60 veces más selectiva que la mediana. ¿Cómo?

Una membrana de vidrio inspirada en proteínas de transporte iónico separa litio del potasio con una selectividad K⁺/Li⁺ de 410 en salmueras multi-iónicas — y lo hace con solo 1,02 kWh por kg de Li₂CO₃.

---

Paper: Wu, J. et al. «Scalable glass composite membranes for highly selective lithium enrichment.» Nature Water (2026). DOI: 10.1038/s44221-026-00633-w

Video: [Pendiente]

El problema del litio

El litio es el corazón de las baterías que mueven autos eléctricos y almacenan energía renovable. Pero en la naturaleza, el litio está mezclado con sodio y potasio — iones químicamente tan parecidos que separarlos es como distinguir gemelos en una multitud.

El desafío técnico: el litio desnudo (sin agua) mide apenas 0,12 nm, pero rodeado de su capa de agua (hidratado) se convierte en el ión monovalente más grande (0,76 nm). Esa paradoja es la clave de esta membrana.

Un equipo diseñó canales sub-nanométricos de vidrio MOF (metal-organic framework) que explotan esa diferencia. Veamos qué tan lejos llegan.

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
ISGC_KLI_BINARY = 185       # Selectividad K⁺/Li⁺ en mezcla binaria 1:1
ISGC_NALI_BINARY = 53.3     # Selectividad Na⁺/Li⁺ en mezcla binaria 1:1
ISGC_ENERGY = 1.02           # kWh/kg de Li₂CO₃
LI_ENRICHMENT = 64.6         # g/L de Li⁺ en permeado final
FUENTE = 'Fuente: Wu et al. (2026), Nature Water | Datos: Supplementary Tables S1-S6'

COLOR_ISGC = '#2563EB'       # Azul CaM — ISGC (este trabajo)
COLOR_ALERTA = '#DC2626'     # Rojo — referencia/alerta
COLOR_SECUNDARIO = '#059669' # Emerald — datos secundarios
COLOR_REFERENCIA = '#D97706' # Amber — umbrales
COLOR_VIOLETA = '#7C3AED'    # Violeta — correlaciones
COLOR_GRIS = '#BBBBBB'       # Gris — competidores

# ══════════════════════════════════════════════════════════════
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os, urllib.request

# Estilo CaM
BASE = 'https://raw.githubusercontent.com/Ciencia-a-Mordiscos/lab/main'
style_file = '../../cam.mplstyle'
if not os.path.exists(style_file):
    style_file = '/tmp/cam.mplstyle'
    if not os.path.exists(style_file):
        urllib.request.urlretrieve(f'{BASE}/cam.mplstyle', style_file)
plt.style.use(style_file)

# Cargar datos
sel = pd.read_csv('datos/selectividad_membranas.csv')
ions = pd.read_csv('datos/especies_ionicas.csv')
pals = pd.read_csv('datos/pals_membranas.csv')
metodos = pd.read_csv('datos/comparacion_metodos.csv')
capex = pd.read_csv('datos/capex.csv')

print(f"Datos cargados:")
print(f"  Selectividad: {len(sel)} materiales")
print(f"  Especies iónicas: {len(ions)} iones")
print(f"  PALS (estructura de poro): {len(pals)} composiciones")
print(f"  Métodos de extracción: {len(metodos)} métodos")
print(f"  CAPEX: {len(capex)} componentes")

Datos cargados:
  Selectividad: 11 materiales
  Especies iónicas: 6 iones
  PALS (estructura de poro): 5 composiciones
  Métodos de extracción: 6 métodos
  CAPEX: 6 componentes

¿Cuánto mejor es esta membrana?

Aquí está.

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5.5), gridspec_kw={'width_ratios': [1.2, 1]})

# Ordenar por K⁺/Li⁺
sel_sorted = sel.sort_values('k_li_selectivity')
colors = [COLOR_ISGC if 'ISGC' in m else COLOR_GRIS for m in sel_sorted['material']]

# Panel izquierdo: K⁺/Li⁺
bars1 = ax1.barh(range(len(sel_sorted)), sel_sorted['k_li_selectivity'],
                 color=colors, edgecolor='white', linewidth=0.5, height=0.7)
ax1.set_yticks(range(len(sel_sorted)))
ax1.set_yticklabels(sel_sorted['material'], fontsize=9)
ax1.set_xlabel('Selectividad K⁺/Li⁺', fontsize=11)
ax1.set_title('Selectividad K⁺/Li⁺\n(multi-ion brines)',
              fontsize=13, fontweight='bold', pad=12)

