Numerosas publicaciones muestran que los modelos de predicción robustos para microorganismos basados en microespectroscopía Raman en combinación con métodos quimiométricos son factibles, a menudo con predicciones muy precisas. Los avances en aprendizaje automático y la mayor accesibilidad al software hacen que cada vez sea más fácil para los usuarios generar modelos predictivos a partir de datos complejos. Sin embargo, la pregunta sobre por qué esas predicciones son tan precisas recibe mucha menos atención. En nuestro trabajo, utilizamos datos espectroscópicos Raman de esporas fúngicas y microorganismos que contienen carotenoides para mostrar que a menudo no es la posición de los picos o las sutiles diferencias en las relaciones de bandas de los espectros, debido a pequeñas diferencias en la composición química de los organismos, lo que permite una clasificación precisa. Más bien, pueden ser efectos característicos en las líneas de base de los espectros Raman en microorganismos bioquímicamente similares que pueden ser mejorados por ciertos métodos de pretratamiento de datos o incluso regiones espectrales de aspecto neutral que pueden ser de gran importancia para una red neuronal convolucional. Utilizando un método llamado Mapeo de Activación de Clase Ponderada por Gradiente, intentamos mirar dentro de la caja negra de las redes neuronales convolucionales en aplicaciones microbiológicas y mostrar qué regiones espectrales Raman son responsables de una clasificación precisa.