NUMTs pueden amplificarse junto con el ADN mitocondrial verdadero durante la PCR, ya que los cebadores no siempre distinguen ambas formas. Como resultado, la secuenciación puede dar una secuencia mixta o falsa, lo que conduce a una identificación errónea (Taylor y Harris, 2012; Schierwater y DeSalle, 2022). Los NUMTs son especialmente frecuentes en algunos grupos animales, por ejemplo en insectos y nematodos (Taylor y Harris, 2012).

Para combatir este problema se utilizan métodos especiales: análisis de las trazas de secuenciación, comprobación de la presencia de codones de parada, comparación con secuencias conocidas y uso de cebadores específicos solo para ADN mitocondrial (Taylor y Harris, 2012; Schierwater y DeSalle, 2022). Sin embargo, no siempre es posible excluir por completo la influencia de los NUMTs, especialmente cuando se trabaja con muestras degradadas.

Por qué el código de barras de ADN requiere validación con datos morfológicos

El código de barras de ADN no sustituye a la taxonomía morfológica, sino que la complementa. Esta es una posición fundamental subrayada por todos los especialistas líderes en identificación molecular (Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

Las razones de la necesidad de validación morfológica son las siguientes:

1. Las secuencias de referencia deben estar vinculadas a ejemplares identificados de forma fiable. Si la pertenencia específica de la muestra de la que se obtuvo la secuencia se establece incorrectamente, todas las identificaciones posteriores basadas en esta secuencia serán erróneas. Por ello, los ejemplares voucher deben ser identificados por taxónomos cualificados (Ratnasingham y Hebert, 2007; Collins y Cruickshank, 2013).

2. Los caracteres morfológicos contienen información no disponible para el COI. Muchos caracteres taxonómicamente importantes (estructura de los genitales, particularidades del esqueleto, anatomía interna) no se reflejan en la secuencia del COI. La morfología permite identificar caracteres diagnósticos que pueden utilizarse para describir nuevas especies (Schierwater y DeSalle, 2022; Watson, 2015, capítulo 22).

3. El código de barras de ADN no siempre distingue especies cercanamente emparentadas. En casos de ausencia de brecha de código de barras o de hibridación, los datos morfológicos pueden ser decisivos para una identificación correcta (Collins y Cruickshank, 2013; Taylor y Harris, 2012).

4. La taxonomía integradora es el estándar moderno. La taxonomía moderna requiere un enfoque integral en el que los datos moleculares se utilizan junto con los morfológicos, ecológicos y geográficos (Schierwater y DeSalle, 2022; Collins y Cruickshank, 2013).

Por qué el método no sustituye, sino que complementa la taxonomía clásica

El código de barras de ADN se percibe a menudo como una alternativa a la taxonomía morfológica clásica, pero esto es incorrecto. El método fue desarrollado precisamente como herramienta para identificar especies ya descritas, no para describirlas o reclasificarlas (Hebert et al., 2003; Collins y Cruickshank, 2013).

La taxonomía clásica resuelve tareas que el código de barras de ADN fundamentalmente no puede resolver:

1. Descripción de nuevas especies. Para describir una nueva especie se requiere no solo una secuencia genética, sino también una caracterización morfológica, la designación de un ejemplar tipo y el análisis de caracteres diagnósticos (Schierwater y DeSalle, 2022; Watson, 2015, capítulo 22).

2. Establecimiento de relaciones filogenéticas. Un solo gen (COI) no proporciona información suficiente para la reconstrucción filogenética. Para ello se requieren múltiples marcadores nucleares y mitocondriales, así como datos morfológicos (Hajibabaei et al., 2007; Schierwater y DeSalle, 2022).

3. Estudio de la biología y ecología de las especies. Los datos morfológicos, conductuales y ecológicos son necesarios para comprender los ciclos vitales, las relaciones tróficas y las adaptaciones que no se reflejan en la secuencia de ADN (Schierwater y DeSalle, 2022).

4. Cuestiones nomenclaturales. La asignación de nombres científicos y la resolución de problemas nomenclaturales están reguladas por códigos internacionales (ICZN para animales), que operan con caracteres morfológicos y ejemplares tipo (Schierwater y DeSalle, 2022).

El código de barras de ADN es, por tanto, una herramienta potente que amplía las posibilidades de la taxonomía clásica, pero no la sustituye. Permite identificar rápidamente especies, detectar especies crípticas y analizar la biodiversidad, pero las decisiones taxonómicas finales deben tomarse sobre la base de la integración de todos los datos disponibles (Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

Comprender las limitaciones del código de barras de ADN permite evitar errores e interpretar correctamente los resultados. En las siguientes secciones examinaremos otros métodos moleculares que complementan el código de barras de ADN y permiten resolver tareas inaccesibles para este método.

5. Otros métodos moleculares

El código de barras de ADN, basado en el análisis de un marcador estándar único (COI), resuelve la tarea de identificación de especies, pero no agota todas las posibilidades de la biología molecular en zoología. Para muchas tareas de investigación y aplicadas se requieren otros enfoques que permitan obtener información más completa sobre el genoma, la estructura poblacional, las relaciones evolutivas o la composición de comunidades enteras. En esta sección examinaremos los principales métodos moleculares que complementan el código de barras de ADN y discutiremos qué tareas resuelve cada uno de ellos.

Secuenciación de genomas completos

La secuenciación de genomas completos (whole genome sequencing, WGS) representa el enfoque más completo para obtener información genética. A diferencia del código de barras de ADN, que analiza solo un pequeño fragmento de un gen, la WGS permite determinar la secuencia de todo el ADN nuclear y mitocondrial de un organismo (Schierwater y DeSalle, 2022).

Las tecnologías de secuenciación de nueva generación (NGS) han hecho que la secuenciación de genomas completos sea accesible para muchos grupos animales, aunque el coste del análisis sigue siendo significativo para proyectos grandes. Las plataformas modernas, como Illumina, PacBio y Oxford Nanopore, permiten obtener secuencias de longitud desde varios cientos de pares de bases hasta decenas de miles de pares, lo que garantiza la posibilidad de ensamblar genomas con diferente grado de completitud (Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

La aplicación de la WGS en zoología incluye:

1. Estudio de la estructura y evolución de los genomas. La comparación de genomas completos de diferentes especies permite detectar grandes reordenamientos cromosómicos, duplicaciones génicas, elementos móviles y otros cambios genómicos asociados a la evolución (Schierwater y DeSalle, 2022).

2. Búsqueda de genes asociados a adaptaciones. Los datos genómicos completos permiten identificar genes y elementos reguladores responsables de adaptaciones ecológicas, resistencia a enfermedades y caracteres conductuales (Wenne, 2023; Schierwater y DeSalle, 2022).

3. Filogenómica. El uso de múltiples genes de genomas completos para construir árboles filogenéticos da resultados más fiables que el análisis de uno o varios marcadores (Schierwater y DeSalle, 2022; Yue, 2016).

4. Conservación de recursos genéticos. Los datos genéticos obtenidos mediante WGS pueden utilizarse para desarrollar estrategias de conservación de especies raras y amenazadas (Wenne, 2023; Kulibaba et al., 2025).

Sin embargo, la WGS también tiene limitaciones. En primer lugar, para muchas especies, especialmente raras y poco estudiadas, obtener suficiente cantidad de ADN de calidad puede ser difícil. En segundo lugar, el ensamblaje y la anotación de genomas requieren importantes recursos computacionales y cualificación bioinformática. En tercer lugar, el coste de la secuenciación y el análisis de genomas completos sigue siendo alto para estudios masivos (Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

Transcriptómica

La transcriptómica es el análisis del conjunto de todas las moléculas de ARN expresadas en una célula, tejido u organismo en un momento determinado. A diferencia de la genómica, que estudia la secuencia estática de ADN, la transcriptómica permite evaluar qué genes están activos y con qué intensidad se expresan (Schierwater y DeSalle, 2022; Kulibaba et al., 2025).

El método principal del análisis transcriptómico es la RNA-seq: secuenciación de ADNc obtenido por transcripción inversa a partir de moléculas de ARNm. Este enfoque permite analizar simultáneamente la expresión de miles de genes y detectar splicing alternativo, lo que da una idea de la actividad funcional del genoma (Schierwater y DeSalle, 2022).

La aplicación de la transcriptómica en zoología incluye:

1. Estudio de la expresión génica en respuesta al estrés. El análisis transcriptómico permite identificar genes que se activan bajo la exposición a factores adversos: temperatura, salinidad, patógenos, toxinas (Kulibaba et al., 2025; Schierwater y DeSalle, 2022).

2. Identificación de genes asociados al desarrollo. La comparación de transcriptomas en diferentes etapas de la ontogenia permite identificar genes que regulan el desarrollo y la diferenciación de tejidos (Schierwater y DeSalle, 2022).

3. Estudio de adaptaciones. El análisis de transcriptomas de organismos de diferentes condiciones ambientales permite comprender las bases moleculares de las adaptaciones (Wenne, 2023; Schierwater y DeSalle, 2022).

4. Desarrollo de marcadores moleculares. Los datos transcriptómicos se utilizan para identificar SNP y microsatélites, que luego se aplican en estudios poblacionales (Kulibaba et al., 2025; Wenne, 2023).

La transcriptómica tiene una serie de limitaciones. En primer lugar, la expresión génica depende de muchos factores, incluida la hora del día, el estado fisiológico y las condiciones de mantenimiento, lo que dificulta la comparación de resultados de diferentes estudios. En segundo lugar, para obtener un transcriptoma de calidad se requiere tejido fresco con ARN intacto, lo que no siempre es posible (Schierwater y DeSalle, 2022).

Filogenómica

La filogenómica es un campo que utiliza datos sobre secuencias de múltiples genes o genomas completos para reconstruir las relaciones evolutivas entre organismos. Surgió como respuesta a las limitaciones del análisis filogenético basado en uno o varios genes (Schierwater y DeSalle, 2022; Yue, 2016).

La filogenética tradicional utilizaba a menudo uno o varios marcadores (por ejemplo, ARNr 18S, COI) para construir árboles. Sin embargo, los genes individuales pueden tener su propia historia evolutiva que no coincide con la historia de las especies (fenómeno de clasificación incompleta de linajes, incomplete lineage sorting). Además, diferentes genes pueden evolucionar a velocidades distintas y estar sometidos a presiones selectivas diferentes, lo que conduce a señales conflictivas (Yue, 2016; Schierwater y DeSalle, 2022).

La filogenómica resuelve estos problemas analizando cientos o miles de genes simultáneamente. Tal enfoque permite obtener reconstrucciones filogenéticas más fiables y robustas, especialmente para resolver nodos evolutivos profundos (Schierwater y DeSalle, 2022; Yue, 2016).

La aplicación de la filogenómica en zoología incluye:

1. Resolución de cuestiones filogenéticas profundas. Por ejemplo, la determinación de la posición de las tortugas entre los reptiles, la precisión de las relaciones de parentesco entre los principales grupos de insectos, la resolución de la cuestión de la divergencia basal de los animales (Yue, 2016; Schierwater y DeSalle, 2022).

2. Estudio de radiaciones rápidas. La filogenómica permite resolver las relaciones entre especies que divergieron rápida y relativamente recientemente, donde los genes individuales no han acumulado suficientes diferencias (Schierwater y DeSalle, 2022).

3. Estudio de hibridación e introgresión. El análisis de múltiples genes permite detectar casos de hibridación e introgresión que pueden pasar desapercibidos al analizar un solo marcador (Yue, 2016; Wenne, 2023).

La filogenómica requiere importantes recursos computacionales y bioinformáticos cualificados. Además, para muchos grupos animales aún no existen datos genómicos completos, lo que limita la aplicación del método (Schierwater y DeSalle, 2022; Yue, 2016).

Microsatélites

Los microsatélites, o secuencias simples repetidas (SSR, STR), son repeticiones en tándem cortas de 2–6 pares de bases, ampliamente distribuidas en los genomas de eucariotas. Estas secuencias poseen un alto nivel de polimorfismo, lo que las convierte en valiosos marcadores moleculares para estudios poblacionales (Kulibaba et al., 2025; Wenne, 2023).

Los microsatélites se heredan de forma codominante, lo que permite distinguir genotipos homocigotos y heterocigotos. Su análisis se basa en la amplificación de loci concretos mediante PCR seguida de la determinación de la longitud de los productos, que depende del número de repeticiones (Kulibaba et al., 2025).

La aplicación de los microsatélites en zoología incluye:

1. Evaluación de la diversidad genética de poblaciones. Los microsatélites permiten evaluar el nivel de heterocigosidad, la diversidad alélica y el tamaño efectivo de la población (Kulibaba et al., 2025; Wenne, 2023).

2. Estudio de la estructura poblacional. El análisis de las frecuencias alélicas de los loci microsatélite permite detectar la diferenciación genética entre poblaciones, evaluar el nivel de flujo génico e identificar barreras a la migración (Kulibaba et al., 2025; Wenne, 2023).

3. Establecimiento de parentesco y paternidad. Los microsatélites se utilizan ampliamente para determinar la paternidad, analizar relaciones de parentesco y evaluar la endogamia en poblaciones naturales y en cautividad (Kulibaba et al., 2025; Wenne, 2023).

4. Monitoreo de las consecuencias genéticas del impacto antrópico. Los microsatélites permiten evaluar la influencia de la fragmentación del hábitat, la introducción de especies exóticas y el cambio climático sobre la diversidad genética de las poblaciones (Kulibaba et al., 2025; Wenne, 2023).

Los microsatélites tienen una serie de ventajas: alta variabilidad, herencia codominante, coste de análisis relativamente bajo y posibilidad de uso para especies cercanamente emparentadas. Sin embargo, su aplicación requiere el conocimiento previo de las secuencias de las regiones flanqueantes para el diseño de cebadores, lo que limita el uso del método para grupos poco estudiados. Además, en algunas especies los microsatélites pueden ser raros o estar ausentes (Kulibaba et al., 2025; Wenne, 2023).

Marcadores SNP

Los polimorfismos de nucleótido único (SNP, single nucleotide polymorphisms) son sustituciones de un solo nucleótido en la secuencia de ADN. Los SNP son el tipo más común de variación genética en los genomas y se encuentran con una frecuencia de aproximadamente uno por cada 100–1000 pares de bases (Wenne, 2023; Kulibaba et al., 2025).

Las tecnologías modernas permiten genotipar miles y millones de SNP simultáneamente mediante microchips de ADN o secuenciación. Esto convierte a los SNP en una herramienta potente para la genómica de poblaciones, la filogenómica y los estudios de asociación (Wenne, 2023).

