Un cadru de învățare automată permite detectarea ieftină a toxinelor din apă
Senzorii portabili biosenzori pe bază de electrozi de carbon imprimați (SPCE) oferă o metodă rapidă și economică pentru detectarea microcystin-lysine-arginine (MC-LR), o toxinã extrem de potentã produsă de cianobacterii în timpul înfloririi algelor dăunătoare în apă dulce.
Chiar și la concentrații mici, MC-LR poate provoca daune hepatice și a fost asociat cu un risc crescut de cancer hepatic și de colon, iar Organizația Mondială a Sănătății a stabilit o valoare orientativă de 1 microgram pe litru de apă potabilă pentru MC-LR.
Senzorii SPCE funcționează prin măsurarea schimbărilor într-un semnal electrochimic care reflectă concentrația toxinelor. Totuși, precizia acestor senzori este influențată semnificativ de calitatea apei testate. Factori precum pH-ul, turbiditatea, conductivitatea electrică și altele pot interfera cu citirile senzorului, necesitând recalibrarea acestuia pentru fiecare probă de apă.
Cercetători de la Hanbat National University din Coreea de Sud și de la University of Central Florida din SUA au dezvoltat un cadru de învățare automată care ia în considerare diferențele de calitate a apei, permițând măsurători precise ale MC-LR fără recalibrări specifice fiecărei probe. Studiul a fost condus de profesorul Jungsu Park de la Hanbat National University și profesorul Woo Hyoung Lee de la University of Central Florida. Această lucrare a fost disponibilă online pe 26 martie 2026 și a fost publicată în volumul 298 al revistei Water Research pe 15 iunie 2026.
„Această lucrare oferă un cadru robust bazat pe date pentru caracterizarea interacțiunilor biosenzor-matrice de apă și oferă o abordare practică pentru îmbunătățirea vitezei și preciziei detectării MC-LR pe teren în ape de mediu complexe”, afirmă profesorul Park.
Pentru a construi și antrena modelul, echipa a colectat 201 măsurători din 27 de locații de teren din Florida, incluzând medii de apă dulce, estuarine și tranzitorii, reprezentând o gamă largă de condiții de apă. Pentru fiecare probă de apă, au fost măsurate pH-ul, turbiditatea, conductivitatea electrică, solidele totale dizolvate, absorbția ultravioletă la 254 nanometri (UV254) și impedanța electrochimică a biosenzorului (Z’), care se modifică în funcție de MC-LR. Aceste măsurători au servit ca variabile de intrare, iar modelul a fost antrenat să prezică concentrația reală de MC-LR.
Printre diferitele modele de învățare automată evaluate, Extreme Gradient Boosting (XGBoost) a avut cele mai bune rezultate, atingând o eficiență Nash-Sutcliffe de 0,89 și o eroare medie pătratică de 13,21. Acest nivel de performanță a demonstrat că un singur model unificat poate prezice cu acuratețe concentrațiile de MC-LR în diferite probe de apă, fără a necesita modele de calibrare separate pentru fiecare condiție.
Pentru a identifica variabilele de intrare cu cea mai mare influență asupra predicțiilor modelului, cercetătorii au folosit o metodă de inteligență artificială explicabilă numită Shapley Additive Explanations (SHAP). Au descoperit că impedanța electrică a biosenzorului era cel mai puternic predictor al nivelurilor de toxine, urmată de conductivitatea electrică, pH, absorbția ultravioletă și turbiditate, demonstrând că includerea parametrilor de calitate a apei îmbunătățește precizia predicțiilor biosenzorului.
„Acest cadru elimină necesitatea recalibrării repetate specifice fiecărei probe, reducând timpul, munca și consumul de senzori. Comparativ cu fluxurile de lucru convenționale, poate reduce utilizarea senzorilor și astfel reduce costurile și impactul asupra mediului, îmbunătățind eficiența analitică”, afirmă profesorul Park.
Pe măsură ce înfloririle de alge dăunătoare devin mai frecvente din cauza schimbărilor climatice, această abordare bazată pe date ar putea face monitorizarea toxinelor mai rapidă, mai precisă și mai ușor de implementat în testarea apei potabile și recreaționale.
