La industria del cannabis
“Necesitamos ciencia. Necesitamos ciencia Necesitamos ciencia "
Estos fueron los mensajes repetidos por los oradores en la quinta conferencia anual de la Conferencia Esmeralda en California, un evento centrado en discutir el último análisis y producción de cannabis. Este mantra es la respuesta a dos problemas fundamentales que enfrenta la industria del cannabis.
El primero de estos problemas es que nadie conoce los mecanismos de cómo esta planta afecta a los humanos. Hay algunos conocimientos básicos del sistema endocannabinoide humano observados a través de estudios anecdóticos, pero poco en términos de ensayos clínicos basados en la ciencia.
El segundo desafío para la ciencia del cannabis es que es increíblemente difícil realizar legalmente un estudio científico sobre el cannabis.
En un esfuerzo por aumentar el estado del conocimiento sobre el cannabis, los investigadores están buscando asociaciones con productores de cannabis con licencia que puedan producir resultados mutuamente beneficiosos. En principio, los productores generalmente son muy receptivos a este tipo de asociación: se considera una oportunidad potencial para estar a la vanguardia de las nuevas tecnologías o estrategias de producción que les pueden dar una ventaja en un mercado extremadamente competitivo.
En la práctica, las asociaciones entre investigadores científicos y productores de cannabis son muy desafiantes, ya que ambas partes tienden a tener objetivos diferentes. Los estudios científicos generalmente requieren una gran cantidad de tiempo, espacio y un manejo meticuloso de la experiencia. Si un estudio está explorando dosis múltiples de un tratamiento dado, esto puede resultar en plantas extremadamente estresadas y de bajo rendimiento, hasta el punto de perder el cultivo. Si bien esto puede haber sido parte del proyecto experimental, es comprensible que los productores no estén entusiasmados con una asociación de investigación en la que pierdan parte de su producción y socaven sus resultados.
¿Qué hace que un estudio sea "científico"?
En pocas palabras, un estudio científico arroja resultados que tienen un grado de certeza cuantificable para ellos. Por ejemplo, si un estudio encontró que uno de sus tratamientos experimentales era "estadísticamente significativo", esto generalmente significa que había una probabilidad de más del 95 por ciento de que el resultado observado se debiera realmente al tratamiento aplicado en lugar de al azar. Esta certeza del 95% es el límite más común para considerar algo estadísticamente significativo (aunque hay excepciones en las que este límite debería ser mucho más alto que el 95%), y el límite utilizado en un estudio siempre se establece claramente en un informe científico.
Para lograr este grado de certeza, los estudios emplean la aleatorización y la replicación para explicar factores potencialmente confusos que pueden arrojar resultados engañosos. La aleatorización y la replicación adecuadas son esencialmente lo que es el diseño experimental y es lo que separa un experimento científico de una comparación anecdótica.
Diseñando un experimento de invernadero
Para comprender los tipos de factores de confusión que pueden producir resultados engañosos en un experimento, consideremos un ejemplo de un experimento realizado en una cámara de crecimiento de plantas, donde queremos comparar la influencia de dos espectros de luz diferentes en el rendimiento de la planta. Una luz es de apariencia amarilla y la otra parece cian. Dentro de nuestra cámara tenemos una rejilla de alambre a la izquierda y una rejilla de alambre a la derecha. Ambos bastidores de alambre tienen cuatro capas en las que podemos cultivar plantas. Diseñado como un entorno altamente controlado específicamente para la investigación de producción de plantas, el ambiente interior es teóricamente homogéneo. Hay varios sensores en toda la cámara que monitorean constantemente el entorno: se tienen en cuenta la temperatura, la humedad relativa, el déficit de presión de vapor, la velocidad del aire y las concentraciones de CO2. Las plantas cultivadas en la cámara son genéticamente muy similares, siendo clonadas de la misma planta madre. Todas las plantas están ancladas al mismo sustrato de enraizamiento inerte y alimentadas desde el mismo depósito de nutrientes que se monitorea constantemente para determinar el pH, la conductividad eléctrica y el contenido de oxígeno disuelto. A medida que avanzamos con nuestro estudio, comparando la influencia de dos cualidades de luz diferentes en el rendimiento en este entorno, parece que no hay otro factor que influya en nuestro resultado.
En la práctica, es increíblemente difícil lograr un ambiente totalmente uniforme, y generalmente se acepta que ningún ambiente logra esta uniformidad teórica perfecta. Más a menudo, hay muchas inconsistencias menores en el entorno que tienen el potencial de crear un problema para su estudio. En este caso, tal vez la colocación de las sondas de CO2 proporcionó una excelente lectura del CO2 promedio dentro de la cámara, pero no captó el hecho de que la concentración de CO2 era mayor cerca del piso que del techo.
Además, quizás las líneas de fertirrigación que alimentan el lado izquierdo de la cámara desarrollaron un nivel de contaminación de algas lo suficientemente alto como para que las algas consumieran muchos de los nutrientes de la solución de fertirrigación antes de llegar a las plantas en estudio.
En esta situación hipotética, las plantas hacia el fondo de la cámara y en el lado derecho de la cámara estarían predispuestas para obtener mayores rendimientos, se desarrollaron en un entorno comparativamente rico en CO2 y nutrientes, a pesar de los esfuerzos para homogeneizar la cámara de investigación. .
