Biosenzory se strojovým učení zlepšují detekci toxinů v čerstvé vodě

Vědci z Jižní Koreje a Spojených států vyvinuli strojové učení, které zlepšuje přesnost biosenzorů při detekci toxinů v čerstvé vodě. Tyto biosenzory jsou schopné detekovat mikrocystin, toxin produkovaný cyanobakteriemi během nebezpečných algalových květů.

Vědci z Jižní Koreje a Spojených států vyvinuli strojové učení, které zlepšuje přesnost biosenzorů při detekci toxinů v čerstvé vodě. Tyto biosenzory jsou schopné detekovat mikrocystin, toxin produkovaný cyanobakteriemi během nebezpečných algalových květů. Mikrocystin je velmi toxický a může způsobit poškození jater a zvyšuje riziko vzniku rakoviny jater a střev.

Biosenzory pracují na principu měření změn elektrochemického signálu, který odráží koncentraci toxinu. Nicméně, přesnost těchto senzorů je silně ovlivněna kvalitou vody, která se testuje. Faktory jako pH, znečištění, elektrická vodivost a další parametry kvality vody mohou narušovat čtení senzorů, což často vyžaduje opětovné kalibrace pro každý vzorek vody.

Vědci z Hanbat National University a University of Central Florida vyvinuli strojové učení, které zohledňuje rozdíly v kvalitě vody, a umožňuje přesnou měření toxinů bez nutnosti opětovného kalibrace pro každý vzorek vody. Vědci shromáždili 201 měření z 27 polních míst v Floridě, včetně čerstvé vody, estuárních a přechodných prostředí, které reprezentují širokou škálu podmínek vody.

Pro každý vzorek vody měřili pH, znečištění, elektrickou vodivost, celkovou rozpustnou pevnou látku, ultravírové absorpci na 254 nanometrech (UV 254) a elektrochemickou impedanci (Z'), která se mění v reakci na mikrocystin. Tyto měření sloužily jako vstupní proměnné, zatímco model byl trénován na předpovídání skutečné koncentrace mikrocystinu.

Mezi různými modely strojového učení vyhodnocenými, Extreme Gradient Boosting (XGBoost) dosáhl nejlepších výsledků, s Nash-Sutcliffe efektivitou 0,89 a kořenem čtverce střední chyby 13,21. Toto úroveň výkonu ukázala, že jeden sjednocený model může přesně předpovídat koncentrace mikrocystinu v různých vzorcích vody bez nutnosti samostatných kalibračních modelů pro každou podmínku.

K identifikaci vstupních proměnných, které měly největší vliv na předpovědi modelu, vědci použili vysvětlovací umělou inteligenci nazvanou Shapley Additive Explanations (SHAP). Zjistili, že elektrochemická impedance senzoru byla nejvýznamnější prediktor toxinů, následována elektrickou vodivostí, pH, ultravírovou absorpcí a znečištěním, což ukázalo, že zahrnutí parametrů kvality vody zlepšuje přesnost předpovědí senzorů.

Tento rámec eliminuje nutnost opětovného kalibrace pro každý vzorek vody, což snižuje čas, práci a spotřebu senzorů. Porovnáním s konvenčními postupy lze snížit spotřebu senzorů a tím i náklady a environmentální dopad, zatímco se zlepšuje analytická efektivita.

S rostoucím výskytem nebezpečných algalových květů v důsledku změny klimatu, tato data řízená přístup může zrychlit, zlepšit a usnadnit detekci toxinů v pitné a rekreační vodě.