La aplicación de marcadores SNP en zoología incluye:

1. Genómica de poblaciones. Los SNP permiten evaluar la estructura genética de las poblaciones, detectar adaptaciones locales e identificar unidades de gestión para fines de conservación (Wenne, 2023).

2. Búsqueda de genes asociados a caracteres de interés económico. Los estudios de asociación (GWAS) permiten identificar SNP asociados al crecimiento, la fertilidad y la resistencia a enfermedades, lo que es importante para la selección y la conservación de recursos genéticos (Wenne, 2023; Kulibaba et al., 2025).

3. Identificación de especies e híbridos. Los SNP diagnósticos permiten distinguir especies cercanamente emparentadas y detectar híbridos, lo que es importante para cuarentena, conservación de la naturaleza y acuicultura (Wenne, 2023).

4. Monitoreo de cambios genéticos a lo largo del tiempo. Los SNP permiten seguir los cambios en las frecuencias alélicas de las poblaciones en respuesta a cambios ambientales o impacto antrópico (Wenne, 2023).

Las ventajas de los SNP incluyen alta densidad en el genoma, posibilidad de automatización del análisis, bajo nivel de errores de genotipado y posibilidad de analizar ADN degradado. Sin embargo, para muchas especies aún no se han desarrollado marcadores SNP, lo que limita su aplicación. Además, la interpretación de los datos SNP requiere enfoques bioinformáticos complejos (Wenne, 2023; Kulibaba et al., 2025).

Metabarcodificación

La metabarcodificación es un método que permite identificar simultáneamente múltiples especies en una muestra mixta sin aislar organismos individuales. Combina el código de barras de ADN con tecnologías de secuenciación de alto rendimiento (NGS) y permite analizar la composición específica de comunidades enteras (Deiner et al., 2017; Lentendu et al., 2022).

El principio de la metabarcodificación es el siguiente: de una muestra (suelo, agua, contenido de trampa, estómago animal) se extrae ADN total, luego se amplifica un marcador de código de barras estándar (por ejemplo, COI o ARNr 18S) utilizando cebadores universales, y los amplicones obtenidos se secuencian mediante NGS. Las secuencias obtenidas se comparan con bases de datos de referencia para la identificación de especies (Deiner et al., 2017; Lentendu et al., 2022).

La aplicación de la metabarcodificación en zoología incluye:

1. Inventario de biodiversidad. La metabarcodificación permite evaluar rápidamente la composición específica de comunidades en hábitats muy diversos, desde el suelo y las aguas dulces hasta los ecosistemas marinos (Lentendu et al., 2022; Deiner et al., 2017).

2. Análisis de la dieta. La metabarcodificación del contenido estomacal o de heces permite identificar todos los componentes de la dieta de un animal, incluidos los restos digeridos (Deiner et al., 2017; Watson, 2015, capítulo 22).

3. Monitoreo de especies invasoras. La metabarcodificación permite detectar la presencia de especies invasoras en las primeras etapas de invasión, cuando su abundancia aún es baja (Deiner et al., 2017).

4. Evaluación del impacto antrópico. La metabarcodificación se utiliza para monitorear cambios en las comunidades bajo la influencia de la contaminación, el cambio climático o el uso del suelo (Lentendu et al., 2022).

La metabarcodificación tiene una serie de limitaciones. En primer lugar, la evaluación cuantitativa de la abundancia de especies a partir de datos de metabarcodificación es difícil debido a las diferencias en la eficiencia de amplificación entre taxones. En segundo lugar, son posibles errores debidos a la incompletitud de las bases de datos de referencia, la contaminación y la formación de secuencias quiméricas. En tercer lugar, la interpretación de los resultados requiere cautela, ya que la presencia de ADN de una especie en una muestra no siempre significa la presencia de individuos vivos (Deiner et al., 2017; Lentendu et al., 2022).

Por qué diferentes métodos resuelven diferentes tareas

La diversidad de métodos moleculares refleja la diversidad de tareas que enfrentan los zoólogos. Cada método tiene sus puntos fuertes y débiles, y la elección del método está determinada por la tarea concreta de investigación o aplicada (Schierwater y DeSalle, 2022; Wenne, 2023).

  • El código de barras de ADN es óptimo para la identificación rápida de especies, especialmente cuando la identificación morfológica es difícil o imposible.
  • La secuenciación de genomas completos es necesaria para estudiar la estructura y evolución de los genomas, buscar genes asociados a adaptaciones y la filogenómica.
  • La transcriptómica permite estudiar la actividad funcional del genoma, la expresión génica y las bases moleculares de las adaptaciones.
  • La filogenómica resuelve tareas de reconstrucción de relaciones evolutivas sobre la base de múltiples genes.
  • Los microsatélites y los SNP se utilizan para estudios de genética de poblaciones, evaluación de la diversidad genética, establecimiento de parentesco y monitoreo de cambios genéticos.
  • La metabarcodificación permite analizar la composición específica de comunidades enteras sin aislar organismos individuales.

Por qué la metabarcodificación permite analizar comunidades enteras sin aislar organismos individuales

La metabarcodificación ha revolucionado la investigación ecológica y faunística, ya que permite obtener una idea de la composición específica de una comunidad sin necesidad de capturar, clasificar e identificar morfológicamente cada individuo. Esto es especialmente importante para grupos que son difíciles de identificar morfológicamente —invertebrados pequeños, larvas, parásitos—, así como para el estudio de especies esquivas y raras (Deiner et al., 2017; Lentendu et al., 2022).

Ventajas clave de la metabarcodificación para el análisis de comunidades:

1. Masividad. Un solo análisis permite identificar cientos de especies simultáneamente, lo que acelera enormemente el inventario de biodiversidad (Lentendu et al., 2022).

2. Objetividad. Los resultados no dependen de la cualificación del morfólogo ni de su capacidad para distinguir especies cercanas (Deiner et al., 2017).

3. Sensibilidad. La metabarcodificación permite detectar especies presentes en la muestra en pequeñas cantidades que podrían haberse pasado por alto durante la separación manual (Deiner et al., 2017).

4. Posibilidad de trabajar con material degradado. La metabarcodificación es aplicable a muestras en las que el ADN está parcialmente degradado, lo que amplía el círculo de materiales disponibles para el análisis (Lentendu et al., 2022).

5. Estandarización. La metabarcodificación permite comparar resultados de diferentes estudios, lo que es importante para el monitoreo de la biodiversidad a grandes escalas espaciales y temporales (Deiner et al., 2017).

Así, la metabarcodificación representa una herramienta potente para el estudio de la biodiversidad, que complementa los métodos morfológicos tradicionales y abre nuevas posibilidades para la investigación ecológica. En la siguiente sección examinaremos la metabarcodificación y el análisis de comunidades con más detalle.

6. Metabarcodificación y análisis de comunidades

Los métodos tradicionales de inventario de biodiversidad requieren captura, clasificación e identificación morfológica de cada individuo. Para muchos grupos animales —invertebrados pequeños, larvas, parásitos, especies esquivas— esto es una tarea extremadamente laboriosa y a veces imposible. La metabarcodificación (metabarcoding) es un enfoque que permite identificar simultáneamente múltiples especies en una muestra mixta sin aislar organismos individuales y sin análisis morfológico (Deiner et al., 2017; Lentendu et al., 2022). Este método ha revolucionado la investigación ecológica y faunística, abriendo posibilidades para el monitoreo de la biodiversidad a gran escala.

Qué es la metabarcodificación

La metabarcodificación es un método que combina el código de barras de ADN con tecnologías de secuenciación de alto rendimiento (NGS). A diferencia del código de barras de ADN clásico, que implica el análisis de una muestra (un individuo), la metabarcodificación analiza una muestra mixta que contiene ADN de múltiples organismos (Deiner et al., 2017; Schierwater y DeSalle, 2022). El prefijo «meta-» refleja el hecho de que se analiza un conjunto de secuencias de código de barras de diferentes especies (Staats et al., 2016).

La metabarcodificación se denomina a menudo «código de barras ecológico» o «código de barras de muestras mixtas». Permite obtener una «instantánea» de la composición específica de una comunidad —una lista de especies presentes en una muestra— sin necesidad de capturar, clasificar e identificar cada individuo (Lentendu et al., 2022; Deiner et al., 2017).

Principio del método

El procedimiento de metabarcodificación incluye varias etapas sucesivas.

1. Toma de muestra. La muestra puede ser cualquiera: suelo, agua, sedimentos del fondo, contenido de trampas (luminosas, de suelo, de feromonas), contenido estomacal o heces de un animal, lavados de superficies vegetales, incluso aire (Deiner et al., 2017; Lentendu et al., 2022). Es importante que la muestra contenga ADN de organismos presentes en la comunidad. A diferencia del código de barras de ADN clásico, la metabarcodificación no requiere el aislamiento de organismos individuales: se analiza el ADN total extraído de la muestra (Lentendu et al., 2022).

2. Extracción de ADN total. De la muestra se extrae todo el ADN presente en ella, tanto de los organismos diana como de los asociados. Puede ser ADN de células, tejidos, órganos, así como ADN extracelular conservado en el medio (Deiner et al., 2017).

3. Amplificación del marcador de código de barras. Mediante PCR se amplifica una región de código de barras estándar (por ejemplo, COI para animales, ARNr 18S para eucariotas, ITS para hongos) utilizando cebadores universales (Lentendu et al., 2022; Deiner et al., 2017). En una sola muestra pueden amplificarse simultáneamente secuencias de decenas y cientos de especies.

4. Secuenciación de alto rendimiento. Los amplicones obtenidos se secuencian mediante tecnologías NGS (Illumina, Ion Torrent, PacBio, Oxford Nanopore). Esto permite obtener millones de secuencias en una sola carrera (Deiner et al., 2017; Staats et al., 2016; Schierwater y DeSalle, 2022).

5. Procesamiento bioinformático. Las secuencias obtenidas pasan por control de calidad, filtrado, eliminación de quimeras y contaminantes, y agrupamiento en unidades taxonómicas operativas (OTU) o variantes de secuencia (ASV) (Lentendu et al., 2022; Deiner et al., 2017).

6. Identificación taxonómica. Las secuencias se comparan con bases de datos de referencia (BOLD, GenBank, PR2, SILVA, MIDORI) para determinar la pertenencia específica (Lentendu et al., 2022; Ratnasingham y Hebert, 2007).

El resultado es una lista de especies (o taxones de rango superior) presentes en la muestra, con indicación de la representación relativa de cada secuencia.

Posibilidad de evaluar la diversidad de especies sin identificación morfológica

La principal ventaja de la metabarcodificación es que permite evaluar la diversidad de especies de una comunidad sin necesidad de identificación morfológica de cada individuo. Esto es especialmente importante en las siguientes situaciones.

Grupos pequeños y difíciles de identificar. Muchos invertebrados —nematodos, rotíferos, tardígrados, ácaros, insectos pequeños— requieren alta cualificación para su identificación morfológica. La metabarcodificación permite eludir este problema utilizando datos moleculares para delimitar especies (Lentendu et al., 2022; Deiner et al., 2017).

Estadios larvarios. En las muestras a menudo hay larvas, huevos y otros estadios que no pueden identificarse morfológicamente. La metabarcodificación permite identificarlos por ADN (Deiner et al., 2017; Watson, 2015, capítulo 22).

Especies crípticas y raras. Las especies que llevan un estilo de vida esquivo o tienen baja abundancia a menudo pasan desapercibidas con los métodos tradicionales de recolección. La metabarcodificación permite detectar su presencia por rastros de ADN (Deiner et al., 2017).

Recolecciones masivas. Las trampas pueden recolectar miles de individuos de diferentes especies. La separación manual y la identificación de tal material llevan semanas y meses. La metabarcodificación permite procesar toda la muestra en un solo análisis (Lentendu et al., 2022).

Muestras mixtas. La metabarcodificación permite analizar muestras en las que el ADN de diferentes especies está mezclado, por ejemplo, contenido estomacal, heces, muestras de suelo (Deiner et al., 2017; Staats et al., 2016).

Limitaciones de la metabarcodificación

A pesar de sus amplias posibilidades, la metabarcodificación tiene una serie de limitaciones que deben tenerse en cuenta al interpretar los resultados.

Evaluación cuantitativa

La metabarcodificación permite evaluar la representación relativa de las especies en una muestra, pero esta evaluación no siempre corresponde a la abundancia o biomasa real de los organismos. La proporción de secuencias de diferentes especies está influida por numerosos factores (Deiner et al., 2017; Lentendu et al., 2022):

1. Diferencias en la eficiencia de amplificación. Los cebadores universales pueden amplificar el ADN de diferentes especies con eficiencia desigual debido a desajustes en las secuencias de los cebadores. Esto conduce a una distorsión de la representación relativa (Deiner et al., 2017; Elbrecht y Leese, 2015).

2. Diferencias en el número de copias del marcador. El ADN mitocondrial está presente en la célula en cientos y miles de copias, pero este número puede variar entre especies y tejidos. Las especies con un número elevado de copias de COI pueden estar representadas en la biblioteca de forma desproporcionadamente abundante (Deiner et al., 2017).

3. Diferencias en el tamaño del genoma y el contenido de ADN. Los organismos grandes suelen contener más ADN que los pequeños, lo que puede llevar a una sobreestimación de su contribución a la comunidad (Lentendu et al., 2022).

4. Degradación del ADN. En muestras expuestas a temperatura, humedad y radiación UV, el ADN puede degradarse. Diferentes especies pueden ser susceptibles a la degradación en diferente grado (Deiner et al., 2017; Staats et al., 2016).

5. Submuestreo. Durante la preparación de las bibliotecas, parte de la muestra puede perderse, lo que conduce a la pérdida de secuencias raras (Deiner et al., 2017).

Debido a estos factores, la metabarcodificación no puede utilizarse de forma fiable para la evaluación cuantitativa absoluta de la abundancia o biomasa de las especies. Proporciona una evaluación semicuantitativa: permite comparar la representación relativa de las especies en diferentes muestras, pero no permite afirmar que la especie A es dos veces más abundante que la especie B (Deiner et al., 2017; Lentendu et al., 2022).

Errores de amplificación

La PCR es una reacción enzimática que puede ir acompañada de errores. En la metabarcodificación, estos errores pueden conducir a resultados falsos (Lentendu et al., 2022; Deiner et al., 2017):

1. Quimeras. Durante la amplificación pueden formarse secuencias quiméricas, compuestas por fragmentos de ADN de diferentes especies. Las quimeras pueden identificarse erróneamente como especies nuevas (Lentendu et al., 2022; Edgar et al., 2011).

2. Errores puntuales. La polimerasa puede introducir errores durante la síntesis de ADN, lo que da lugar a secuencias que difieren de las verdaderas en uno o varios nucleótidos. Esto puede provocar la detección falsa de nuevas especies o la distorsión de las estimaciones de diversidad (Lentendu et al., 2022).