# Inline labels
for i, (val, mat) in enumerate(zip(sel_sorted['k_li_selectivity'], sel_sorted['material'])):
    offset = val * 0.02 + 2
    color = 'white' if val > 50 else '#333333'
    ha = 'right' if val > 50 else 'left'
    x = val - offset if val > 50 else val + offset
    ax1.text(x, i, f'{val:g}', va='center', ha=ha, fontsize=8.5,
             fontweight='bold', color=color)

# Panel derecho: Na⁺/Li⁺
sel_sorted2 = sel.sort_values('na_li_selectivity')
colors2 = [COLOR_SECUNDARIO if 'ISGC' in m else COLOR_GRIS for m in sel_sorted2['material']]
bars2 = ax2.barh(range(len(sel_sorted2)), sel_sorted2['na_li_selectivity'],
                 color=colors2, edgecolor='white', linewidth=0.5, height=0.7)
ax2.set_yticks(range(len(sel_sorted2)))
ax2.set_yticklabels(sel_sorted2['material'], fontsize=9)
ax2.set_xlabel('Selectividad Na⁺/Li⁺', fontsize=11)
ax2.set_title('Selectividad Na⁺/Li⁺\n(multi-ion brines)',
              fontsize=13, fontweight='bold', pad=12)

for i, (val, mat) in enumerate(zip(sel_sorted2['na_li_selectivity'], sel_sorted2['material'])):
    offset = val * 0.02 + 0.5
    color = 'white' if val > 20 else '#333333'
    ha = 'right' if val > 20 else 'left'
    x = val - offset if val > 20 else val + offset
    ax2.text(x, i, f'{val:g}', va='center', ha=ha, fontsize=8.5,
             fontweight='bold', color=color)

fig.text(0.13, -0.04, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/selectividad_comparacion.png', dpi=200, bbox_inches='tight')
plt.show()

La diferencia es abismal. La membrana ISGC alcanza una selectividad K⁺/Li⁺ de 410 en salmueras multi-iónicas — 4,8 veces más que el mejor competidor (UIO-66/ZIF-8, que logra 85) y 60 veces más que la mediana del campo (6,8).

Para Na⁺/Li⁺, el salto es menos dramático: ISGC y UIO-66/ZIF-8 están prácticamente igualados (~80). Pero la verdadera prueba de fuego es el potasio — el ión más difícil de separar del litio — y ahí ISGC aplasta a los 10 materiales comparados.

¿Qué truco usa? No es un diseño arbitrario: está inspirado en cómo las células vivas filtran iones.

La paradoja del litio: pequeño pero grande

Cuando un ión se disuelve en agua, se rodea de una capa de moléculas de agua — su capa de hidratación. El litio, al ser tan pequeño (0,12 nm desnudo), atrae agua con más fuerza que el sodio o el potasio. Resultado: el ión más pequeño se convierte en el más grande cuando está hidratado.

La membrana ISGC explota esa diferencia. Sus poros de ~2,7 Å fuerzan a los iones a perder parte de su capa de agua para pasar. El potasio (hidratado: 0,66 nm) la pierde fácil y pasa rápido. El litio (hidratado: 0,76 nm) se resiste — y eso es lo que da la selectividad.

fig, ax = plt.subplots(figsize=(10, 5.5))

# Filtrar solo los cationes monovalentes relevantes
cations = ions[ions['ion'].isin(['Li+', 'Na+', 'K+', 'Rb+', 'Cs+'])].copy()
cations_sorted = cations.sort_values('bare_diameter_nm')

x = np.arange(len(cations_sorted))
width = 0.35

bars_bare = ax.bar(x - width/2, cations_sorted['bare_diameter_nm'],
                   width, label='Diámetro desnudo', color=COLOR_ISGC, alpha=0.85,
                   edgecolor='white', linewidth=0.5)
bars_hyd = ax.bar(x + width/2, cations_sorted['hydrated_diameter_nm'],
                  width, label='Diámetro hidratado', color=COLOR_ALERTA, alpha=0.85,
                  edgecolor='white', linewidth=0.5)

# Inline labels
for bar in bars_bare:
    h = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2, h + 0.01,
            f'{h:.3f}', ha='center', va='bottom', fontsize=9, color=COLOR_ISGC, fontweight='bold')
for bar in bars_hyd:
    h = bar.get_height()
    ax.text(bar.get_x() + bar.get_width()/2, h + 0.01,
            f'{h:.3f}', ha='center', va='bottom', fontsize=9, color=COLOR_ALERTA, fontweight='bold')

