Un millón de animales muertos: encontraron al culpable en el agua

En 2025, la costa de Australia del Sur amaneció con la playa cubierta de cadáveres: peces, tiburones, pulpos, erizos. Cerca de un millón de animales de más de 600 especies murieron a lo largo de 20.000 km² durante más de un año. Un equipo tomó 115 muestras de agua, contó el ADN de siete algas del género Karenia, y una sola dominó el 88,6% de todas las células: una especie nueva, Karenia cristata.

Paper: A catastrophic marine mortality event caused by a complex algal bloom including the brevetoxin producer Karenia cristata — Nature Ecology & Evolution (2026). DOI: 10.1038/s41559-026-03115-0

Qué estamos mirando

Una floración de algas nocivas (HAB, por sus siglas en inglés) no es rara. Lo raro fue el tamaño y quién la causó. El equipo hizo tres cosas que podemos revisar con sus datos:

1. Contar cuánta de cada especie de Karenia había en el agua (qPCR, 115 muestras entre marzo y septiembre de 2025).

2. Medir qué tan tóxica es la culpable sobre células de branquia de pez, en el laboratorio.

3. Confirmar que el cultivo aislado de K. cristata mata invertebrados igual que el agua sacada del mar.

Empecemos por lo primero: ¿quién estaba en el agua?

# ══════════════════════════════════════════════════════════════
# Configuración — modifica estos valores para explorar
# ══════════════════════════════════════════════════════════════
ESPECIE_FOCO = 'K. cristata'      # la sospechosa
GILL_EC50 = 27.2                  # cell/mL — concentración que mata la mitad de las células de branquia
FUENTE = 'Fuente: Nature Ecology & Evolution (2026) | Datos: Zenodo 10.5281/zenodo.20227729'

COLOR_DATOS = '#2563EB'           # azul CaM
COLOR_ALERTA = '#DC2626'          # rojo — la culpable / el umbral letal
COLOR_SECUND = '#059669'          # emerald — datos secundarios
COLOR_REFERENCIA = '#D97706'      # amber — referencia
COLOR_VIOLETA = '#7C3AED'
COLOR_GRIS = '#BBBBBB'

import os, urllib.request
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

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)

os.makedirs('figuras', exist_ok=True)

# Carga de los tres datasets
abund = pd.read_csv('datos/abundancia_karenia_qpcr.csv')
gill = pd.read_csv('datos/viabilidad_branquias_rtgill.csv')
inv = pd.read_csv('datos/mortalidad_invertebrados.csv')

karenia_cols = [c for c in abund.columns if c.startswith('K.')]
print(f'qPCR: {abund.shape[0]} muestras, {abund["site"].nunique()} sitios, {abund["date"].nunique()} fechas')
print(f'Branquias (RTgill-W1): {gill.shape[0]} mediciones, {gill["conc_cell_mL"].nunique()} concentraciones')
print(f'Invertebrados: {inv.shape[0]} filas — {list(inv["test"].unique())} x fuentes {list(inv["source"].unique())}')

qPCR: 115 muestras, 36 sitios, 22 fechas
Branquias (RTgill-W1): 40 mediciones, 8 concentraciones
Invertebrados: 176 filas — ['Rotifers', 'Artemia'] x fuentes ['WL', 'KC']

Sumamos todas las células de cada especie, a través de las 115 muestras. Aquí está.

# Total de células por especie (suma cross-muestras) + dominancia por muestra
totales = abund[karenia_cols].sum().sort_values()
total_karenia = totales.sum()
pct_cristata = 100 * totales[ESPECIE_FOCO] / total_karenia
ratio = totales[ESPECIE_FOCO] / totales.drop(ESPECIE_FOCO).max()

fig, ax = plt.subplots(figsize=(13, 5.5))
colores = [COLOR_ALERTA if s == ESPECIE_FOCO else COLOR_GRIS for s in totales.index]
barras = ax.barh(range(len(totales)), totales.values, color=colores, alpha=0.9,
                 edgecolor='white', linewidth=0.6, zorder=3)
ax.set_yticks(range(len(totales)))
ax.set_yticklabels([s.replace('K.', '$K.$') for s in totales.index], fontsize=10)
ax.set_xscale('log')
ax.set_xlabel('Total de células detectadas (cells/L, escala logarítmica)', fontsize=10)

