Hanbat National University verbessert Biosensor-Kalibrierung mittels maschinellen Lernens

Chungcheong Provinz, Südkorea – Die Hanbat National University hat eine Verbesserung bei der Vor-Ort-Erfassung von Mikrozystin-LR (MC-LR) Toxinen mittels tragbarer Biosensoren entwickelt. Die neue Methode integriert maschinelles Lernen, um Sensorwerte an unterschiedliche Wasserqualitäten anzupassen. Dies ermöglicht schnellere und kostengünstigere Feldtests, ohne dass eine häufige Neukalibrierung erforderlich ist, wie in einer Studie in Water Research berichtet wird.

MC-LR ist ein starkes Toxin, das von Cyanobakterien während schädlicher Algenblüten produziert wird. Die Weltgesundheitsorganisation hat einen Richtwert von 1 Mikrogramm pro Liter für Trinkwasser festgelegt. Herkömmliche elektrochemische Biosensoren weisen Genauigkeitsprobleme auf, da Wasserqualitätsparameter wie pH-Wert, Trübung und Leitfähigkeit die Messungen stören, was oft eine Neukalibrierung für jede Probe erfordert.

Forscher der Hanbat National University und der University of Central Florida entwickelten ein maschinelles Lernframework, das diese Umgebungsfaktoren berücksichtigt. Das Modell wurde mit umfangreichen Daten trainiert, die von 27 Messstellen in Florida gesammelt wurden und eine breite Palette von Wasserbedingungen abdeckten.

Die Studie hob die Wirksamkeit von Extreme Gradient Boosting (XGBoost) Algorithmen hervor und zeigte, dass ein einziges, einheitliches Modell MC-LR-Konzentrationen über verschiedene Wasserproben hinweg genau vorhersagen konnte. Entscheidende Faktoren für die Vorhersagen waren die elektrische Impedanz des Biosensors, die elektrische Leitfähigkeit, der pH-Wert, die UV-Absorption und die Trübung.

Dieser datengesteuerte Ansatz soll den Zeit-, Arbeits- und Kostenaufwand herkömmlicher Kalibrierungsmethoden erheblich reduzieren. Da schädliche Algenblüten aufgrund des Klimawandels häufiger auftreten, bietet diese Technologie eine effizientere und zugänglichere Methode zur Überwachung von Toxinen in Süßwasserquellen.