El diseño experimental adecuado supone que los factores de confusión aleatorios y a menudo misteriosos como estos son inevitables, y por lo tanto, la aleatorización y la replicación se utilizan para explicar la influencia que estos factores pueden tener en su estudio.
Volviendo al ejemplo de nuestra cámara de crecimiento, podemos intentar identificar factores que no esperamos que tengan un impacto significativo en nuestro estudio, pero reconocemos la posibilidad de que pueda haber algo sobre este factor que no entendemos. Recuerde, al comienzo de este estudio, no sabemos que habrá un problema con las algas en las líneas de fertirrigación en el lado izquierdo de la cámara, ni que nuestras concentraciones de CO2 sean desiguales. En cambio, identificamos que nuestras plantas experimentales están dispersas por toda la cámara. Algunas plantas están allá arriba, algunas están abajo, algunas están a la izquierda y otras a la derecha. A partir de esto, identificamos dos factores potencialmente confusos: "Altura" y "Lateral". Debido a que cultivamos plantas en cuatro niveles, el factor conocido como "Altura" tiene cuatro niveles: superior, medio-alto, medio-bajo e inferior. Como tenemos un conjunto de estantes a la izquierda y un conjunto de estantes a la derecha, el factor conocido como "Lateral" tiene dos niveles: izquierdo y derecho. Se puede argumentar fácilmente que podría haber otro factor llamado "Profundidad" en el que tratamos de explicar la variabilidad de adelante hacia atrás de la cámara.
Una vez que identificamos lo que creemos que son factores de confusión en nuestro entorno de producción, podemos determinar la mejor manera de introducir el factor que realmente estamos tratando de estudiar: "Calidad de la luz". De hecho, para todos los efectos, nuestro "tratamiento" es solo otro factor de influencia. En este caso, este factor se llama "Calidad de luz" y tiene dos niveles: "amarillo" y "cian". Nuestro objetivo aquí es mezclar sistemáticamente nuestro factor de interés con los otros dos factores que identificamos como potencialmente en juego en nuestra cámara.
Por ejemplo, queremos asegurarnos de que en el nivel "inferior" del factor "Altura" tengamos algo de calidad de luz "amarilla" y algo de calidad de luz "cian". El mismo razonamiento se aplica a la mezcla de la calidad de la luz entre el factor secundario.
Deberíamos terminar con un diseño similar al siguiente:
Al aleatorizar sistemáticamente las réplicas de nuestro factor de interés, podemos explicar cualquier influencia que nuestros factores de confusión puedan tener en nuestro resultado.
A nivel conceptual, observe cómo funciona esto: al analizar los datos de rendimiento de este experimento, cada factor se analizaría inicialmente por separado. Analizando la influencia de la "Altura" en este estudio, se promedian todos los datos para cada nivel de Altura y luego se comparan entre sí. Dado que cada nivel de altura tiene un número igual de plantas de calidad de luz cian y amarilla, el factor de calidad de la luz no hace ninguna diferencia en nuestro análisis del factor de altura; cualquier variabilidad introducida por Light Quality se tiene en cuenta y se anula en esta comparación.
Entonces se puede analizar el factor "lateral". Todos los datos de rendimiento de la planta en el lado izquierdo de la cámara se promedian, así como los datos en el lado derecho de la cámara. Estos promedios se comparan para determinar si hubo una diferencia significativa en el rendimiento de la planta en función del lado de la cámara en la que se cultivaron. Nuevamente, la influencia de la calidad de la luz se ve compensada por el hecho de que ambos lados de la cámara están equilibrados en los niveles de calidad de la luz.
Finalmente, se puede analizar la calidad de la luz. Se promedian los datos de rendimiento de todas las plantas de calidad de luz amarilla, así como los datos de rendimiento de la planta de calidad de luz cian. Al comparar estos promedios, podemos identificar si el factor de calidad de la luz tuvo una influencia significativa en el rendimiento.
En el espíritu de mantener este artículo sobre los principios del diseño experimental y no la aritmética, no discutimos aquí exactamente cómo saber si los promedios que compara dentro de un factor (por ejemplo, el rendimiento promedio entre las plantas izquierda y derecha). secundario) son significativamente diferentes o no. La respuesta corta es que tiene que ver con la variabilidad en torno a cada uno de estos promedios y cuánto se superpone la variabilidad entre los dos promedios. Para conocer los detalles, es posible que desee estudiar el error estándar y los valores de desviación estándar.
Al diseñar nuestro estudio de cámara de esta manera, eliminamos la posibilidad de que los factores de confusión influyan en los efectos de nuestro factor de interés. Puede parecer una exageración, pero al tener en cuenta tantos factores de confusión como sea posible, logramos un nivel de credibilidad y certeza en nuestros resultados inalcanzables.
Este artículo es solo una breve introducción a las estrategias para un diseño experimental adecuado. El mensaje para los productores aquí es que si desea realizar un estudio científico, tenga en cuenta todos los factores que pueden influir en sus resultados. Haga esto, y su negocio podría ser la compañía que lidera la investigación de cannabis que todos quieren ser.
Buenos cultivos ;)
¿Te gustó este artículo? Separamos algunos artículos que le pueden interesar:
- Cómo germinar semillas de naranja por hidroponía
- Cómo hacer los mejores sustratos para tus cultivos
- Hidroponia y el uso sostenible del agua