# Etiqueta de la culpable
idx_foco = list(totales.index).index(ESPECIE_FOCO)
ax.text(totales[ESPECIE_FOCO] * 1.4, idx_foco,
        f'{pct_cristata:.1f}% de todas las células',
        va='center', fontsize=11, fontweight='bold', color=COLOR_ALERTA)

ax.set_title('¿Quién dominó la floración que mató a un millón de animales?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'{ESPECIE_FOCO} superó por {ratio:.0f} veces a la segunda especie más abundante',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/dominancia_qpcr.png', dpi=200, bbox_inches='tight')
plt.show()

print(f'{ESPECIE_FOCO}: {pct_cristata:.1f}% del total | {ratio:.1f}x sobre la 2a especie')
dominante = abund[karenia_cols].idxmax(axis=1)
print(f'Especie más abundante muestra por muestra: {ESPECIE_FOCO} en '
      f'{(dominante == ESPECIE_FOCO).sum()} de {len(abund)} muestras')

K. cristata: 88.6% del total | 11.3x sobre la 2a especie
Especie más abundante muestra por muestra: K. cristata en 96 de 115 muestras

La barra roja no deja lugar a dudas: de cada 100 células de Karenia en el agua, casi 89 eran de esta especie nueva. Y no es que estuviera repartida por igual — en 96 de las 115 muestras fue la más abundante. Cuando una sola especie aplasta así a las otras seis, deja de ser una sospechosa entre varias.

Pero ser abundante no es lo mismo que ser letal. Que K. cristata estuviera en todas partes no prueba que ella matara a los animales. Para eso hay que medir su veneno.

Del conteo al veneno

El equipo expuso células de branquia de trucha (línea RTgill-W1) al líquido donde creció K. cristata, a ocho concentraciones distintas, y midió cuántas seguían vivas después de dos horas.

# Dosis-respuesta en branquias: viabilidad vs concentración
resumen = gill.groupby('conc_cell_mL')['viability_pct'].agg(['mean', 'std', 'count']).reset_index()
rho, p = stats.spearmanr(gill['conc_cell_mL'], gill['viability_pct'])

fig, ax = plt.subplots(figsize=(13, 5.5))
# puntos individuales (jitter en x log)
ax.scatter(gill['conc_cell_mL'], gill['viability_pct'] * 100, color=COLOR_DATOS,
           s=38, alpha=0.55, edgecolors='white', linewidths=0.5, zorder=4)
# media por concentración
ax.plot(resumen['conc_cell_mL'], resumen['mean'] * 100, color=COLOR_DATOS,
        linewidth=2, marker='o', markersize=7, zorder=5)
# umbral letal EC50
ax.axvline(x=GILL_EC50, color=COLOR_ALERTA, linewidth=1.5, linestyle='--', alpha=0.75)
ax.annotate(f'A {GILL_EC50:.0f} cell/mL ya murió\nla mitad de las células',
            xy=(GILL_EC50, 50), xytext=(GILL_EC50 * 2.4, 68),
            fontsize=11, fontweight='bold', color=COLOR_ALERTA,
            arrowprops=dict(arrowstyle='->', color=COLOR_ALERTA, lw=1.5))
ax.axhline(y=50, color=COLOR_GRIS, linewidth=0.8, linestyle=':', alpha=0.6)

ax.set_xscale('log')
ax.set_xlabel('Concentración de $K.$ $cristata$ (cell/mL, escala logarítmica)', fontsize=10)
ax.set_ylabel('Células de branquia vivas (%)', fontsize=10)
ax.set_ylim(-5, 120)
ax.set_title('¿Cuánta alga hace falta para matar una branquia?',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, f'Correlación de Spearman ρ = {rho:.2f} (p < 0,001, n = {len(gill)})',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/branquias_dosis.png', dpi=200, bbox_inches='tight')
plt.show()

lo = resumen.iloc[0]; hi = resumen.iloc[-1]
print(f'Viabilidad a {lo.conc_cell_mL:.1f} cell/mL: {lo["mean"]*100:.0f}%')
print(f'Viabilidad a {hi.conc_cell_mL:.0f} cell/mL: {hi["mean"]*100:.1f}%')
print(f'Spearman ρ = {rho:.3f}, p = {p:.1e}')

Viabilidad a 4.4 cell/mL: 105%
Viabilidad a 567 cell/mL: 1.6%
Spearman ρ = -0.933, p = 1.8e-18

¿Es el alga, o algo más del mar?