3. Contaminación. En el laboratorio es posible la contaminación de las muestras con ADN de otros organismos (reactivos, equipos, personal). La contaminación puede provocar la detección falsa de especies ausentes en la muestra (Lentendu et al., 2022; Deiner et al., 2017).

4. «Salto de etiquetas» (tag jumping). Durante la multiplexación (secuenciación simultánea de varias muestras) es posible la asignación errónea de secuencias a otra muestra. Esto conduce a la detección falsa de especies en una muestra donde no están presentes (Deiner et al., 2017).

Para combatir estos errores se utilizan métodos bioinformáticos especiales: eliminación de quimeras, filtrado por calidad, eliminación de singletons y uso de controles negativos y positivos (Lentendu et al., 2022; Deiner et al., 2017).

Incompletitud de las bases de datos

La eficacia de la metabarcodificación, como la del código de barras de ADN clásico, depende de la exhaustividad de las bases de datos de referencia. Para muchos grupos animales, especialmente invertebrados, especies tropicales y parásitos, las secuencias de referencia están ausentes o insuficientemente representadas (Lentendu et al., 2022; Taylor y Harris, 2012). Esto lleva a que una parte significativa de las secuencias obtenidas no pueda identificarse hasta especie. En el mejor de los casos, se logra determinar la pertenencia a un género o familia; en el peor, la secuencia permanece sin identificar (Lentendu et al., 2022; Deiner et al., 2017).

Además, la calidad de las bases de datos de referencia puede ser heterogénea. Algunas secuencias pueden estar identificadas erróneamente, lo que conduce a resultados falsos (Collins y Cruickshank, 2013; Lentendu et al., 2022). Para aumentar la fiabilidad de la identificación se recomienda utilizar varias bases de datos y verificar los resultados mediante análisis filogenético (Lentendu et al., 2022).

Por qué la metabarcodificación es prometedora para el monitoreo de la biodiversidad

A pesar de sus limitaciones, la metabarcodificación es una de las herramientas más prometedoras para el monitoreo de la biodiversidad. Sus ventajas son especialmente significativas en el contexto de los cambios ambientales globales y la necesidad de una evaluación rápida del estado de los ecosistemas (Deiner et al., 2017; Lentendu et al., 2022).

Velocidad. La metabarcodificación permite procesar un gran número de muestras en poco tiempo. Una sola carrera de NGS puede proporcionar información sobre la composición específica de decenas y cientos de muestras (Deiner et al., 2017; Staats et al., 2016).

Escalabilidad. El método se escala fácilmente, desde el análisis de muestras individuales hasta el monitoreo de regiones enteras. Esto lo hace adecuado para programas de monitoreo de biodiversidad a gran escala (Deiner et al., 2017; Lentendu et al., 2022).

Estandarización. La metabarcodificación utiliza marcadores y protocolos estándar, lo que garantiza la comparabilidad de los resultados de diferentes estudios (Lentendu et al., 2022; Deiner et al., 2017).

Sensibilidad. El método permite detectar especies presentes en la muestra en pequeñas cantidades que podrían haberse pasado por alto con los métodos tradicionales (Deiner et al., 2017).

Posibilidad de análisis retrospectivo. La metabarcodificación es aplicable a ejemplares de museo, muestras de herbario y muestras de colecciones, lo que permite estudiar cambios en la biodiversidad a lo largo del tiempo (Staats et al., 2016; Paton et al., 2025).

Integración con otros métodos. La metabarcodificación puede combinarse con teledetección, análisis SIG y modelización, lo que abre nuevas posibilidades para comprender los patrones de distribución de la biodiversidad (Deiner et al., 2017; Lentendu et al., 2022).

Aplicabilidad en la agroesfera. En agricultura, la metabarcodificación se utiliza para monitorear la biodiversidad de agrocenosis, detectar plagas y patógenos, y evaluar el estado de las comunidades del suelo. Esto es importante para desarrollar sistemas agrícolas sostenibles (Lentendu et al., 2022; Staats et al., 2016; Venbrux et al., 2023).

Así, la metabarcodificación representa una herramienta potente para el análisis de comunidades y el monitoreo de la biodiversidad, que complementa los métodos morfológicos tradicionales y abre nuevas posibilidades para la investigación ecológica. En la siguiente sección examinaremos otro enfoque estrechamente relacionado con la metabarcodificación: el análisis de ADN ambiental (eDNA).

7. eDNA: ADN ambiental

El análisis de ADN ambiental (environmental DNA, eDNA) es un enfoque que permite detectar la presencia de organismos sin su captura directa ni observación. El método se basa en que todos los organismos vivos liberan constantemente al medio ambiente cantidades traza de ADN, con la piel, el moco, los excrementos, la orina, las células sexuales, así como tras la muerte y descomposición. Este ADN puede conservarse en agua, suelo, sedimentos del fondo, aire e incluso en nieve o hielo durante un tiempo determinado, suficiente para su detección mediante métodos moleculares (Deiner et al., 2017; Lentendu et al., 2022). El análisis de eDNA permite obtener información sobre la composición específica de una comunidad sin recurrir a métodos de recolección laboriosos y a menudo destructivos.

Qué es el eDNA

El término «eDNA» (del inglés environmental DNA) se introdujo para designar el conjunto de todo el ADN presente en una muestra ambiental. Puede ser tanto ADN extracelular como ADN encerrado en células, orgánulos, así como en microorganismos enteros, huevos, quistes o esporas (Deiner et al., 2017). A diferencia del código de barras de ADN clásico, que analiza el ADN extraído de un individuo concreto, el análisis de eDNA trabaja con el ADN total extraído de una muestra ambiental. Esto permite detectar simultáneamente múltiples especies presentes en un hábitat dado (Lentendu et al., 2022; Deiner et al., 2017).

Las fuentes de eDNA pueden ser:

  • Agua: ríos, lagos, mares, estanques, aguas subterráneas. En el medio acuático, el ADN es transportado por las corrientes, puede sedimentar en los fondos o degradarse bajo la acción de la radiación UV y los microorganismos (Deiner et al., 2017).
  • Suelo: horizontes superiores, hojarasca, rizosfera. El suelo contiene ADN de animales del suelo, plantas, hongos y microorganismos (Lentendu et al., 2022).
  • Aire: partículas de aerosol, polen, esporas. El análisis del aire permite detectar ADN de insectos, aves y mamíferos (Deiner et al., 2017).
  • Sedimentos del fondo: sedimentos lacustres y marinos, que pueden acumular ADN durante mucho tiempo, lo que permite estudiar la biodiversidad histórica (Deiner et al., 2017; Lentendu et al., 2022).
  • Otros sustratos: nieve, hielo, heces, contenido estomacal, lavados de superficies (Deiner et al., 2017).

Principio del método

El procedimiento de análisis de eDNA incluye varias etapas similares a la metabarcodificación, pero con énfasis en una muestra ambiental en lugar de un organismo individual.

1. Toma de muestra. Se recoge una muestra de agua, suelo o aire en varios puntos del área de estudio. Es importante garantizar la representatividad y evitar la contaminación. Para las muestras de agua se utiliza a menudo la filtración a través de filtros de membrana con un tamaño de poro determinado, lo que permite concentrar el ADN de un gran volumen de agua (Deiner et al., 2017; Lentendu et al., 2022).

2. Extracción de ADN. De la muestra se extrae el ADN total. Para las muestras de agua, el ADN se extrae de los filtros; para las de suelo, directamente de una submuestra de suelo. Existen kits comerciales optimizados para diferentes tipos de muestras (Lentendu et al., 2022; Deiner et al., 2017).

3. Amplificación. Para detectar especies o grupos concretos se utiliza PCR con cebadores específicos de especie (qPCR, ddPCR) o cebadores universales para metabarcodificación. En el caso de la metabarcodificación, se amplifica una región de código de barras estándar (por ejemplo, COI, 12S, 16S, 18S) (Deiner et al., 2017; Lentendu et al., 2022).

4. Secuenciación e identificación. Los productos de amplificación se secuencian mediante métodos NGS o, cuando se utiliza qPCR, se detectan en tiempo real. Las secuencias se comparan con bases de datos de referencia para determinar la pertenencia específica (Deiner et al., 2017; Lentendu et al., 2022).

5. Interpretación. Sobre la base de los datos obtenidos se concluye la presencia de especies en el hábitat. Es importante tener en cuenta las posibles fuentes de error y las limitaciones del método (Deiner et al., 2017).

Aplicaciones del eDNA

El análisis de eDNA ha encontrado una amplia aplicación en diversos campos de la zoología y la ecología.

Monitoreo de especies raras y amenazadas

Los métodos tradicionales de monitoreo de especies raras requieren esfuerzos significativos y a menudo son poco eficaces debido a la baja abundancia y al estilo de vida esquivo de los animales. El eDNA permite detectar la presencia de una especie por rastros de ADN en agua o suelo, incluso si los individuos mismos permanecen sin ser vistos. Esto es especialmente valioso para anfibios, reptiles, peces y grandes mamíferos (Deiner et al., 2017; Lentendu et al., 2022). Por ejemplo, el eDNA se ha utilizado para detectar especies raras de ranas, salamandras y tortugas, así como para monitorear poblaciones de peces en peligro de extinción (Deiner et al., 2017).

Detección de especies invasoras

La detección temprana de especies invasoras es de importancia crítica para prevenir su propagación. El eDNA permite detectar la presencia de una especie exótica en las primeras etapas de invasión, cuando la abundancia de la población aún es baja y los métodos tradicionales son ineficaces. Esto da la posibilidad de tomar medidas oportunas de control o erradicación (Deiner et al., 2017; Lentendu et al., 2022). Ejemplos son la detección de peces, moluscos, crustáceos y patógenos invasores en ecosistemas acuáticos (Deiner et al., 2017).

Estudio de especies esquivas y de difícil acceso

Muchas especies llevan un estilo de vida esquivo, habitan lugares de difícil acceso o tienen baja densidad. El eDNA permite detectar su presencia sin observación directa. Esto es especialmente importante para grandes depredadores, animales nocturnos y habitantes de hábitats profundos o subterráneos (Deiner et al., 2017; Lentendu et al., 2022).

Monitoreo de la biodiversidad

El eDNA puede utilizarse para evaluar la riqueza específica y la composición de comunidades en ecosistemas muy diversos. La metabarcodificación del eDNA permite obtener una lista de especies presentes en una muestra sin necesidad de captura e identificación morfológica. Esto abre posibilidades para el monitoreo de la biodiversidad a gran escala (Deiner et al., 2017; Lentendu et al., 2022).

Estudio de relaciones tróficas

El análisis de eDNA del contenido estomacal, heces o lavados permite identificar componentes de la dieta de los animales, lo que es importante para comprender las redes tróficas y las interacciones ecológicas (Deiner et al., 2017; Watson, 2015, capítulo 22).

Investigación parasitológica

El eDNA se aplica con éxito para detectar parásitos y sus hospedadores intermediarios en muestras de agua y suelo. Por ejemplo, la detección de trematodos y sus hospedadores moluscos en agua permite evaluar el riesgo de infección y la eficacia de las medidas de control (Gunn, 2022).

Por qué el eDNA es especialmente valioso para los ecosistemas acuáticos

Los ecosistemas acuáticos representan un medio ideal para la aplicación del eDNA por varias razones.

1. Homogeneidad del medio. El agua se mezcla y el ADN liberado por los organismos se distribuye en el volumen, lo que permite obtener una característica integral de la comunidad en una determinada área acuática (Deiner et al., 2017).

2. Inaccesibilidad de muchas especies. Muchos organismos acuáticos —peces, anfibios, invertebrados— son esquivos, tienen hábitos nocturnos o viven en el fondo, lo que dificulta su detección visual. El eDNA permite detectar su presencia sin captura (Deiner et al., 2017).

3. Posibilidad de monitoreo no invasivo. La toma de muestras de agua no requiere la captura ni el sacrificio de animales, lo que es especialmente importante para especies raras y protegidas (Deiner et al., 2017).

4. Integración en el tiempo y el espacio. El agua transporta ADN de diferentes hábitats, lo que permite evaluar la diversidad a escalas espaciales mayores. Sin embargo, esto también crea dificultades de interpretación, que se discutirán a continuación (Deiner et al., 2017).

5. Aplicabilidad para el monitoreo de especies invasoras. Las invasiones acuáticas a menudo pasan desapercibidas hasta que la población alcanza una abundancia significativa. El eDNA permite detectar especies exóticas en las primeras etapas (Deiner et al., 2017).

Por qué el método requiere una interpretación cuidadosa

A pesar de sus amplias posibilidades, el análisis de eDNA tiene una serie de limitaciones que deben tenerse en cuenta al interpretar los resultados. La más importante es la posibilidad de obtener resultados falsos positivos, es decir, la detección de ADN de una especie donde la especie misma está ausente en ese momento.

Conservación del ADN tras la muerte del organismo

El ADN puede conservarse en el medio ambiente durante días, semanas, meses e incluso años después de la muerte de un organismo. Esto significa que la detección de ADN no siempre indica la presencia de individuos vivos. Por ejemplo, el ADN puede ser arrastrado por la corriente desde un hábitat aguas arriba donde la especie realmente vive, o conservarse en los sedimentos del fondo después de la desaparición de la población (Deiner et al., 2017; Lentendu et al., 2022).

Transporte del ADN

En los ecosistemas acuáticos, el ADN es transportado por las corrientes a distancias significativas. Esto crea un problema de atribución espacial: la detección de ADN en un punto dado no significa que el organismo habite exactamente allí. Puede encontrarse aguas arriba o en otro hábitat conectado con el cuerpo de agua dado (Deiner et al., 2017).

Degradación y concentraciones bajas

El eDNA está presente en el medio ambiente en concentraciones muy bajas y se degrada rápidamente bajo la acción de la radiación UV, la temperatura y los microorganismos. Esto requiere métodos de detección altamente sensibles y un control de calidad cuidadoso. También son posibles los resultados falsos negativos (no detección de una especie que realmente está presente) (Deiner et al., 2017; Lentendu et al., 2022).

Limitaciones de la evaluación cuantitativa

Como en la metabarcodificación, el número de lecturas de eDNA no es proporcional a la abundancia o biomasa de los organismos. La evaluación de la representación relativa de las especies es posible, pero requiere cautela y la consideración de múltiples factores (Deiner et al., 2017).

Incompletitud de las bases de datos

La identificación de especies por eDNA depende de la exhaustividad de las bases de datos de referencia. Para muchos grupos, especialmente invertebrados y especies tropicales, las secuencias de referencia están ausentes, lo que limita la posibilidad de una identificación precisa (Deiner et al., 2017; Lentendu et al., 2022).