# Ratios de hidratación
for i, (_, row) in enumerate(cations_sorted.iterrows()):
    ratio = row['hydrated_diameter_nm'] / row['bare_diameter_nm']
    ax.text(i, row['hydrated_diameter_nm'] + 0.04, f'×{ratio:.1f}',
            ha='center', fontsize=8, color='#666666', style='italic')

ax.set_xticks(x)
ax.set_xticklabels(cations_sorted['ion'].str.replace('+', '⁺'), fontsize=11, fontweight='bold')
ax.set_ylabel('Diámetro (nm)', fontsize=11)
ax.set_title('La paradoja iónica: el más pequeño se vuelve el más grande',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Diámetro desnudo vs hidratado de cationes monovalentes',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=10, loc='upper left', framealpha=0.9)

# Zona del poro ISGC
pore_r = 2.686  # Å = 0.2686 nm radius → diameter = 0.5372 nm
pore_d = pore_r * 2 / 10  # Convert Å to nm
ax.axhline(y=pore_d, color=COLOR_REFERENCIA, linewidth=1.5, linestyle='--', alpha=0.7)
ax.text(len(cations_sorted) - 0.5, pore_d + 0.015,
        f'Poro ISGC (~{pore_d:.2f} nm)', fontsize=9,
        color=COLOR_REFERENCIA, fontweight='bold', ha='right')

fig.text(0.13, -0.04, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/paradoja_ionica.png', dpi=200, bbox_inches='tight')
plt.show()

El punto justo: ni muy cerrado ni muy abierto

La membrana se fabrica mezclando dos materiales: ZIF-62 (la matriz de vidrio) y ZIF-8 (que crea los poros). ¿Cuánto ZIF-8 hay que agregar? Poco y los poros son demasiado pequeños — nada pasa. Mucho y los poros se abren tanto que pierden selectividad.

La espectroscopía PALS (positron annihilation lifetime) midió el tamaño exacto de los poros para 5 composiciones.

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(13, 5.5))

zif8_pct = pals['zif8_ratio'] * 100
labels = [f'{int(r)}%' for r in zif8_pct]

# Panel izquierdo: Radio de poro
ax1.plot(zif8_pct, pals['r_angstrom'], 'o-', color=COLOR_ISGC,
         markersize=10, linewidth=2, markeredgecolor='white', markeredgewidth=1.5, zorder=5)
ax1.fill_between([25, 35], 0, 6, alpha=0.1, color=COLOR_SECUNDARIO, zorder=0)
ax1.text(30, 1.0, 'Zona\nóptima', ha='center', fontsize=9,
         color=COLOR_SECUNDARIO, fontweight='bold', style='italic')

for i, (x, y, label) in enumerate(zip(zif8_pct, pals['r_angstrom'], labels)):
    offset_y = 0.15 if i < 4 else -0.25
    ax1.text(x, y + offset_y, f'{y:.3f} Å', ha='center', fontsize=9,
             color=COLOR_ISGC, fontweight='bold')

ax1.set_xlabel('Contenido ZIF-8 (%)', fontsize=11)
ax1.set_ylabel('Radio de poro (Å)', fontsize=11)
ax1.set_title('Radio de poro vs composición',
              fontsize=13, fontweight='bold', pad=28)
ax1.text(0.5, 1.03, 'Espectroscopía PALS — 5 composiciones ISGC',
         transform=ax1.transAxes, fontsize=10, color='#666666', ha='center')
ax1.set_ylim(2.4, 5.0)

# Marcar el salto 30% → 40%
ax1.annotate('', xy=(40, 4.592), xytext=(30, 2.686),
             arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax1.text(36, 3.6, '×1,7', fontsize=10, color='#666666', fontweight='bold', ha='center')

# Panel derecho: FFV
ax2.bar(zif8_pct, pals['ffv_pct'], width=6,
        color=[COLOR_SECUNDARIO if r == 0.3 else COLOR_GRIS for r in pals['zif8_ratio']],
        edgecolor='white', linewidth=0.5)

for x, y in zip(zif8_pct, pals['ffv_pct']):
    ax2.text(x, y + 0.05, f'{y:.3f}%', ha='center', fontsize=9, fontweight='bold',
             color=COLOR_SECUNDARIO if x == 30 else '#666666')

ax2.set_xlabel('Contenido ZIF-8 (%)', fontsize=11)
ax2.set_ylabel('Fracción de volumen libre (%)', fontsize=11)
ax2.set_title('Volumen libre vs composición',
              fontsize=13, fontweight='bold', pad=28)
ax2.text(0.5, 1.03, 'A 40% ZIF-8 el volumen libre se dispara — pierde selectividad',
         transform=ax2.transAxes, fontsize=10, color='#666666', ha='center')

fig.text(0.13, -0.04, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/estructura_poro.png', dpi=200, bbox_inches='tight')
plt.show()

¿Y la energía?

