Hanbat National University förbättrar biosensor kalibrering med maskininlärning

Chungcheong-provinsen, Sydkorea – Hanbat National University har utvecklat en ny metod för att förbättra bärbara biosensorers förmåga att upptäcka mikrocystin-LR (MC-LR) toxiner i sötvatten. Metoden använder maskininlärning för att kompensera för variationer i vattenkvalitet, vilket möjliggör snabbare och billigare fälttestning utan behov av ständig omkalibrering.

MC-LR är ett kraftfullt toxin producerat av cyanobakterier under skadliga algblomningar. Världshälsoorganisationen har angett en riktlinje på 1 mikrogram per liter för MC-LR i dricksvatten. Traditionella biosensorer, som mäter en elektrokemisk signal, påverkas starkt av vattenkvaliteten, såsom pH, grumlighet och konduktivitet, vilket kan förvränga avläsningar och kräva frekvent omkalibrering.

I en studie utförd tillsammans med University of Central Florida, USA, utvecklade professor Jungsu Park från Hanbat och professor Woo Hyoung Lee ett maskininlärningsramverk som tar hänsyn till dessa vattenkvalitetsparametrar. Ramverket tränades med data insamlade från 27 olika vattenmiljöer i Florida.

Studien fann att Extreme Gradient Boosting (XGBoost) maskininlärningsmodeller visade bäst prestanda, där en enhetlig modell kunde noggrant förutsäga MC-LR-koncentrationer över olika vattenprover utan behov av separata kalibreringsmodeller för varje förhållande. Forskarna identifierade biosensorns elektriska impedans som den starkaste prediktorn för toxinnivåer, följt av elektrisk konduktivitet, pH, UV-absorbans och grumlighet.

Detta datadrivna tillvägagångssätt kan avsevärt minska den tid, arbetskraft och kostnad som tidigare krävdes för kalibrering. I takt med att skadliga algblomningar blir vanligare på grund av klimatförändringar, erbjuder denna teknik ett mer effektivt sätt att övervaka toxiner i dricksvatten och rekreationsvatten.