Necesidad de control y validación

Para una interpretación fiable de los resultados de eDNA es necesario utilizar controles negativos y positivos y, cuando sea posible, confirmar los resultados mediante métodos independientes (por ejemplo, captura tradicional u observación visual) (Deiner et al., 2017; Lentendu et al., 2022).

Así, el eDNA representa una herramienta potente y prometedora para el monitoreo de la biodiversidad, especialmente en ecosistemas acuáticos. Permite detectar especies raras, esquivas e invasoras sin captura directa, lo que lo hace indispensable para la zoología moderna y la práctica de conservación. Sin embargo, la interpretación de los resultados de eDNA requiere cautela y la consideración de las limitaciones del método. En la siguiente sección examinaremos métodos digitales que complementan los enfoques moleculares y permiten analizar la distribución espacial de los animales.

8. Métodos digitales: SIG y teledetección

La zoología moderna utiliza cada vez más tecnologías digitales para analizar la distribución espacial de los animales, evaluar el estado de los hábitats y monitorear poblaciones. Los sistemas de información geográfica (SIG) y la teledetección (TD) representan dos herramientas interconectadas que permiten recopilar, almacenar, analizar y visualizar datos espaciales sobre los animales y su entorno (Hasanuzzaman, 2019; White, 2006). Estos métodos son especialmente importantes para la agroesfera, donde el análisis espacial ayuda a optimizar la protección de plantas, el monitoreo de plagas y la gestión de los recursos territoriales (Delplanque et al., 2024).

Qué es un SIG (sistema de información geográfica)

Un sistema de información geográfica (SIG) es un conjunto de hardware y software diseñado para la recopilación, almacenamiento, análisis, visualización y distribución de datos con coordinadas espaciales (Hasanuzzaman, 2019; White, 2006). En un SIG, la información se organiza en capas, cada una de las cuales describe un aspecto determinado del territorio: relieve, suelos, vegetación, hidrografía, uso del suelo, distribución de especies. Las capas pueden superponerse, lo que permite identificar patrones y relaciones espaciales (White, 2006).

Un SIG incluye varios componentes clave:

1. Hardware: ordenadores, servidores, receptores GPS, dispositivos de entrada/salida.

2. Software: paquetes especializados (ArcGIS, QGIS, GRASS GIS) para trabajar con datos espaciales.

3. Datos: espaciales (coordenadas, límites) y atributivos (propiedades de los objetos: composición específica, abundancia, tipo de suelo).

4. Métodos y procedimientos: algoritmos de análisis, modelización y cartografía.

5. Personal: especialistas que dominan los métodos de análisis SIG (White, 2006).

En zoología, los SIG se utilizan para cartografiar áreas de distribución de especies, analizar la distribución de animales, identificar patrones de distribución espacial, modelar nichos ecológicos, evaluar la fragmentación de hábitats y planificar medidas de conservación (Delplanque et al., 2024; Hasanuzzaman, 2019).

Aplicación de los SIG en zoología y la agroesfera

Las tecnologías SIG encuentran una amplia aplicación en diversos campos de la investigación zoológica y la actividad práctica.

Cartografía de áreas de distribución y análisis de la distribución

Una de las tareas principales de la zoología es describir la distribución geográfica de las especies. Los SIG permiten cartografiar puntos de hallazgo, delimitar los límites de las áreas de distribución y analizar patrones espaciales de distribución. Las bases de datos modernas, como GBIF (Global Biodiversity Information Facility), proporcionan millones de registros georreferenciados de hallazgos de especies que pueden utilizarse para el análisis SIG (Paton et al., 2025; Delplanque et al., 2024).

Los SIG permiten no solo visualizar la distribución actual, sino también modelar las áreas de distribución potenciales de las especies sobre la base de variables climáticas, paisajísticas y ecológicas. Tales modelos (por ejemplo, MaxEnt, BIOCLIM) se utilizan ampliamente para predecir la propagación de especies invasoras, evaluar el impacto del cambio climático y planificar la conservación de especies raras (Delplanque et al., 2024).

Modelización de nichos ecológicos

El nicho ecológico de una especie es el conjunto de condiciones ambientales en las que la especie puede existir. Los SIG permiten integrar datos sobre clima, relieve, suelos, vegetación y otros factores para modelar el nicho de una especie. Los resultados de la modelización se utilizan para identificar áreas adecuadas para la habitación de la especie, evaluar el riesgo de su propagación y planificar medidas de conservación (Hasanuzzaman, 2019; Delplanque et al., 2024).

Análisis de la estructura espacial de poblaciones

Los SIG permiten analizar la estructura espacial de las poblaciones: densidad, distribución, conectividad de hábitats, barreras a la migración. Estos datos son importantes para comprender la dinámica poblacional, evaluar la viabilidad de las poblaciones y desarrollar estrategias de gestión (Delplanque et al., 2024; Wenne, 2023).

Monitoreo de especies invasoras

Los SIG se utilizan para seguir la propagación de especies invasoras, identificar las vías de su penetración y evaluar el riesgo de propagación ulterior. El análisis espacial permite determinar las áreas prioritarias para el control y la erradicación (Delplanque et al., 2024; Wenne, 2023).

Planificación de medidas de conservación

Los SIG ayudan a identificar territorios prioritarios para la conservación, evaluar la eficacia de las áreas protegidas existentes y planificar la creación de nuevos reservas y corredores para la migración de animales (Delplanque et al., 2024; Paton et al., 2025).

Agricultura de precisión

En la agroesfera, los SIG son la base de la agricultura de precisión, un enfoque en el que la gestión de los cultivos se lleva a cabo teniendo en cuenta la heterogeneidad espacial del campo. Los SIG permiten crear mapas de rendimiento, mapas de distribución de plagas y enfermedades, mapas de disponibilidad de nutrientes, lo que permite optimizar la aplicación de fertilizantes, pesticidas y riego (Hasanuzzaman, 2019).

Teledetección

La teledetección (TD) es un método de obtención de información sobre objetos en la superficie terrestre sin contacto directo con ellos, utilizando sensores instalados en satélites, aviones, drones o plataformas terrestres (Delplanque et al., 2024; White, 2006). Los sensores registran la radiación electromagnética reflejada o emitida por los objetos en diversos rangos del espectro: visible, infrarrojo, radiofrecuencia (Hasanuzzaman, 2019).

La teledetección puede ser:

  • Pasiva: el sensor registra la radiación natural, por ejemplo, la luz solar reflejada por la superficie o la radiación térmica. Ejemplos: imágenes satelitales en el rango visible e infrarrojo (Hasanuzzaman, 2019; White, 2006).
  • Activa: el sensor emite una señal y registra su reflexión. Ejemplos: radar, lidar, ecolocalización (White, 2006; Delplanque et al., 2024).

La TD proporciona datos en diferentes resoluciones espaciales, temporales y espectrales. Los satélites modernos (WorldView, GeoEye, QuickBird, Sentinel, Landsat) proporcionan imágenes de muy alta resolución (hasta 30 cm por píxel), lo que permite detectar e identificar individuos de grandes animales (Delplanque et al., 2024). Los drones y vehículos aéreos no tripulados (UAV) proporcionan una resolución aún mayor y flexibilidad en la obtención de datos a nivel local (Hasanuzzaman, 2019; Delplanque et al., 2024).

Aplicación de la teledetección en zoología y la agroesfera

La teledetección abre amplias posibilidades para la investigación zoológica y el monitoreo práctico.

Detección y conteo de animales

Las imágenes satelitales de muy alta resolución permiten detectar y contar grandes animales —ballenas, focas, pingüinos, elefantes, ungulados— en hábitats abiertos. Esto es especialmente valioso para el monitoreo de poblaciones en regiones de difícil acceso: el Ártico, la Antártida, aguas oceánicas, sabanas (Delplanque et al., 2024). Por ejemplo, se han utilizado imágenes satelitales para contar pingüinos emperador, focas de Weddell, osos polares y elefantes africanos (Delplanque et al., 2024; Fretwell et al., 2012; LaRue et al., 2015).

Los métodos modernos de aprendizaje automático, en particular las redes neuronales profundas (CNN), permiten automatizar la detección y el conteo de animales en imágenes satelitales, lo que acelera significativamente el procesamiento de datos y reduce los costes de mano de obra (Delplanque et al., 2024; Wäldchen y Mäder, 2018).

Evaluación del estado de los hábitats

La TD permite evaluar el estado de la vegetación, la humedad del suelo y la temperatura de la superficie, lo que es importante para caracterizar los hábitats de los animales. Por ejemplo, mediante índices de vegetación (NDVI, EVI) se puede evaluar la productividad de la vegetación, y mediante imágenes térmicas, la temperatura y la humedad (Hasanuzzaman, 2019; Delplanque et al., 2024). Estos datos se utilizan para modelar la distribución de especies, evaluar la base alimentaria y predecir cambios en los ecosistemas.

Detección de focos de plagas y enfermedades

En la agroesfera, la TD se utiliza para detectar focos de plagas y enfermedades de las plantas. Las características espectrales de las plantas afectadas difieren de las sanas, lo que permite detectar el estrés en las primeras etapas, cuando los síntomas visuales aún no se manifiestan (Venbrux et al., 2023; Hasanuzzaman, 2019). Las imágenes hiperespectrales y térmicas permiten distinguir el estrés biótico del abiótico, así como identificar patógenos concretos (Venbrux et al., 2023).

Cartografía de suelos y uso del suelo

La TD se utiliza para cartografiar la cubierta del suelo, los tipos de uso del suelo y las comunidades vegetales. Estos datos son necesarios para planificar la actividad agrícola, evaluar la degradación de las tierras y monitorear cambios en los paisajes (White, 2006; Hasanuzzaman, 2019).

Monitoreo de ecosistemas acuáticos

Las imágenes satelitales permiten evaluar la temperatura de la superficie del agua, la concentración de clorofila y la turbidez, lo que es importante para monitorear el estado de los ecosistemas acuáticos y predecir floraciones de algas. Estos datos se utilizan para evaluar los hábitats de los animales acuáticos y predecir cambios en su distribución (Delplanque et al., 2024; Deiner et al., 2017).

Por qué estos métodos son especialmente importantes para la agroesfera

Los SIG y la teledetección tienen una importancia crítica para la agroesfera por varias razones.

Agricultura de precisión. Los SIG y la TD son la base de la agricultura de precisión, ya que permiten tener en cuenta la heterogeneidad espacial de los campos y optimizar la aplicación de fertilizantes, pesticidas y riego. Esto reduce los costes, aumenta el rendimiento y disminuye el impacto ambiental (Hasanuzzaman, 2019).

Monitoreo de plagas y enfermedades. La TD permite detectar focos de plagas y enfermedades en las primeras etapas, lo que da la posibilidad de tomar medidas oportunas y prevenir pérdidas de cosecha. Esto es especialmente importante para objetos de cuarentena, donde la velocidad de reacción es crítica (Venbrux et al., 2023; Delplanque et al., 2024).

Evaluación del estado de los cultivos. Los datos espectrales permiten evaluar la biomasa, el contenido de clorofila y la humedad, lo que ayuda a predecir el rendimiento e identificar problemas en las primeras etapas (Hasanuzzaman, 2019; Venbrux et al., 2023).

Planificación de tierras agrícolas. Los SIG permiten analizar la aptitud de las tierras para diferentes cultivos, planificar rotaciones de cultivos y optimizar el uso de los recursos territoriales (White, 2006; Hasanuzzaman, 2019).

Monitoreo de la biodiversidad de agrocenosis. Los SIG y la TD se utilizan para evaluar la biodiversidad de los paisajes agrícolas, identificar hábitats de insectos beneficiosos (polinizadores, entomófagos) y evaluar el impacto de la actividad agrícola sobre la vida silvestre (Lentendu et al., 2022; Delplanque et al., 2024).

Gestión de los recursos hídricos. La TD permite evaluar la humedad del suelo y el estado de los sistemas de riego, lo que es importante para el uso eficiente del agua en la agricultura (Hasanuzzaman, 2019).

Pronóstico y alerta temprana. La integración de SIG, TD y datos meteorológicos permite crear sistemas de pronóstico de brotes de plagas y enfermedades, lo que da la posibilidad de prepararse y minimizar las pérdidas (Venbrux et al., 2023; Hasanuzzaman, 2019).

Así, los SIG y la teledetección representan herramientas potentes de la zoología moderna y la agroesfera, que permiten analizar la distribución espacial de los animales, evaluar el estado de los hábitats, detectar focos de plagas y enfermedades, y planificar medidas de conservación y agrícolas. En la siguiente sección examinaremos otra dirección prometedora: el reconocimiento automático y la inteligencia artificial.

9. Reconocimiento automático e inteligencia artificial

El desarrollo de métodos de aprendizaje automático e inteligencia artificial (IA) ha abierto nuevas posibilidades para la identificación automática de animales por imágenes, sonidos y otras señales. Mientras que la identificación tradicional requería la participación de un experto taxónomo, los algoritmos modernos son capaces de reconocer especies automáticamente, con una precisión comparable, y a veces superior, a la de un no especialista (Wäldchen y Mäder, 2018; Delplanque et al., 2024). Estas tecnologías encuentran una aplicación cada vez más amplia en la investigación zoológica, el monitoreo de la biodiversidad, la protección de plantas y la agricultura.

Aplicación de la IA para la identificación de animales por imágenes y sonidos

La inteligencia artificial, y en particular las redes neuronales profundas (deep learning), ha revolucionado la identificación automática de organismos por imágenes. Las redes neuronales convolucionales (CNN) han mostrado resultados impresionantes en tareas de clasificación de imágenes, incluido el reconocimiento de especies de animales y plantas (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Identificación por imágenes

Los sistemas modernos de identificación automática por imágenes son capaces de reconocer miles de especies animales con alta precisión. Por ejemplo, en la competición PlantCLEF, dedicada a la identificación de plantas, la precisión del reconocimiento aumentó del 47% en 2011 al 92% en 2017, mientras que el número de especies aumentó de 71 a 10.000, y el número de imágenes, de 4.000 a 1,6 millones (Wäldchen y Mäder, 2018). Este progreso fue posible precisamente gracias a la introducción del aprendizaje profundo.