Queda una duda honesta: el agua de mar trae mil cosas. Quizá lo que mató a las branquias no era K. cristata sino otro pasajero de la muestra. El equipo cerró esa puerta con un control: comparó el material sacado del campo (West Lakes, WL) contra un cultivo aislado y limpio de K. cristata (KC), sobre dos animales de prueba — rotíferos y Artemia (el camarón de acuario). Si el cultivo puro mata igual que el agua del mar, la culpable es el alga.

# Mortalidad de invertebrados: campo (WL) vs cultivo aislado (KC)
estilos = {
    ('Rotifers', 'WL'): dict(color=COLOR_ALERTA, marker='o', label='Rotíferos · campo (WL)'),
    ('Rotifers', 'KC'): dict(color=COLOR_ALERTA, marker='s', label='Rotíferos · cultivo (KC)'),
    ('Artemia', 'WL'):  dict(color=COLOR_DATOS,  marker='o', label='Artemia · campo (WL)'),
    ('Artemia', 'KC'):  dict(color=COLOR_DATOS,  marker='s', label='Artemia · cultivo (KC)'),
}
fig, ax = plt.subplots(figsize=(13, 5.5))
resultados = {}
for (test, src), st in estilos.items():
    sub = inv[(inv['test'] == test) & (inv['source'] == src)].copy()
    g = sub.groupby('conc_cell_L')['mortality'].mean().reset_index()
    face = st['color'] if st['marker'] == 'o' else 'white'
    ax.plot(g['conc_cell_L'], g['mortality'] * 100, color=st['color'], linewidth=1.6,
            marker=st['marker'], markersize=7, markerfacecolor=face,
            markeredgecolor=st['color'], alpha=0.9, label=st['label'], zorder=4)
    rho, p = stats.spearmanr(sub['conc_cell_L'], sub['mortality'])
    resultados[(test, src)] = (rho, p)

ax.set_xscale('log')
ax.set_xlabel('Concentración (cells/L, escala logarítmica)', fontsize=10)
ax.set_ylabel('Mortalidad (%)', fontsize=10)
ax.set_ylim(-5, 108)
ax.set_title('El cultivo aislado mata igual que el agua del mar',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Círculo = material de campo · cuadrado = cultivo puro de $K.$ $cristata$',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
ax.legend(fontsize=9, loc='upper left', framealpha=0.9)
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/invertebrados_wl_kc.png', dpi=200, bbox_inches='tight')
plt.show()

for (test, src), (rho, p) in resultados.items():
    print(f'{test:9s} {src}: Spearman ρ = {rho:.2f} (p = {p:.1e})')
for test in ['Rotifers', 'Artemia']:
    sub = inv[inv['test'] == test]
    lo = sub[sub['conc_cell_L'] == sub['conc_cell_L'].min()]['mortality'].mean()
    hi = sub[sub['conc_cell_L'] == sub['conc_cell_L'].max()]['mortality'].mean()
    print(f'{test}: {lo*100:.0f}% (control) → {hi*100:.0f}% (dosis máxima)')

Rotifers  WL: Spearman ρ = 0.91 (p = 5.0e-18)
Rotifers  KC: Spearman ρ = 0.91 (p = 1.2e-17)
Artemia   WL: Spearman ρ = 0.56 (p = 8.9e-05)
Artemia   KC: Spearman ρ = 0.68 (p = 3.8e-07)
Rotifers: 4% (control) → 100% (dosis máxima)
Artemia: 18% (control) → 83% (dosis máxima)

Rotíferos y Artemia mueren tanto con el agua del mar como con el cultivo limpio: el alga, sola, basta. Los rotíferos llegaron al 100% de muertes; la Artemia, más resistente, se quedó cerca del 80%.

