Истражувачи од Hanbat National University во Јужна Кореја и University of Central Florida во САД развиле пристап што комбинира биосензори и машинско учење за попрецизно следење на микроцистин-LR, опасен токсин што се појавува при штетни цветови на цијанобактерии во слатководни екосистеми.
Микроцистин-LR е познат по тоа што може да го оштети црниот дроб, а научните податоци го поврзуваат и со зголемен ризик од одредени видови рак. Светската здравствена организација има препорачана гранична вредност од 1 микрограм на литар во вода за пиење, па брзото и сигурно откривање на овој токсин е важно и за јавното здравје и за управувањето со водните ресурси.
Во студијата биле користени преносливи биосензори со печатени јаглеродни електроди, познати како SPCE. Нивната предност е што овозможуваат брзи и релативно евтини мерења на терен. Но, досега нивната точност често зависела од составот на самата вода. Параметри како pH вредност, заматеност, електрична спроводливост и присуство на растворени материи можат да го променат електрохемискиот сигнал и да ја нарушат проценката на концентрацијата на токсинот.
Поради тоа, класичниот пристап бара повторна калибрација за секој нов примерок вода, што ја забавува работата и ја зголемува потрошувачката на сензори. Новиот модел има цел да го отстрани токму тој проблем. Наместо посебна калибрација за секој примерок, системот ги зема предвид клучните својства на водата и автоматски ја коригира проценката.
За развој на моделот, тимот собрал 201 мерење од 27 теренски локации во Флорида, опфаќајќи слатководни, естуарни и преодни средини. За секој примерок биле измерени pH, заматеност, електрична спроводливост, вкупни растворени материи, UV апсорпција на 254 нанометри и електрохемиската импеданса на биосензорот, која се менува во присуство на микроцистин-LR.
Истражувачите тестирале повеќе модели на машинско учење, а најдобри резултати дал XGBoost. Според објавените податоци, моделот постигнал Nash-Sutcliffe ефикасност од 0,89 и корен од средна квадратна грешка од 13,21. Овие резултати укажуваат дека единствен обединет модел може доверливо да ја предвидува концентрацијата на токсинот во различни водни услови, без потреба од постојано рачно прилагодување.
За да утврдат кои влезни податоци имаат најголемо влијание врз прогнозата, научниците примениле и метод од објаснива вештачка интелигенција наречен SHAP. Анализата покажала дека најсилен показател е електричната импеданса на биосензорот, а потоа следуваат електричната спроводливост, pH вредноста, UV апсорпцијата и заматеноста.
Практичната корист од овој пристап е значајна. Со елиминирање на повторливата калибрација, мониторингот на токсини може да стане побрз, поевтин и полесен за примена на самото место. Тоа значи помала потрошувачка на сензори, помалку рачна работа и поефикасна анализа, особено во сложени природни води.
Значењето на ваквите технологии расте и поради климатските промени, кои придонесуваат штетните алгални цветови да стануваат почести во многу региони. Ако ваквите системи продолжат да се унапредуваат, тие би можеле да станат важна алатка за побезбедно следење на водата за пиење и рекреативните водни површини.
Истражувањето е објавено во списанието Water Research.