También se han logrado resultados impresionantes para los animales. Las redes neuronales se utilizan con éxito para identificar mamíferos (precisión de hasta el 93,8%), peces (hasta el 98,6%), insectos (hasta el 98,7%), aves y otros grupos (Wäldchen y Mäder, 2018). Es especialmente importante que los algoritmos puedan trabajar con imágenes obtenidas en condiciones naturales, donde la iluminación, el ángulo y el fondo pueden variar mucho (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Identificación por sonidos

Muchos animales —aves, anfibios, insectos, murciélagos, cetáceos— emiten señales acústicas específicas de especie que pueden utilizarse para la identificación. El reconocimiento automático de señales acústicas basado en el aprendizaje automático permite monitorear especies sin contacto visual, lo que es especialmente valioso para animales esquivos, nocturnos o de difícil acceso (Wäldchen y Mäder, 2018; Schierwater y DeSalle, 2022).

Los algoritmos analizan espectrogramas de grabaciones sonoras y extraen características que permiten distinguir especies. Tales sistemas se utilizan para el monitoreo de aves, murciélagos, anfibios, así como para la detección de insectos plaga por los sonidos que emiten al alimentarse o aparearse (Wäldchen y Mäder, 2018; Gaston y O'Neill, 2004).

Otras señales

Además de imágenes y sonidos, la IA se utiliza para analizar otras señales: por ejemplo, para identificar animales por imágenes térmicas (termografía infrarroja), por datos de telemetría GPS (análisis de trayectorias de movimiento), por señales eléctricas (en peces débilmente eléctricos) (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Aplicaciones móviles para la identificación

La amplia difusión de los teléfonos inteligentes con cámaras de calidad y acceso a internet ha hecho posible la creación de aplicaciones móviles para la identificación automática de organismos. Estas aplicaciones utilizan algoritmos de aprendizaje automático integrados o envían la imagen a un servidor para su análisis (Wäldchen y Mäder, 2018; Joly et al., 2016).

Uno de los ejemplos más conocidos es Pl@ntNet, una aplicación para la identificación de plantas desarrollada por organizaciones de investigación francesas (Cirad, INRA, Inria, IRD). La aplicación permite fotografiar una planta y obtener una lista de las especies más probables. Desde 2015, Pl@ntNet utiliza aprendizaje profundo, lo que aumentó significativamente la precisión de la identificación. Los usuarios no solo pueden obtener la identificación, sino también compartir sus observaciones con la comunidad, enriqueciendo la muestra de entrenamiento (Joly et al., 2016; Wäldchen y Mäder, 2018).

Para los animales también existen aplicaciones, por ejemplo Merlin Bird ID (identificación de aves por fotografías y sonidos), iNaturalist (identificación de plantas y animales mediante crowdsourcing y aprendizaje automático), Seek (identificación por cámara en tiempo real) (Wäldchen y Mäder, 2018). Estas aplicaciones hacen que la identificación sea accesible para el público general, desde escolares hasta agricultores, lo que contribuye al desarrollo de la ciencia ciudadana y a la recopilación de grandes volúmenes de datos sobre biodiversidad.

Trampas automáticas con reconocimiento

Las trampas tradicionales para insectos o las cámaras trampa para mamíferos requieren la separación manual y la identificación de los organismos capturados. Este es un proceso laborioso y prolongado. Las trampas automáticas modernas están equipadas con sensores y algoritmos de reconocimiento que permiten identificar a los animales directamente en el campo o inmediatamente después de la recolección (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Cámaras trampa con IA. Las cámaras trampa utilizadas para el monitoreo de mamíferos y aves están cada vez más equipadas con algoritmos de reconocimiento integrados que clasifican las imágenes in situ, filtrando fotogramas vacíos e identificando especies. Esto reduce significativamente el volumen de datos que requieren procesamiento manual y acelera el monitoreo (Wäldchen y Mäder, 2018; Norouzzadeh et al., 2018).

Trampas acústicas. Las estaciones acústicas automáticas graban sonidos durante largos períodos y los analizan mediante algoritmos de reconocimiento. Tales sistemas se utilizan para el monitoreo de aves, murciélagos, anfibios e insectos (Wäldchen y Mäder, 2018).

Trampas con clasificación automática. Se están desarrollando sistemas que no solo atraen a los insectos, sino que también los fotografían, clasifican y separan automáticamente por especies, lo que permite procesar grandes volúmenes de material sin participación humana (Wäldchen y Mäder, 2018).

Por qué la IA no sustituye al experto, pero acelera el trabajo

A pesar de los logros impresionantes, la inteligencia artificial no sustituye al experto taxónomo. Los algoritmos de aprendizaje automático son herramientas que aceleran y automatizan tareas rutinarias, pero las decisiones finales sobre la pertenencia específica, especialmente en casos complejos, deben ser tomadas por un especialista (Wäldchen y Mäder, 2018; Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022).

Razones por las que la IA no puede sustituir completamente al experto:

1. Limitación de los datos de entrenamiento. Los algoritmos se entrenan con conjuntos de imágenes existentes que no cubren toda la diversidad de especies y su variabilidad. Para especies raras, poco estudiadas o nuevas, los datos de entrenamiento pueden estar ausentes, y el algoritmo no podrá reconocerlas (Wäldchen y Mäder, 2018; Collins y Cruickshank, 2013).

2. El problema del «mundo abierto». Un algoritmo entrenado con un conjunto determinado de especies, ante la presentación de una imagen de una especie no incluida en la muestra de entrenamiento, puede asignarla erróneamente a una de las clases conocidas. Los sistemas no siempre son capaces de determinar correctamente que un objeto no pertenece a ninguna de las clases conocidas (Wäldchen y Mäder, 2018).

3. Casos complejos. Para especies crípticas, híbridos o especies morfológicamente variables, la identificación automática puede ser poco fiable. En tales casos se requiere un análisis experto con datos adicionales: morfológicos, moleculares, ecológicos (Collins y Cruickshank, 2013; Schierwater y DeSalle, 2022).

4. Interpretación y contexto. El experto es capaz de tener en cuenta el contexto —distribución geográfica, estacionalidad, características ecológicas— que puede no estar disponible para el algoritmo. Esto es especialmente importante para una identificación correcta (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

5. Validación y verificación. Los resultados de la identificación automática deben ser verificados por expertos, especialmente en tareas aplicadas donde los errores pueden tener consecuencias graves (cuarentena, peritaje forense, conservación de especies raras) (Collins y Cruickshank, 2013; Wäldchen y Mäder, 2018).

No obstante, la IA acelera significativamente el trabajo del experto, permitiendo automatizar operaciones rutinarias, clasificar grandes volúmenes de material, identificar muestras potencialmente interesantes y centrar la atención del especialista en los casos complejos. Esto aumenta la productividad del trabajo y permite procesar datos a escalas inalcanzables con el trabajo manual (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Por qué la calidad de los datos sigue siendo un factor crítico

La eficacia de los algoritmos de aprendizaje automático depende directamente de la calidad de los datos de entrenamiento. La baja calidad de los datos conduce a una disminución de la precisión y fiabilidad de la identificación automática (Wäldchen y Mäder, 2018; Collins y Cruickshank, 2013).

Requisitos principales para la calidad de los datos:

1. Identificación correcta de las muestras de entrenamiento. Las imágenes y sonidos utilizados para el entrenamiento deben ser identificados de forma fiable por expertos. Los errores en la muestra de entrenamiento conducen a errores sistemáticos del algoritmo (Wäldchen y Mäder, 2018; Collins y Cruickshank, 2013).

2. Representatividad. La muestra de entrenamiento debe cubrir toda la diversidad de especies, su variabilidad intraespecífica, diferentes estadios de desarrollo, sexos y variaciones estacionales y geográficas. La representatividad insuficiente reduce la capacidad de generalización del algoritmo (Wäldchen y Mäder, 2018).

3. Calidad de las imágenes y los sonidos. Las imágenes deben ser suficientemente nítidas, con iluminación y ángulo correctos. Las grabaciones sonoras deben ser limpias, sin interferencias fuertes. La baja calidad de los datos dificulta la extracción de características y reduce la precisión (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

4. Equilibrio de clases. Si en la muestra de entrenamiento algunas especies están representadas por un gran número de imágenes y otras por pocas, el algoritmo puede estar sesgado hacia las clases más representadas. Es necesario aspirar al equilibrio de la muestra (Wäldchen y Mäder, 2018).

5. Metadatos. La presencia de metadatos —lugar, fecha, condiciones de toma— aumenta el valor de los datos y permite utilizarlos para la identificación contextual (Wäldchen y Mäder, 2018; Delplanque et al., 2024).

Así, la inteligencia artificial representa una herramienta potente que complementa los métodos tradicionales de identificación y monitoreo de animales. Permite automatizar operaciones rutinarias, acelerar el procesamiento de datos y hacer que la identificación sea accesible para un público amplio. Sin embargo, la calidad de los datos y la participación de expertos siguen siendo de importancia crítica para la fiabilidad de los resultados. En la siguiente sección examinaremos las bases de datos y colecciones digitales, que son la base para la acumulación y difusión de la información zoológica.

10. Bases de datos y colecciones digitales

La zoología moderna es imposible sin acceso a grandes volúmenes de información sobre los animales: su distribución, secuencias genéticas, caracteres morfológicos y características ecológicas. Las bases de datos y colecciones digitales representan la infraestructura que garantiza la acumulación, almacenamiento, búsqueda y difusión de estos datos (Paton et al., 2025; Ratnasingham y Hebert, 2007). Transforman observaciones y mediciones dispersas, realizadas por miles de investigadores en todo el mundo, en un sistema conectado de conocimiento disponible para el análisis y la reutilización.

Qué son las colecciones digitales

Las colecciones digitales son versiones digitalizadas de colecciones físicas (ejemplares de museo, muestras de herbario, preparaciones zoológicas) y de los datos asociados: etiquetas, fotografías, resultados de mediciones, secuencias genéticas, coordenadas geográficas (Paton et al., 2025; Schierwater y DeSalle, 2022). La digitalización de colecciones incluye varias etapas:

1. Creación de imágenes. Cada ejemplar se fotografía en alta resolución, a menudo desde varios ángulos, lo que permite ver los caracteres diagnósticos. Para objetos pequeños se utiliza microscopía; para los grandes, escáneres especializados (Paton et al., 2025).

2. Transcripción de etiquetas. La información de las etiquetas (lugar y fecha de recolección, colector, identificación inicial) se transfiere a formato electrónico. Este proceso puede automatizarse mediante reconocimiento de texto y crowdsourcing (Paton et al., 2025).

3. Georreferenciación. A cada muestra se le asignan coordenadas geográficas, lo que permite cartografiarla y utilizarla en análisis SIG (Paton et al., 2025; Delplanque et al., 2024).

4. Datos genéticos. Para muchos ejemplares se determinan secuencias de ADN, que se vinculan al ejemplar voucher (Ratnasingham y Hebert, 2007; Schierwater y DeSalle, 2022).

5. Publicación en bases de datos abiertas. Los datos se ponen a disposición a través de plataformas de internet como GBIF, BOLD y GenBank (Paton et al., 2025; Ratnasingham y Hebert, 2007).

Las colecciones digitales resuelven varias tareas simultáneamente. Garantizan la conservación de la información sobre ejemplares raros y frágiles, hacen las colecciones accesibles para investigadores de todo el mundo, permiten realizar análisis comparativos a gran escala e integran datos de diferentes fuentes (Paton et al., 2025; Schierwater y DeSalle, 2022).

Bases de datos: GBIF, BOLD, GenBank, EoL

Existen varias bases de datos internacionales importantes que desempeñan un papel clave en la investigación zoológica. Cada una tiene su especialización y particularidades.

GBIF (Global Biodiversity Information Facility)

GBIF es un sistema global de información sobre biodiversidad que agrega datos sobre hallazgos de especies de todo el mundo. GBIF une datos de miles de colecciones, publicaciones científicas, proyectos de ciencia ciudadana y otras fuentes (Paton et al., 2025; Delplanque et al., 2024).

Características principales de GBIF:

  • Escala. Para 2025, GBIF contenía más de 130 millones de registros de ejemplares preservados de plantas y hongos, así como millones de registros de animales (Paton et al., 2025).
  • Georreferenciación. La mayoría de los registros van acompañados de coordenadas geográficas, lo que permite utilizarlos para cartografiar la distribución de especies (Paton et al., 2025).
  • Acceso abierto. Los datos de GBIF están disponibles de forma gratuita para cualquier usuario, lo que contribuye a su amplio uso en ciencia, educación y práctica de conservación (Paton et al., 2025).
  • Estándares de datos. GBIF utiliza el estándar Darwin Core para describir los hallazgos, lo que garantiza la compatibilidad de datos de diferentes fuentes (Paton et al., 2025).

GBIF es una herramienta indispensable para estudiar la distribución de especies, modelar nichos ecológicos, evaluar la biodiversidad y monitorear cambios en las áreas de distribución (Paton et al., 2025; Delplanque et al., 2024).

BOLD (Barcode of Life Data System)

BOLD es una base de datos especializada para el código de barras de ADN, creada para almacenar, analizar y difundir secuencias de código de barras e información asociada (Ratnasingham y Hebert, 2007; Hajibabaei et al., 2007).

Características principales de BOLD:

  • Estándares de datos estrictos. Para incluir un registro en BOLD deben cumplirse siete requisitos: nombre específico, datos del voucher, datos de recolección, identificador, secuencia COI de al menos 500 pares de bases, información sobre cebadores y archivos de trazas de secuenciación (Ratnasingham y Hebert, 2007; Hanner, 2005).
  • Vínculo con vouchers. Cada secuencia está vinculada a un ejemplar físico conservado en una colección de museo, lo que garantiza la posibilidad de reverificar la identificación (Ratnasingham y Hebert, 2007).
  • Herramientas de análisis. BOLD ofrece a los usuarios herramientas para el análisis de secuencias, incluida la construcción de árboles, la búsqueda de vecinos más cercanos y la identificación de muestras desconocidas (Ratnasingham y Hebert, 2007).
  • Sistema BIN. Barcode Index Number: sistema de agrupamiento automático de secuencias COI que asigna un número único a cada grupo. Los grupos BIN a menudo corresponden a especies (Ratnasingham y Hebert, 2013).

BOLD es el recurso principal para la identificación de animales por códigos de barras de ADN. Para 2012, la base contenía más de 1,7 millones de secuencias de 160.000 especies nombradas, y este número sigue creciendo rápidamente (Watson, 2015, capítulo 22).

GenBank

GenBank es una base de datos internacional de secuencias de nucleótidos mantenida por el Centro Nacional de Información Biotecnológica (NCBI) de EE. UU. junto con el Instituto Europeo de Bioinformática (EMBL-EBI) y la Base de Datos de ADN de Japón (DDBJ) (Benson et al., 2012; Hajibabaei et al., 2007).