Ahora la pregunta que une todo: en el laboratorio bastan unas 27 células por mililitro para matar media branquia. ¿Cuánta K. cristata había realmente en el mar?

# ¿El mar superó la dosis letal de laboratorio?
# Convertimos la abundancia de campo (cells/L) a cells/mL para compararla con el EC50 de branquias
campo = abund.loc[abund[ESPECIE_FOCO] > 0, ESPECIE_FOCO] / 1000.0  # cells/mL
log_campo = np.log10(campo)
mediana = campo.median()

fig, ax = plt.subplots(figsize=(10, 5))
n, bins, patches = ax.hist(log_campo, bins=22, color=COLOR_DATOS, alpha=0.4,
                           edgecolor=COLOR_DATOS, linewidth=0.8)
y_max = n.max() * 1.18
ax.set_ylim(0, y_max)

# umbral letal de branquias
x_ec50 = np.log10(GILL_EC50)
ax.axvline(x=x_ec50, color=COLOR_ALERTA, linewidth=2.5)
ax.text(x_ec50 - 0.10, y_max * 0.96, f'Dosis letal\nen branquia\n({GILL_EC50:.0f} cell/mL)',
        color=COLOR_ALERTA, fontsize=9.5, fontweight='bold', ha='right', va='top')
# mediana de campo
x_med = np.log10(mediana)
ax.axvline(x=x_med, color=COLOR_DATOS, linewidth=1.5)
ax.text(x_med + 0.10, y_max * 0.96, f'Mediana en el mar\n({mediana:,.0f} cell/mL)'.replace(',', '.'),
        color=COLOR_DATOS, fontsize=9.5, fontweight='bold', ha='left', va='top')
# flecha de la diferencia
ax.annotate('', xy=(x_med, y_max * 0.5), xytext=(x_ec50, y_max * 0.5),
            arrowprops=dict(arrowstyle='<->', color='#666666', lw=1.5))
ax.text((x_ec50 + x_med) / 2, y_max * 0.55, f'×{mediana/GILL_EC50:.0f}',
        color='#666666', fontsize=11, fontweight='bold', ha='center')

# eje x en cell/mL reales, no en log
ticks = [1, 10, 100, 1000, 10000]
ax.set_xticks(np.log10(ticks))
ax.set_xticklabels([f'{t:,}'.replace(',', '.') for t in ticks])
ax.set_xlabel('$K.$ $cristata$ en el agua (cell/mL, escala logarítmica)', fontsize=10)
ax.set_ylabel('Número de muestras', fontsize=10)
ax.set_title('El mar tenía muchísima más alga de la que mata una branquia',
             fontsize=14, fontweight='bold', pad=28)
ax.text(0.5, 1.03, 'Casi todas las muestras superan el umbral letal medido en laboratorio',
        transform=ax.transAxes, fontsize=10, color='#666666', ha='center')
fig.text(0.13, -0.03, FUENTE, fontsize=7.5, color='#999999', style='italic')
plt.savefig('figuras/anomalia_umbral.png', dpi=200, bbox_inches='tight')
plt.show()

sobre_umbral = (campo > GILL_EC50).mean() * 100
print(f'Mediana en el mar: {mediana:,.0f} cell/mL  ({mediana/GILL_EC50:.0f}x el umbral letal)'.replace(',', '.'))
print(f'Máximo en el mar: {campo.max():,.0f} cell/mL  ({campo.max()/GILL_EC50:.0f}x el umbral letal)'.replace(',', '.'))
print(f'Muestras por encima del umbral letal: {sobre_umbral:.0f}%')

Mediana en el mar: 337 cell/mL  (12x el umbral letal)
Máximo en el mar: 15.015 cell/mL  (552x el umbral letal)
Muestras por encima del umbral letal: 82%