Separar litio no solo tiene que ser selectivo — tiene que ser barato.

¿Cuánta energía gasta cada método?

fig, ax = plt.subplots(figsize=(10, 5.5))

# Usar promedio de rango para comparación justa
metodos_plot = metodos.copy()
metodos_plot['energy_avg'] = metodos_plot[['energy_min_kwh_kg', 'energy_max_kwh_kg']].mean(axis=1)
metodos_plot = metodos_plot.sort_values('energy_avg')

# Nombres en español
nombres = {
    'ISGC (este trabajo)': 'ISGC\n(este trabajo)',
    'Extracción con solventes': 'Extracción\ncon solventes',
    'Intercambio iónico': 'Intercambio\niónico',
    'Adsorción': 'Adsorción',
    'Electroquímico': 'Electroquímico',
    'Precipitación': 'Precipitación'
}
metodos_plot['nombre_corto'] = metodos_plot['metodo'].map(nombres)

colors = [COLOR_ISGC if 'ISGC' in m else COLOR_GRIS for m in metodos_plot['metodo']]

bars = ax.bar(range(len(metodos_plot)), metodos_plot['energy_avg'],
              color=colors, edgecolor='white', linewidth=0.5, width=0.65)

# Error bars para rango
yerr_low = metodos_plot['energy_avg'] - metodos_plot['energy_min_kwh_kg']
yerr_high = metodos_plot['energy_max_kwh_kg'] - metodos_plot['energy_avg']
ax.errorbar(range(len(metodos_plot)), metodos_plot['energy_avg'],
            yerr=[yerr_low.fillna(0), yerr_high.fillna(0)],
            fmt='none', color='#666666', capsize=4, capthick=1.5, linewidth=1.5)

# Inline labels
for i, (_, row) in enumerate(metodos_plot.iterrows()):
    e_min = row['energy_min_kwh_kg']
    e_max = row['energy_max_kwh_kg']
    if e_min == e_max or np.isnan(e_max):
        label = f'{e_min:.2f}'
    else:
        label = f'{e_min:.1f}–{e_max:.1f}'
    color = 'white' if row['energy_avg'] > 8 else '#333333'
    y_pos = row['energy_avg'] / 2 if row['energy_avg'] > 8 else row['energy_max_kwh_kg'] + 1.5
    ax.text(i, y_pos, f'{label}\nkWh/kg', ha='center', va='center',
            fontsize=9, fontweight='bold', color=color)

ax.set_xticks(range(len(metodos_plot)))
ax.set_xticklabels(metodos_plot['nombre_corto'], fontsize=9, fontweight='bold')
ax.set_ylabel('Consumo energético (kWh/kg Li₂CO₃)', fontsize=11)
ax.set_title('¿Cuánta energía cuesta extraer litio?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Comparación de métodos de extracción de litio desde salmueras',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')

# Flecha de ahorro
isgc_idx = metodos_plot.index[metodos_plot['metodo'].str.contains('ISGC')].tolist()
isgc_pos = list(metodos_plot['metodo']).index(metodos_plot[metodos_plot['metodo'].str.contains('ISGC')]['metodo'].values[0])
next_pos = isgc_pos + 1 if isgc_pos + 1 < len(metodos_plot) else isgc_pos - 1
next_energy = metodos_plot.iloc[next_pos]['energy_avg']
ax.annotate('', xy=(isgc_pos, ISGC_ENERGY + 0.3),
            xytext=(isgc_pos, next_energy - 0.3),
            arrowprops=dict(arrowstyle='<->', color=COLOR_ALERTA, lw=1.5))
ax.text(isgc_pos + 0.3, (ISGC_ENERGY + next_energy) / 2,
        f'{next_energy/ISGC_ENERGY:.1f}×\nmenos', fontsize=9,
        color=COLOR_ALERTA, fontweight='bold', va='center')

fig.text(0.13, -0.04, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/energia_comparacion.png', dpi=200, bbox_inches='tight')
plt.show()