Características principales de GenBank:

  • Universalidad. GenBank contiene secuencias de ADN y ARN de organismos muy diversos, desde virus y bacterias hasta plantas, hongos y animales (Benson et al., 2012).
  • Volumen. GenBank es una de las bases de datos biológicas más grandes del mundo, con cientos de millones de secuencias (Benson et al., 2012).
  • Acceso abierto. Los datos de GenBank están disponibles gratuitamente a través de internet, lo que los hace accesibles para investigadores de todo el mundo (Benson et al., 2012).
  • Integración. GenBank está vinculado a otras bases de datos del NCBI, como PubMed (literatura biomédica) y Taxonomy (información taxonómica) (Benson et al., 2012).

GenBank es un recurso importante para la investigación filogenética, poblacional y molecular-evolutiva. Sin embargo, a diferencia de BOLD, GenBank no exige la presencia obligatoria de un ejemplar voucher y metadatos detallados, lo que reduce la fiabilidad de algunos registros (Collins y Cruickshank, 2013; Ratnasingham y Hebert, 2007).

EoL (Encyclopedia of Life)

EoL es un proyecto enciclopédico cuyo objetivo es crear una enciclopedia en línea de acceso libre de todas las especies de organismos conocidas por la ciencia (Schierwater y DeSalle, 2022; Paton et al., 2025).

Características principales de EoL:

  • Integración de datos. EoL agrega información de múltiples fuentes: bases de datos taxonómicas, publicaciones científicas, imágenes, videos, sonidos, mapas de distribución (Schierwater y DeSalle, 2022).
  • Accesibilidad para un público amplio. EoL está orientado no solo a especialistas, sino también al público general: estudiantes, profesores y aficionados a la naturaleza (Schierwater y DeSalle, 2022).
  • Conexión con otras bases. EoL está integrado con GBIF, BOLD, GenBank y otros recursos, lo que permite obtener información completa sobre una especie (Schierwater y DeSalle, 2022).

EoL es un recurso educativo valioso y una herramienta para la divulgación del conocimiento zoológico.

Por qué los datos abiertos aceleran la ciencia

El acceso abierto a los datos es uno de los principios clave de la ciencia moderna. Los datos abiertos aceleran el progreso científico por varias razones (Paton et al., 2025; Delplanque et al., 2024).

1. Reutilización de datos. Los investigadores pueden utilizar datos recopilados por otros para nuevos análisis sin gastar recursos en una recolección repetida. Esto es especialmente importante para especies raras y de difícil acceso, para las que la recolección de datos requiere esfuerzos significativos (Paton et al., 2025).

2. Reproducibilidad. Los datos abiertos permiten a otros investigadores verificar los resultados, lo que aumenta la fiabilidad de la ciencia y reduce el riesgo de errores (Paton et al., 2025; Collins y Cruickshank, 2013).

3. Análisis a gran escala. La combinación de datos de diferentes fuentes permite realizar análisis a escalas inalcanzables para investigadores individuales. Por ejemplo, la modelización de la distribución de especies a nivel global y el análisis del cambio climático y su impacto en la biodiversidad (Paton et al., 2025; Delplanque et al., 2024).

4. Aceleración de las publicaciones. Los datos abiertos permiten encontrar y utilizar rápidamente la información, lo que acelera la preparación de publicaciones y reduce la duplicación de esfuerzos (Paton et al., 2025; Watson, 2015).

5. Colaboración. Los datos abiertos fomentan la colaboración entre investigadores, instituciones y países. Permiten unir esfuerzos para resolver grandes problemas científicos y aplicados (Paton et al., 2025; Delplanque et al., 2024).

6. Educación y divulgación. Los datos abiertos están disponibles para estudiantes, profesores y el público general, lo que contribuye a la difusión del conocimiento y al aumento del interés por la ciencia (Paton et al., 2025; Schierwater y DeSalle, 2022).

Por qué las colecciones digitales son especialmente importantes para la educación y la práctica

Las colecciones digitales y las bases de datos tienen una enorme importancia para la educación y la actividad práctica.

Para la educación:

  • Acceso a materiales raros. Estudiantes y profesores pueden estudiar imágenes de ejemplares raros que físicamente no están disponibles en su región (Paton et al., 2025).
  • Aprendizaje interactivo. Las colecciones digitales permiten crear materiales educativos interactivos, excursiones virtuales y claves de identificación en línea (Schierwater y DeSalle, 2022; Wäldchen y Mäder, 2018).
  • Desarrollo de habilidades. El trabajo con bases de datos desarrolla en los estudiantes habilidades de búsqueda, análisis e interpretación de información biológica, necesarias para un especialista moderno (Paton et al., 2025; Schierwater y DeSalle, 2022).
  • Ciencia ciudadana. Las colecciones digitales y plataformas como iNaturalist involucran al público general en la recolección de datos sobre biodiversidad, lo que contribuye tanto a la educación como a la ciencia (Wäldchen y Mäder, 2018).

Para la práctica:

  • Diagnóstico rápido. Médicos, veterinarios, agrónomos y especialistas en cuarentena pueden utilizar las bases de datos para la identificación rápida de especies, incluidas plagas, parásitos y patógenos (Floyd et al., 2010; Staats et al., 2016).
  • Monitoreo. Los SIG y las bases de datos permiten seguir la distribución de especies, detectar invasiones y predecir brotes de plagas (Delplanque et al., 2024; Venbrux et al., 2023).
  • Conservación de la biodiversidad. Los datos sobre la distribución y la diversidad genética de las especies se utilizan para planificar medidas de conservación, identificar áreas prioritarias y evaluar la eficacia de la protección (Paton et al., 2025; Wenne, 2023).
  • Agricultura. Las bases de datos sobre plagas, enfermedades e insectos beneficiosos ayudan a optimizar la protección de plantas, la polinización y el control biológico (Hasanuzzaman, 2019; Venbrux et al., 2023).

Por qué comprender el trabajo con bases de datos es una competencia necesaria del zoólogo moderno

En la zoología moderna, la capacidad de trabajar con bases de datos y colecciones digitales se ha convertido en una competencia tan necesaria como el manejo del microscopio o el conocimiento de la morfología. Esto se debe a varias circunstancias (Paton et al., 2025; Schierwater y DeSalle, 2022; Ratnasingham y Hebert, 2007).

1. Acceso a los datos. La mayor parte de la información zoológica hoy está disponible en formato electrónico. Sin habilidades de búsqueda y procesamiento de estos datos, el investigador queda aislado de una parte significativa del conocimiento (Paton et al., 2025; Ratnasingham y Hebert, 2007).

2. Integración de datos. La investigación moderna requiere la integración de datos de diferentes fuentes: morfológicos, moleculares, ecológicos y espaciales. La capacidad de trabajar con bases de datos permite combinar eficazmente estos datos (Paton et al., 2025; Schierwater y DeSalle, 2022).

3. Análisis de big data. La zoología moderna se enfrenta cada vez más a grandes volúmenes de datos (big data). Las habilidades de trabajo con bases de datos, programación y análisis estadístico se están volviendo necesarias (Schierwater y DeSalle, 2022; Taylor y Harris, 2012).

4. Publicación de datos. Muchas revistas y fundaciones exigen la publicación de datos en bases de datos abiertas como GenBank, BOLD y GBIF. El investigador debe saber preparar y cargar correctamente los datos (Paton et al., 2025; Ratnasingham y Hebert, 2007).

5. Reproducibilidad. Para garantizar la reproducibilidad de la investigación es necesario documentar y archivar los datos, lo que requiere conocimiento de estándares y herramientas (Paton et al., 2025; Collins y Cruickshank, 2013).

6. Interdisciplinariedad. La zoología moderna está estrechamente vinculada con la genómica, la bioinformática, la ecología y la geoinformática. La capacidad de trabajar con bases de datos es un puente entre estas disciplinas (Schierwater y DeSalle, 2022; Delplanque et al., 2024).

Así, las bases de datos y las colecciones digitales representan el fundamento de la zoología moderna. Proporcionan acceso a la información necesaria para la identificación de especies, el análisis de la distribución, la evaluación de la diversidad genética, el monitoreo y la conservación de la biodiversidad. El dominio de las habilidades de trabajo con estos recursos se está convirtiendo en obligatorio para cualquier zoólogo, independientemente de su especialización. En la siguiente sección examinaremos cómo se integran los métodos moleculares y digitales en la práctica zoológica moderna.

11. Integración de métodos moleculares y digitales

Ningún método en la zoología moderna existe de forma aislada. Los métodos moleculares (código de barras de ADN, metacódigo de barras, análisis de SNP), las tecnologías digitales (SIG, teledetección, aprendizaje automático) y los enfoques morfológicos clásicos se complementan mutuamente, formando un sistema complejo para el estudio de los animales. La integración de estos métodos permite obtener resultados más fiables, completos y prácticamente aplicables que el uso de cada método por separado (Schierwater and DeSalle, 2022; Deiner et al., 2017; Delplanque et al., 2024). En esta sección examinaremos por qué la integración se ha convertido en el estándar de la zoología moderna y presentaremos un ejemplo concreto de aplicación compleja de métodos.

Por qué la zoología moderna utiliza un conjunto de métodos

Cada método tiene sus fortalezas y debilidades. La morfología permite identificar caracteres diagnósticos, describir nuevas especies y establecer homologías, pero requiere alta cualificación y no siempre es aplicable a larvas, fragmentos o especies crípticas (Schierwater and DeSalle, 2022; Collins and Cruickshank, 2013). El código de barras de ADN garantiza una identificación rápida independientemente de la etapa de desarrollo y de la integridad del organismo, pero depende de la completitud de las bases de referencia y no siempre distingue especies cercanamente emparentadas (Collins and Cruickshank, 2013; Taylor and Harris, 2012). El metacódigo de barras y el eDNA permiten analizar comunidades enteras sin captura, pero dan solo una estimación semicuantitativa y requieren una interpretación cautelosa (Deiner et al., 2017; Lentendu et al., 2022). Los SIG y la teledetección proporcionan contexto espacial, pero no dan información sobre la pertenencia específica sin validación terrestre (Delplanque et al., 2024; Hasanuzzaman, 2019). El aprendizaje automático automatiza la identificación por imágenes y sonidos, pero depende de la calidad de los datos de entrenamiento y no sustituye al experto (Wäldchen and Mäder, 2018).

La integración de métodos permite compensar las limitaciones de cada uno de ellos. Los datos moleculares confirman las determinaciones morfológicas y revelan especies crípticas (Schierwater and DeSalle, 2022; Bickford et al., 2007). Los métodos digitales garantizan la vinculación espacial y temporal de los datos moleculares, permitiendo construir mapas de distribución y modelar nichos ecológicos (Delplanque et al., 2024; Paton et al., 2025). Las bases de datos unen información dispersa, haciéndola accesible para análisis repetidos e investigaciones interdisciplinarias (Ratnasingham and Hebert, 2007; Paton et al., 2025). Precisamente la integración —y no la contraposición— de métodos se ha convertido en el rasgo distintivo de la zoología moderna.

Ejemplo: detección de una especie invasora

Consideremos un ejemplo hipotético, pero típico de la práctica moderna: la detección de una especie invasora en una etapa temprana de la invasión. Supongamos que se trata de una especie alóctona de insecto que representa una amenaza para la agricultura. La detección de tal especie requiere un enfoque integral que incluya varias etapas y métodos.

Etapa 1: detección de rastros de presencia mediante eDNA

El primer paso puede ser el análisis de ADN ambiental (eDNA). Se toman muestras de agua, suelo o lavados de superficies vegetales en los lugares potenciales de hábitat de la especie: por ejemplo, cerca de invernaderos, almacenes, nodos de transporte o tierras agrícolas. De las muestras se extrae ADN total y, mediante PCR con cebadores específicos de especie o metacódigo de barras, se busca secuencias características de la especie diana (Deiner et al., 2017; Lentendu et al., 2022). Si se detectan secuencias, esto indica una posible presencia de la especie, pero no la confirma definitivamente, ya que el ADN puede conservarse tras la muerte del organismo o ser transportado desde otros lugares (Deiner et al., 2017).

Etapa 2: confirmación de la especie mediante código de barras de ADN

Para confirmar la pertenencia específica se recolectan ejemplares físicos: adultos, larvas, huevos o fragmentos de cuerpos. Si la identificación morfológica es difícil (por ejemplo, por daño de la muestra o ausencia de caracteres diagnósticos), se utiliza el código de barras de ADN. Se extrae ADN, se amplifica un fragmento estándar del gen COI y la secuencia obtenida se compara con bases de datos de referencia (BOLD, GenBank) (Ratnasingham and Hebert, 2007; Floyd et al., 2010). La coincidencia con una secuencia conocida de la especie invasora confirma su presencia. Si la coincidencia es incompleta, esto puede indicar una nueva especie o la ausencia de referencia, lo que requiere un análisis morfológico adicional (Collins and Cruickshank, 2013).

Etapa 3: cartografía de la distribución mediante SIG

Tras confirmar la presencia de la especie, es necesario evaluar la escala de su distribución y el riesgo de dispersión posterior. Aquí se aplican SIG y teledetección. Los puntos de detección de la especie se plasman en un mapa, se analizan las regularidades espaciales: proximidad a vías de transporte, tierras agrícolas, hábitats naturales (Delplanque et al., 2024; Hasanuzzaman, 2019). Con ayuda de imágenes satelitales y drones se evalúa el estado de los hábitats y se identifican parcelas aptas para la vida de la especie. La modelización de nichos ecológicos permite predecir la distribución potencial de la especie y determinar parcelas prioritarias para el monitoreo y el control (Delplanque et al., 2024; Hasanuzzaman, 2019).

Etapa 4: monitoreo mediante trampas automáticas e IA

Para el monitoreo constante pueden utilizarse trampas automáticas equipadas con cámaras y algoritmos de reconocimiento. Las cámaras trampa o estaciones acústicas recogen datos sobre la presencia de la especie, y el aprendizaje automático clasifica automáticamente las imágenes o sonidos, filtrando fotogramas vacíos e identificando la especie diana (Wäldchen and Mäder, 2018; Delplanque et al., 2024). Esto permite seguir la dinámica de la población y evaluar la eficacia de las medidas de control sin participación humana constante.

Etapa 5: integración de datos y toma de decisiones

Todos los datos obtenidos —moleculares, morfológicos, espaciales, automáticos— se integran en un sistema único. Las bases de datos (GBIF, BOLD, SIG locales) garantizan el almacenamiento y el acceso a la información (Paton et al., 2025; Ratnasingham and Hebert, 2007). Sobre la base del análisis integral se toman decisiones sobre medidas de cuarentena, tratamientos y restricciones al movimiento de productos. Tal enfoque permite minimizar las pérdidas y prevenir la propagación posterior de la especie invasora (Floyd et al., 2010; Delplanque et al., 2024).

