Машинное обучение помогло биосенсору точнее определять опасный токсин в воде

Переносные биосенсоры на основе углеродных электродов трафаретной печати позволяют быстро и сравнительно недорого проверять воду на микроцистин-лизин-аргинин — один из наиболее опасных токсинов, вырабатываемых цианобактериями. Новая система машинного обучения учитывает свойства конкретной пробы воды и может избавить специалистов от повторной настройки датчика перед каждым измерением.

Чем опасен микроцистин

Микроцистин-лизин-аргинин (MC-LR) образуется во время массового размножения цианобактерий, которое часто называют вредоносным цветением воды. Такие явления возникают главным образом в пресных водоёмах.

Основной мишенью токсина является печень. При значительном воздействии он может повреждать клетки органа и вызывать тяжёлое отравление. Возможная связь длительного воздействия микроцистинов с опухолями печени и толстой кишки также изучается, однако имеющиеся данные не позволяют считать такую причинно-следственную связь окончательно доказанной.

Всемирная организация здравоохранения (World Health Organization) установила предварительное ориентировочное значение для длительного содержания микроцистинов в питьевой воде — 1 микрограмм на литр. Поэтому чувствительное и быстрое обнаружение этих веществ важно не только для экологического надзора, но и для защиты здоровья населения.

Почему один датчик по-разному работает в разных водоёмах

Печатный углеродный электрод регистрирует изменения электрохимического сигнала, связанные с концентрацией токсина. Однако на показания влияет не только сам микроцистин.

Кислотность воды, её мутность, количество растворённых веществ и способность проводить электрический ток могут менять отклик датчика. Даже две пробы с одинаковым содержанием токсина способны давать разные результаты, если их физические и химические свойства различаются.

Из-за этого биосенсоры нередко приходится заново настраивать, или калибровать, для каждого типа воды. Такая процедура занимает время, требует дополнительных расходных материалов и затрудняет проведение большого числа анализов непосредственно на месте.

Модель обучили на пробах из 27 точек

Международная группа исследователей из Южной Кореи и США разработала систему, объединяющую биосенсор, измерение качества воды и машинное обучение. Американскую часть команды представлял Университет Центральной Флориды (University of Central Florida).

Исследование возглавили профессор Чонсу Пак (Jungsu Park) и профессор У Хён Ли (Woo Hyoung Lee). Статья появилась в интернете 26 марта 2026 года, а 15 июня была опубликована в томе 298 журнала Water Research.

Для обучения системы учёные получили 201 набор измерений на 27 участках во Флориде. В выборку вошли пресные водоёмы, эстуарии — устьевые зоны, где смешиваются пресная и солёная вода, — а также переходные водные среды.

В каждой пробе определяли водородный показатель (pH), отражающий кислотность или щёлочность воды, мутность, электрическую проводимость, общее содержание растворённых веществ и поглощение ультрафиолетового света на длине волны 254 нанометра. Последний показатель косвенно характеризует содержание некоторых органических веществ.

Одновременно исследователи измеряли электрохимический импеданс биосенсора — сопротивление системы переменному электрическому сигналу. Именно этот показатель изменялся при взаимодействии датчика с микроцистином. Модель получала все параметры воды и должна была предсказать фактическую концентрацию токсина.

Лучший результат показало градиентное усиление

Учёные сравнили несколько способов машинного обучения. Наиболее точным оказался метод экстремального градиентного усиления (Extreme Gradient Boosting, XGBoost). Он объединяет множество последовательно построенных моделей, каждая из которых старается исправить ошибки предыдущих.

Коэффициент эффективности Нэша—Сатклиффа достиг 0,89. Этот показатель оценивает, насколько хорошо расчётные значения совпадают с реальными: чем он ближе к единице, тем выше соответствие. Корень из средней квадратичной ошибки составил 13,21.

Полученные результаты показали, что в рамках исследованной выборки одна общая модель могла работать с разными типами воды. Отдельная модель для каждого сочетания кислотности, мутности и проводимости не потребовалась.

При этом выражение «без калибровки» не означает, что датчик вообще не нуждается в предварительном обучении или проверке. Систему заранее обучили на пробах с известной концентрацией микроцистина. Речь идёт об отказе от повторной отдельной настройки перед анализом каждой новой пробы.

Что сильнее всего влияло на прогноз

Чтобы понять, на основании каких данных система принимает решение, исследователи применили метод аддитивных объяснений Шепли (Shapley Additive Explanations, SHAP). Он показывает, насколько каждый входной параметр повышает или снижает итоговый прогноз модели.

Самым важным фактором оказался электрохимический импеданс биосенсора. Далее следовали электрическая проводимость воды, водородный показатель, поглощение ультрафиолетового света и мутность.

Таким образом, точность анализа зависела не только от сигнала самого датчика. Информация о свойствах воды помогала модели отличать изменения, вызванные микроцистином, от помех, связанных с составом пробы.

«Эта работа предлагает устойчивую систему, основанную на данных, для изучения взаимодействия биосенсора с водной средой и практический способ повысить скорость и точность определения микроцистина непосредственно на месте», — отметил профессор Чонсу Пак.

Что это может изменить

По словам исследователей, отказ от повторной калибровки для каждой пробы способен уменьшить затраты времени и труда, а также сократить расход датчиков. Это может снизить стоимость анализа и количество использованных материалов.

Подход особенно интересен для регулярной проверки питьевой воды, водоёмов для купания и участков, где наблюдается цветение цианобактерий. Компактный датчик в сочетании с моделью машинного обучения потенциально позволит быстрее выявлять опасные концентрации токсина за пределами стационарной лаборатории.

Однако данные были собраны только во Флориде. Перед широким применением модели её способность работать в других регионах, климатических условиях и типах водоёмов предстоит дополнительно подтвердить.

Разработка продолжает общее направление создания доступных датчиков, способных работать со сложными пробами без длительной подготовки. Ранее сообщалось о биосенсоре для определения дофамина непосредственно в необработанных образцах крови.

Литература

Kim, M., and others. Calibration-free on-site detection of microcystin-LR using integrated biosensing, multi-parameter water quality monitoring, and machine learning // Water Research. — 2026. — Volume 298. — Digital object identifier (DOI): 10.1016/j.watres.2026.125832.