Lo que los datos soportan

Afirmación	¿Soportada?	Detalle
K. cristata dominó la floración	✅	88,6% del total de células de Karenia; la más abundante en 96 de 115 muestras; 11× sobre la segunda especie
El alga es tóxica para branquias	✅	Dosis-respuesta monotónica fuerte (Spearman ρ = −0,93; p < 0,001; n = 40); viabilidad cae de ~100% a ~2%; EC50 ≈ 27 cell/mL
El cultivo aislado reproduce la toxicidad de campo	✅	WL (campo) y KC (cultivo puro) matan igual a rotíferos y Artemia — cierra el vínculo causal alga→muerte
Rotíferos más sensibles que Artemia	✅	Rotíferos hasta 100% de mortalidad; Artemia hasta ~80%, con línea base más alta (18%)
El mar superó el umbral letal de laboratorio	✅	Mediana de campo ~337 cell/mL ≈ 12× el EC50 de branquia; picos de ~15.000 cell/mL, cientos de veces por encima

Limitaciones: el EC50 de ~27 cell/mL viene de células de branquia de trucha in vitro (2 h de exposición), no del pez entero ni de las especies que realmente murieron — es un indicador de potencia, no la dosis letal en la naturaleza. Las diluciones de invertebrados son ruidosas y pocas, así que reportamos tendencia (Spearman) y extremos, no una LC50 puntual. El mecanismo que concentró la floración en esa costa (hidrodinámica, ola de calor marina) no se prueba con estos datos; los autores lo plantean como hipótesis.

Ahora tú

Los datos están completos y son tuyos. Tres preguntas para explorar:

1. ¿Cambia la historia si miras sitio por sitio? El 88,6% es la suma de todo. Prueba agrupando abund por location y mirando dónde K. cristata fue más extrema. Pista: abund.groupby('location')['K. cristata'].max().

2. ¿A qué concentración muere el 50% de los rotíferos? Tenemos la curva; te falta interpolar. Pista: ordena inv[inv.test=='Rotifers'] por conc_cell_L y busca dónde la mortalidad cruza 0,5.

3. ¿La floración creció con el tiempo? Las muestras van de marzo a septiembre. Prueba graficar la abundancia de K. cristata contra date y mira si el pico llega en algún mes.

# --- EXPERIMENTA AQUÍ ---
# ¿En qué mes fue peor la floración? Abundancia media de K. cristata por mes.
orden_meses = ['March', 'April', 'May', 'June', 'July', 'August', 'September']
por_mes = (abund.groupby('month')[ESPECIE_FOCO].mean()
           .reindex(orden_meses).dropna())

fig, ax = plt.subplots(figsize=(11, 4.5))
ax.bar(range(len(por_mes)), por_mes.values / 1e6, color=COLOR_DATOS, alpha=0.85,
       edgecolor='white', linewidth=0.6)
ax.set_xticks(range(len(por_mes)))
ax.set_xticklabels(['Marzo', 'Abril', 'Mayo', 'Junio', 'Julio', 'Agosto', 'Septiembre'][:len(por_mes)],
                   fontsize=9)
ax.set_ylabel('$K.$ $cristata$ promedio (millones de cells/L)', fontsize=10)
ax.set_title('¿Cuándo golpeó más fuerte?', fontsize=13, fontweight='bold', pad=14)
plt.savefig('figuras/experimenta_meses.png', dpi=200, bbox_inches='tight')
plt.show()
print(por_mes.round(0))

month
March         545286.0
May          1978042.0
June          151085.0
July          577786.0
August        658099.0
September    2556660.0
Name: K. cristata, dtype: float64

Fuentes

Paper: A catastrophic marine mortality event caused by a complex algal bloom including the brevetoxin producer Karenia cristata
Nature Ecology & Evolution, 2026-07-06

Dataset canónico: Data for: A catastrophic marine mortality event caused by a complex algal bloom including the novel brevetoxin producer Karenia cristata
Zenodo, 2026-05-16

Referencias citadas: Marine Heatwave Tracker (contexto oceanografico, citado no abierto por el notebook)

15 afirmaciones del notebook verificadas contra estas fuentes

---

Notebook reproducible de Ciencia a Mordiscos. Código y datos: github.com/Ciencia-a-Mordiscos/lab.