Por qué la integración de métodos da un resultado más fiable

La integración de métodos garantiza una mayor fiabilidad de los resultados por varias razones (Schierwater and DeSalle, 2022; Deiner et al., 2017; Delplanque et al., 2024).

1. Validación mutua. Cada método puede dar resultados falsos positivos o falsos negativos. Los datos moleculares confirman las determinaciones morfológicas, la morfología valida las identificaciones moleculares, el análisis espacial comprueba la verosimilitud ecológica de los hallazgos. El enfoque complejo reduce la probabilidad de errores (Collins and Cruickshank, 2013; Schierwater and DeSalle, 2022).

2. Complementariedad de la información. Diferentes métodos dan diferentes tipos de datos: la morfología, caracteres de estructura; el ADN, información genética; los SIG, contexto espacial; la IA, identificación automatizada. Juntos forman un cuadro completo (Delplanque et al., 2024; Wäldchen and Mäder, 2018).

3. Escalabilidad. La integración permite combinar el análisis detallado de individuos concretos (morfología, código de barras de ADN) con el monitoreo a gran escala (eDNA, metacódigo de barras, teledetección). Esto da la posibilidad de estudiar fenómenos en diferentes niveles de organización, desde poblaciones hasta ecosistemas (Deiner et al., 2017; Lentendu et al., 2022).

4. Aplicabilidad práctica. En tareas aplicadas (cuarentena, protección de plantas, conservación de la naturaleza) las decisiones deben ser rápidas y fundamentadas. La integración de métodos permite obtener un volumen suficiente de datos para tomar decisiones en plazos ajustados (Floyd et al., 2010; Delplanque et al., 2024).

5. Perspectiva a largo plazo. Los datos recogidos con diferentes métodos pueden integrarse en bases de datos y utilizarse para análisis repetidos, monitoreo de cambios e investigaciones comparativas (Paton et al., 2025; Ratnasingham and Hebert, 2007).

Así, la integración de métodos moleculares y digitales representa no simplemente una suma de tecnologías, sino un enfoque cualitativamente nuevo para el estudio de los animales. Permite resolver tareas que eran irresolubles con el uso de métodos aislados y abre nuevas posibilidades para la zoología fundamental y aplicada. En la siguiente sección examinaremos qué importancia tienen estos métodos para la agrosfera y por qué su comprensión es necesaria para el especialista moderno en agricultura.

12. Importancia para la agrosfera

La agrosfera es el ámbito de la actividad humana relacionado con la producción agrícola, que incluye agrocenosis, pastizales, granjas, invernaderos, almacenes y territorios naturales adyacentes. Los animales desempeñan en la agrosfera un doble papel: unos son plagas, patógenos y vectores de enfermedades; otros son organismos beneficiosos (polinizadores, entomófagos, formadores del suelo). La gestión eficaz de la agrosfera requiere una identificación precisa y rápida de especies, el monitoreo de su abundancia y distribución, y la evaluación del estado de los ecosistemas. Los métodos moleculares y digitales examinados en las secciones anteriores proporcionan al agrónomo y al especialista en protección de plantas herramientas que amplían significativamente las posibilidades de los enfoques tradicionales (Floyd et al., 2010; Hasanuzzaman, 2019; Venbrux et al., 2023).

a) Métodos moleculares: base para el diagnóstico rápido de plagas y objetos de cuarentena

La protección de plantas y la cuarentena son áreas donde la velocidad y la precisión de la identificación tienen una importancia crítica. Los errores en la determinación de la especie pueden conducir a medidas de cuarentena injustificadas y pérdidas económicas, o a dejar pasar una plaga peligrosa y su posterior propagación. Los métodos moleculares, y en primer lugar el código de barras de ADN, garantizan un diagnóstico rápido y fiable que no está disponible con el uso exclusivo de enfoques morfológicos (Floyd et al., 2010; Staats et al., 2016).

Identificación en cualquier etapa de desarrollo. Muchos objetos de cuarentena se detectan en la etapa de huevo, larva o pupa, cuando los caracteres morfológicos son insuficientes para determinar la especie. El código de barras de ADN permite identificar tales muestras por la secuencia del gen COI, que es igual en todas las etapas del ciclo vital (Floyd et al., 2010; Schierwater and DeSalle, 2022). Por ejemplo, las larvas de moscas de la fruta (Tephritidae), escarabajos de la corteza (Scolytinae) y lepidópteros plaga pueden determinarse con precisión incluso en ausencia de adultos (Floyd et al., 2010; Staats et al., 2016).

Identificación de muestras fragmentadas. En la inspección de cargamentos a menudo se encuentran fragmentos de insectos, ácaros, nematodos o tejidos vegetales que no pueden determinarse morfológicamente. El código de barras de ADN permite obtener una identificación a partir de una cantidad mínima de tejido (Floyd et al., 2010; Hajibabaei et al., 2007). Esto es especialmente importante para la cuarentena, donde la decisión debe tomarse rápidamente y la muestra puede estar dañada o incompleta.

Detección de infecciones ocultas. Muchas plagas se desarrollan dentro de frutos, semillas, tubérculos o tallos y no son visibles en la inspección externa. Los métodos moleculares permiten detectar su presencia por rastros de ADN en tejidos vegetales o productos procesados (Staats et al., 2016; Floyd et al., 2010). El metacódigo de barras permite analizar muestras mixtas —por ejemplo, partidas de grano, harina, especias, materia prima vegetal medicinal— y detectar la presencia de especies de cuarentena incluso en cantidades traza (Staats et al., 2016; Lentendu et al., 2022).

Diagnóstico de patógenos y vectores. Los métodos moleculares se aplican ampliamente para detectar agentes causales de enfermedades de plantas —bacterias, hongos, oomicetos, virus, nematodos— así como sus vectores (insectos, ácaros). La PCR, qPCR, LAMP y otros métodos de amplificación permiten detectar el patógeno en etapas tempranas de infección, cuando los síntomas aún no se manifiestan (Venbrux et al., 2023; Agrios, 2005). Esto da la posibilidad de tomar medidas oportunas y prevenir una epifitotia (Agrios, 2005).

Objetos de cuarentena y especies invasoras. El código de barras de ADN es especialmente valioso para la identificación de objetos de cuarentena, muchos de los cuales son especies crípticas o tienen parientes morfológicamente similares. Por ejemplo, el complejo de especies Lymantria dispar (lagarta peluda) incluye subespecies y poblaciones que difieren en grado de peligrosidad y estatus de cuarentena. Los marcadores moleculares permiten distinguirlas y tomar la decisión correcta (Floyd et al., 2010; Staats et al., 2016). De manera análoga, para la identificación de especies invasoras de moluscos, crustáceos, peces e insectos se utilizan el código de barras de ADN y el metacódigo de barras (Wenne, 2023; Deiner et al., 2017).

Limitaciones y necesidad de validación. Como se señaló en la sección 4, el código de barras de ADN no siempre da un resultado inequívoco. Para fines de cuarentena es especialmente importante la fiabilidad de la identificación, por lo que los datos moleculares deben respaldarse con análisis morfológico, y las bases de referencia deben ser completas y de calidad (Collins and Cruickshank, 2013; Floyd et al., 2010). No obstante, los métodos moleculares se han convertido en parte integral del diagnóstico moderno de cuarentena, y su papel aumentará a medida que se complete las bases de datos y se perfeccionen las tecnologías (Staats et al., 2016; Venbrux et al., 2023).

b) Metacódigo de barras: base para el monitoreo de la biodiversidad de las agrocenosis

Las agrocenosis son ecosistemas artificiales creados por el ser humano para la producción agrícola. Se caracterizan por una estructura simplificada, baja diversidad de especies y alta dependencia de las influencias antrópicas. Sin embargo, incluso en las agrocenosis habita multitud de organismos: invertebrados del suelo, insectos polinizadores, entomófagos, patógenos, plantas adventicias. El monitoreo de esta biodiversidad es importante para evaluar la salud de los suelos, la eficacia del control biológico, la polinización y la sostenibilidad de los agroecosistemas (Lentendu et al., 2022; Deiner et al., 2017).

Monitoreo de la biodiversidad del suelo. El suelo es uno de los hábitats más ricos y menos estudiados. En un gramo de suelo pueden contenerse miles de especies de bacterias, hongos, protozoos, nematodos y microartrópodos. Los métodos tradicionales de evaluación de la biodiversidad del suelo requieren una recolección de muestras laboriosa, extracción de organismos e identificación morfológica, lo que a menudo es imposible para grupos pequeños y difíciles de determinar. El metacódigo de barras del ADN del suelo permite obtener un perfil completo de la comunidad sin aislar organismos individuales (Lentendu et al., 2022; Deiner et al., 2017). Esto da la posibilidad de evaluar la influencia de las medidas agrotécnicas —labranza, aplicación de fertilizantes, pesticidas, rotación de cultivos— sobre la biota del suelo (Lentendu et al., 2022).

Monitoreo de insectos útiles. Los polinizadores (abejas, abejorros, mariposas, moscas de las flores) y los entomófagos (escarabajos depredadores, arañas, parasitoides) desempeñan un papel clave en las agrocenosis. El metacódigo de barras permite evaluar su diversidad específica y su abundancia sin captura ni identificación morfológica, lo que es especialmente importante para grupos pequeños y difíciles de determinar (Lentendu et al., 2022; Deiner et al., 2017). El análisis de eDNA de flores, hojas o suelo permite revelar la presencia de polinizadores y su actividad (Deiner et al., 2017).

Detección temprana de plagas. El metacódigo de barras permite detectar plagas en etapas tempranas de infestación, cuando su abundancia aún es baja y los métodos tradicionales de monitoreo son ineficaces. El análisis de eDNA de suelo, agua o tejidos vegetales permite revelar la presencia de la plaga antes de que cause un daño perceptible (Deiner et al., 2017; Lentendu et al., 2022). Esto da la posibilidad de tomar medidas oportunas y reducir las pérdidas de cosecha.

Evaluación de la eficacia del control biológico. El control biológico —el uso de enemigos naturales para suprimir plagas— es la base de la agricultura sostenible. El metacódigo de barras permite evaluar la presencia y actividad de entomófagos, parasitoides y patógenos de plagas, lo que ayuda a optimizar las estrategias de biocontrol (Lentendu et al., 2022; Deiner et al., 2017).

Monitoreo de especies invasoras. Las agrocenosis a menudo sufren la invasión de especies alóctonas que pueden causar daños significativos. El metacódigo de barras y el eDNA permiten detectar especies invasoras en etapas tempranas, cuando su abundancia aún es baja, y tomar medidas para su control (Deiner et al., 2017; Wenne, 2023).

Limitaciones del metacódigo de barras en la agrosfera. Como se señaló en la sección 6, el metacódigo de barras da una estimación semicuantitativa y requiere una interpretación cautelosa. Para fines agronómicos es importante comprender que la presencia de ADN de una plaga en la muestra no siempre significa una abundancia poblacional económicamente significativa. No obstante, el metacódigo de barras es una herramienta potente para la alerta temprana y la evaluación de la biodiversidad de las agrocenosis (Lentendu et al., 2022; Deiner et al., 2017).

c) SIG y teledetección: base de la agricultura de precisión

La agricultura de precisión (precision agriculture) es un enfoque de gestión de la producción agrícola que tiene en cuenta la heterogeneidad espacial y temporal de los campos. Los SIG y la teledetección son la base tecnológica de la agricultura de precisión, ya que permiten recoger, analizar y utilizar datos espaciales para optimizar la aplicación de fertilizantes, pesticidas, riego y otras medidas agrotécnicas (Hasanuzzaman, 2019; Delplanque et al., 2024).

Cartografía de campos y rendimiento. Los SIG permiten crear mapas de campos con la delimitación de fronteras, tipos de suelo, relieve y vegetación. Con ayuda de sensores en las cosechadoras se crean mapas de rendimiento que muestran la heterogeneidad espacial de la productividad. Estos datos se utilizan para la aplicación diferenciada de fertilizantes y la optimización de la agrotécnica (Hasanuzzaman, 2019).

Monitoreo del estado de los cultivos. La teledetección permite evaluar el estado de los cultivos sobre la base de las características espectrales de la vegetación. Los índices de vegetación (NDVI, EVI, PRI) reflejan la biomasa, el contenido de clorofila y la humedad, lo que permite detectar estrés en etapas tempranas, cuando los síntomas visuales aún no se manifiestan (Hasanuzzaman, 2019; Venbrux et al., 2023). Las imágenes hiperespectrales y térmicas permiten distinguir el estrés biótico del abiótico, así como identificar patógenos concretos (Venbrux et al., 2023).

Detección de focos de plagas y enfermedades. Las características espectrales de las plantas afectadas difieren de las sanas, lo que permite detectar focos de plagas y enfermedades en etapas tempranas. La teledetección ofrece la posibilidad de un monitoreo a gran escala y una cartografía precisa de los focos, lo que permite aplicar pesticidas solo donde es necesario, reduciendo costes e impacto ambiental (Venbrux et al., 2023; Hasanuzzaman, 2019).

Aplicación diferenciada de fertilizantes y pesticidas. Sobre la base de mapas de rendimiento, estado de los cultivos y focos de plagas, los SIG permiten crear mapas de tarea para la aplicación diferenciada de fertilizantes y pesticidas. Esto reduce costes, aumenta la eficacia y disminuye la contaminación ambiental (Hasanuzzaman, 2019).

Monitoreo de los recursos del suelo. Los SIG y la teledetección se utilizan para cartografiar la cubierta edáfica, evaluar la erosión, la salinización y la degradación de las tierras. Estos datos son necesarios para planificar rotaciones de cultivos, elegir cultivos y gestionar sosteniblemente los recursos de la tierra (White, 2006; Hasanuzzaman, 2019).

Predicción y alerta temprana. La integración de SIG, teledetección y datos meteorológicos permite crear sistemas de predicción de brotes de plagas y enfermedades. Los modelos basados en datos climáticos y en la fenología de las plagas permiten predecir el momento y el lugar de aparición de los focos y tomar medidas oportunas (Venbrux et al., 2023; Hasanuzzaman, 2019).

Monitoreo de la biodiversidad de los paisajes agrícolas. Los SIG y la teledetección se utilizan para evaluar la biodiversidad de los paisajes agrícolas, identificar hábitats de insectos útiles (polinizadores, entomófagos) y evaluar el impacto de la actividad agrícola sobre la vida silvestre (Delplanque et al., 2024; Lentendu et al., 2022).