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
ISGC logra selectividad K⁺/Li⁺ de 410 en multi-ion brines	✅	Table S3: K⁺/Li⁺ = 410,1. Abstract confirma «reaching 410 for K⁺/Li⁺»
ISGC supera a los 10 competidores comparados en K⁺/Li⁺	✅	4,8× vs el mejor (UIO-66/ZIF-8 = 85). 60× vs mediana (6,8)
Na⁺/Li⁺ de ISGC iguala al mejor competidor	✅	ISGC 80,17 vs UIO-66/ZIF-8 80,0 — diferencia <1%
El litio hidratado es el catión monovalente más grande	✅	Table S2: Li⁺ hydrated = 0,764 nm > Na⁺ (0,716) > K⁺ (0,662)
30% ZIF-8 es la composición óptima	✅	Table S1: a 40% el radio salta 1,7× (de 2,686 a 4,592 Å)
ISGC consume 1,02 kWh/kg de Li₂CO₃	✅	Table S6 y abstract coinciden: 1,02 kWh/kg
ISGC es el método más eficiente energéticamente	⚠️	Más bajo que los 5 métodos comparados (siguiente: 1,88 kWh/kg), pero la comparación no incluye todos los métodos existentes

Limitaciones: Los datos provienen de las tablas del supplementary (Tables S1-S6). Las figuras del paper (no descargables — paywall) contienen datos adicionales de estabilidad temporal, flujo de agua y simulaciones MD que no pudimos reproducir. La selectividad de 410 es en condiciones de laboratorio con salmueras sintéticas; el rendimiento en brines naturales puede diferir.

---

Ahora tú

1. ¿Qué pasa si cambias la composición? El notebook carga los 5 puntos de PALS. ¿Podrías interpolar para predecir el radio de poro a 25% ZIF-8?

2. ¿Cuál es el «costo de la selectividad»? Grafica selectividad K⁺/Li⁺ vs K⁺/Na⁺ para todos los materiales. ¿Los más selectivos en un par lo son en el otro?

3. ¿Cuántos kWh ahorrarías al año? Si una planta procesa 1.000 kg de Li₂CO₃ al día, calcula el ahorro anual de ISGC vs el segundo método más eficiente.

# --- EXPERIMENTA AQUÍ ---
# ¿Existe un trade-off entre selectividad K⁺/Li⁺ y Na⁺/Li⁺?

fig, ax = plt.subplots(figsize=(8, 6))

# Todos los materiales
otros = sel[~sel['material'].str.contains('ISGC')]
isgc = sel[sel['material'].str.contains('ISGC')]

ax.scatter(otros['k_li_selectivity'], otros['na_li_selectivity'],
           s=80, color=COLOR_GRIS, edgecolors='white', linewidths=0.5,
           alpha=0.8, zorder=5, label='Otros materiales')
ax.scatter(isgc['k_li_selectivity'], isgc['na_li_selectivity'],
           s=150, color=COLOR_ISGC, edgecolors='white', linewidths=1.5,
           alpha=0.9, zorder=6, marker='*', label='ISGC')

# Etiquetar algunos
for _, row in sel.iterrows():
    if row['k_li_selectivity'] > 20 or row['na_li_selectivity'] > 10:
        ax.annotate(row['material'], (row['k_li_selectivity'], row['na_li_selectivity']),
                    textcoords='offset points', xytext=(8, 5), fontsize=8, color='#666666')

ax.set_xlabel('Selectividad K⁺/Li⁺', fontsize=11)
ax.set_ylabel('Selectividad Na⁺/Li⁺', fontsize=11)
ax.set_title('¿Los mejores en potasio también lo son en sodio?',
             fontsize=13, fontweight='bold', pad=12)
ax.legend(fontsize=10, loc='upper left', framealpha=0.9)

fig.text(0.13, -0.04, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.tight_layout()
plt.savefig('figuras/tradeoff_selectividad.png', dpi=200, bbox_inches='tight')
plt.show()

# ¿Correlación?
from scipy import stats
rho, p = stats.spearmanr(sel['k_li_selectivity'], sel['na_li_selectivity'])
print(f"Spearman ρ = {rho:.3f}, p = {p:.4f}, n = {len(sel)}")
print(f"→ {'Correlación significativa' if p < 0.05 else 'Sin correlación significativa'}")

Spearman ρ = 0.636, p = 0.0353, n = 11
→ Correlación significativa

---

Créditos

• Paper: Wu, J. et al. «Scalable glass composite membranes for highly selective lithium enrichment.» Nature Water (2026). DOI: 10.1038/s44221-026-00633-w

• Datos: Supplementary Tables S1-S6 del paper

• Licencia datos: Springer Nature — uso académico y educativo

• Notebook: Ciencia a Mordiscos — El Lab