Limitaciones y necesidad de validación terrestre. La teledetección no da información directa sobre la pertenencia específica de los organismos. Para la identificación de plagas y patógenos se necesita validación terrestre: recolección de muestras, diagnóstico molecular o morfológico. Por ello, los SIG y la teledetección deben utilizarse en conjunto con otros métodos (Delplanque et al., 2024; Venbrux et al., 2023).

d) Bases de datos digitales: base para el acceso a la información

El agrónomo moderno, como el zoólogo, necesita acceso rápido a información sobre especies, su distribución, secuencias genéticas, métodos de diagnóstico y control. Las bases de datos digitales proporcionan esta información de forma cómoda y accesible (Paton et al., 2025; Ratnasingham and Hebert, 2007).

BOLD y GenBank: acceso a secuencias de referencia. Para la identificación molecular de plagas y patógenos se necesitan secuencias de referencia de ADN. BOLD y GenBank proporcionan acceso a millones de secuencias que pueden utilizarse para comparación e identificación (Ratnasingham and Hebert, 2007; Benson et al., 2012). El agrónomo o especialista en protección de plantas puede enviar una muestra al laboratorio, obtener la secuencia COI y compararla con la base de datos para determinar la especie (Floyd et al., 2010).

GBIF: acceso a datos de distribución. GBIF contiene millones de registros de hallazgos de especies, lo que permite analizar la distribución de plagas, predecir su aparición en nuevas regiones y evaluar el riesgo de invasión (Paton et al., 2025; Delplanque et al., 2024). Estos datos se utilizan para crear mapas de distribución, modelar nichos ecológicos y planificar medidas de cuarentena.

EoL y otras enciclopedias: acceso a información de referencia. Encyclopedia of Life y otros recursos en línea proporcionan información de referencia sobre las especies: su morfología, ecología, distribución y significado económico. Estos recursos son útiles para la formación, la identificación y la toma de decisiones (Schierwater and DeSalle, 2022; Paton et al., 2025).

Aplicaciones móviles para identificación. Aplicaciones como Pl@ntNet, iNaturalist, Merlin Bird ID permiten al agrónomo identificar rápidamente plantas, insectos y aves con ayuda de un smartphone. Estas aplicaciones utilizan aprendizaje automático y bases de datos para la identificación automática y son gratuitas (Wäldchen and Mäder, 2018; Joly et al., 2016). Son especialmente útiles para el diagnóstico rápido en el campo, cuando no hay posibilidad de consultar a un experto.

Sistemas de apoyo a la toma de decisiones. Las bases de datos digitales se integran con sistemas de apoyo a la toma de decisiones (DSS), que ayudan al agrónomo a planificar tratamientos, elegir pesticidas y predecir el rendimiento. Tales sistemas utilizan datos sobre el tiempo, la fenología de las plagas, la resistencia de las variedades y los umbrales económicos de daño (Hasanuzzaman, 2019; Venbrux et al., 2023).

Datos abiertos y cooperación. El acceso abierto a los datos favorece la cooperación entre investigadores, agrónomos, servicios de cuarentena y agricultores. Los datos recogidos en una región pueden utilizarse para la predicción y la gestión en otras regiones, lo que es especialmente importante para el control de plagas y enfermedades transfronterizas (Paton et al., 2025; Floyd et al., 2010).

Papel educativo. Las bases de datos y colecciones digitales son un valioso recurso educativo. Los estudiantes de especialidades agrarias pueden estudiar especies de plagas y organismos beneficiosos, su distribución y sus datos genéticos sin tener acceso a colecciones físicas. Esto amplía las posibilidades de formación y preparación de especialistas (Paton et al., 2025; Schierwater and DeSalle, 2022).

Conclusión

Los métodos moleculares y digitales representan un poderoso instrumental de la zoología moderna que encuentra una aplicación cada vez más amplia en la agrosfera. Los métodos moleculares garantizan un diagnóstico rápido y preciso de plagas, patógenos y objetos de cuarentena; el metacódigo de barras permite monitorear la biodiversidad de las agrocenosis y detectar focos de plagas en etapas tempranas; los SIG y la teledetección constituyen la base de la agricultura de precisión y del análisis espacial; las bases de datos digitales garantizan el acceso a la información necesaria para la toma de decisiones. La integración de estos métodos con los enfoques clásicos —morfología, ecología, agronomía— permite resolver tareas que eran irresolubles hace apenas unas décadas.

Para el especialista moderno en agricultura, comprender las posibilidades y limitaciones de estos métodos se convierte en una competencia necesaria. Permite utilizar eficazmente los recursos disponibles, tomar decisiones fundamentadas y participar en proyectos interdisciplinarios dirigidos al desarrollo sostenible de la agrosfera. Los métodos moleculares y digitales no son un sustituto de los conocimientos tradicionales, sino su ampliación y refuerzo, que abre nuevos horizontes para la ciencia y la práctica.

Referencias

  1. (2007). ‘Research Priorities’, in The State of the World’s. Animal Genetic Resources for Food and Agriculture. Rome: Commission on Genetic Resources for Food and Agriculture. Food and Agriculture Organization of the United Nations, pp. 477-486.
  2. Agrios, G.N. (2005). ‘Plant Disease Epidemiology’, in Plant Pathology. London, UK: ACADEMIC PRESS, pp. 265-291.
  3. Ali, Musaddiq, Mubeen, Muhammad, Hussain, Nazim, Wajid, Aftab, Farid, H.Umar, Awais, Muhammad, Hussain, Sajjad, Akram, Waseem, Amin, Asad, Akram, Rida, Imran, Muhammad, Ali, Amjed, Nasim, Wajid (2019). ‘Role of ICT in Crop Management’, in Agronomic Crops. Singapore: Springer Singapore, 637-652. doi: 10.1007/978-981-32-9783-8_28
  4. Bickford, David, Lohman, D.J., Sodhi, N.S., Ng, P.K..L., Meier, Rudolf, Winker, Kevin, Ingram, K.K., Das, Indraneil (2007). ‘Cryptic species as a window on diversity and conservation’, Trends in Ecology & Evolution, 22(3), 148-155. doi: 10.1016/j.tree.2006.11.004 (PubMed)
  5. Collins, R.A., Cruickshank, R.H. (2012). ‘The seven deadly sins of DNA barcoding’, Molecular Ecology Resources, 13(6), 969-975. doi: 10.1111/1755-0998.12046 (PubMed)
  6. Cubero, Jaime, Zarco-Tejada, P.J., Cuesta-Morrondo, Sara, Palacio-Bielsa, Ana, Navas-Cortés, J.A., Sabuquillo, Pilar, Poblete, T., Landa, B.B., Garita-Cambronero, Jerson (2024). ‘New Approaches to Plant Pathogen Detection and Disease Diagnosis’, Phytopathology®, 114(9), 1989-2006. doi: 10.1094/PHYTO-10-23-0366-IA (PubMed)
  7. DeSalle, Rob, Feindt, Wiebke, Schierwater, Bernd (2022). ‘Invertebrate Phylogenomics’, in Schierwater, Bernd, DeSalle, Rob (ed.) Invertebrate Zoology. A Tree of Life Approach. Boca Raton, FL: CRC Press, pp. 45-64.
  8. DeSalle, Rob, Schierwater, Bernd (2022). ‘Invertebrates and Information’, in Schierwater, Bernd, DeSalle, Rob (ed.) Invertebrate Zoology. A Tree of Life Approach. Boca Raton, FL: CRC Press, pp. 9-26.
  9. Deiner, Kristy, Bik, H.M., Mächler, Elvira, Seymour, Mathew, Lacoursière-Roussel, A., Altermatt, Florian, Creer, Simon, Bista, Iliana, Lodge, D.M., deVere, N., Pfrender, M.E., Bernatchez, Louis (2017). ‘Environmental DNA metabarcoding: Transforming how we survey animal and plant communities’, Molecular Ecology, 26(21), 5872-5895. doi: 10.1111/mec.14350 (PubMed)
  10. Delplanque, Alexandre, Théau, J., Foucher, Samuel, Serati, Ghazaleh, Durand, Simon, Lejeune, Philippe (2024). ‘Wildlife detection, counting and survey using satellite imagery: are we there yet?’, GIScience & Remote Sensing, 61(1), null. doi: 10.1080/15481603.2024.2348863
  11. Floyd, Robin, Lima, J., Jeremy deWaard, Humble, Leland, Hanner, Robert (2010). ‘Common goals: policy implications of DNA barcoding as a protocol for identification of arthropod pests’, Biological Invasions, 12(9), 2947-2954. doi: 10.1007/s10530-010-9709-8
  12. Galimberti, Andrea, Mattia, F.De, Losa, Alessia, Bruni, Ilaria, Federici, Silvia, Casiraghi, Maurizio, Martellos, Stefano, Labra, Massimo (2013). ‘DNA barcoding as a new tool for food traceability’, Food Research International, 50(1), 55-63. doi: 10.1016/j.foodres.2012.09.036
  13. Gaston, K.J., O'Neill, M.A. (2004). ‘Automated species identification: why not?’, Philosophical Transactions of the Royal Society of London. Series B: Biological Sciences, 359(1444), 655-667. doi: 10.1098/rstb.2003.1442 (PubMed)
  14. Hajibabaei, Mehrdad, Singer, G.A..C., Hebert, P.D..N., Hickey, D.A. (2007). ‘DNA barcoding: how it complements taxonomy, molecular phylogenetics and population genetics’, Trends in Genetics, 23(4), 167-172. doi: 10.1016/j.tig.2007.02.001 (PubMed)
  15. Joly, Alexis, Bonnet, Pierre, Goëau, H., Barbe, Julien, Selmi, Souheil, Champ, Julien, Dufour-Kowalski, Samuel, Affouard, Antoine, Carré, Jennifer, Molino, J., Boujemaa, Nozha, Barthélémy, Daniel (2015). ‘A look inside the Pl@ntNet experience’, Multimedia Systems, 22(6), 751-766. doi: 10.1007/s00530-015-0462-9
  16. Kulibaba, R.O., Srikulnath, Kornsorn, Singchat, Worapong, Liashenko, Y.V., Griffin, D.K., Romanov, M.N. (2025). ‘The Application of Microsatellite Markers as Molecular Tools for Studying Genomic Variability in Vertebrate Populations’, Current Issues in Molecular Biology, 47(6), 447. doi: 10.3390/cimb47060447 (PubMed)
  17. Lentendu, Guillaume, Lara, Enrique, Geisen, Stefan (2022). ‘Metabarcoding Approaches for Soil Eukaryotes, Protists, and Microfauna’, in Methods in Molecular Biology. New York, NY: Springer US, 1-16. doi: 10.1007/978-1-0716-2871-3_1
  18. Miller, S.E. (2015). ‘DNA barcoding in floral and faunal research’, in Descriptive Taxonomy. : Cambridge University Press, 296-311. doi: 10.1017/CBO9781139028004.028
  19. PUILLANDRE, N., LAMBERT, A., BROUILLET, S., ACHAZ, G. (2011). ‘ABGD, Automatic Barcode Gap Discovery for primary species delimitation’, Molecular Ecology, 21(8), 1864-1877. doi: 10.1111/j.1365-294X.2011.05239.x (PubMed)
  20. Paton, A.James, Ameka, G.K., Antonelli, Alexandre, Asase, Alex, Barrett, R.L., Bogaerts, Ann, Cardoso, Domingos, Carine, Mark, Culham, Alastair, Dalimunthe, S.H., Davies, Nina, Smedt, S.De, Demissew, Sebebe, Forzza, R.Campostrini, Groom, Quentin, Haston, E.M., Kartonegoro, Abdulrokhman, Kersey, Paul, Larridon, Isabel, Leong-Škorničková, J., Lohmann, L.G., Lourenco, Jehova, McPherson, Hannah, Muasya, Muthama, Nicolson, Nicky, Pace, Marcelo, Plummer, J.F., Ralimanana, H., Rustiami, Himmah, Sauquet, H., Sessa, E.B., Smets, Eric, Sumadijaya, Alex, Teisher, Jordan, Thomas, D.C., Tihurua, E.F., Victor, J.E., Wagner, S.T., Wang, Quiang, Young, Andrew (2025). ‘Life after herbarium digitisation: Physical and digital collections, curation and use’, PLANTS, PEOPLE, PLANET, 8(4), 1029-1041. doi: 10.1002/ppp3.70078
  21. Ratnasingham, Sujeevan, Hebert, P.D.N. (2007). ‘The Barcode of Life Data System (www.barcodinglife.org)’, Molecular Ecology Notes, 7(0), 355–364. doi: 10.1111/j.1471-8286.2006.01678.x
  22. Roberts, L.S., Janovy, J. Jr., Nadler, Steve (2013). ‘Microsporidia and Myxozoa: Parasites with Polar Filaments’, in Foundations of Parasitology. New York, NY: McGraw-Hill, pp. 175-184.
  23. Smith, V.S. (2015). ‘E-publishing descriptive taxonomy: the convergence of taxonomic journals and databases’, in Descriptive Taxonomy. : Cambridge University Press, 272-295. doi: 10.1017/CBO9781139028004.027
  24. Staats, Martijn, Arulandhu, A.J., Gravendeel, Barbara, Holst-Jensen, Arne, Scholtens, Ingrid, Peelen, Tamara, Prins, T.W., Kok, Esther (2016). ‘Advances in DNA metabarcoding for food and wildlife forensic species identification’, Analytical and Bioanalytical Chemistry, 408(17), 4615-4630. doi: 10.1007/s00216-016-9595-8 (PubMed)
  25. Stuessy, T.F. (2009). ‘Genetics and Population Genetics’, in Plant Taxonomy. New York: Columbia University Press, pp. 295-308.
  26. TAYLOR, H.R., HARRIS, W.E. (2012). ‘An emergent science on the brink of irrelevance: a review of the past 8 years of DNA barcoding’, Molecular Ecology Resources, 12(3), 377-388. doi: 10.1111/j.1755-0998.2012.03119.x (PubMed)
  27. Wenne, Roman (2023). ‘Single Nucleotide Polymorphism Markers with Applications in Conservation and Exploitation of Aquatic Natural Populations’, Animals, 13(6), 1089. doi: 10.3390/ani13061089 (PubMed)
  28. White, R.E. (2006). ‘Soil Information Systems’, in Principles and Practice of Soil Science. The Soil as a Natural Resource. Malden, MA: Blackwell Publishing, pp. 314-332.
  29. Wäldchen, Jana, Mäder, Patrick (2018). ‘Machine learning for image based species identification’, Methods in Ecology and Evolution, 9(11), 2216-2225. doi: 10.1111/2041-210X.13075
  30. Yue, W. (2026). ‘Sponges or Ctenophores? A Synthesis of Evidence on the Root of the Animal Phylogeny’, , 0(0). doi: 10.20944/preprints202601.1072.v1