Разработана технология для проверки молочной продукции на антибиотики

Обычно для анализа молока используются тест-полоски. Однако их точность редко превышает 70%, а сама методика позволяет определить только наличие антибиотиков, но не их количество. Ученые Научно-образовательного центра (НОЦ) инфохимии ИТМО предложили более надежную технологию — в её основе — электрохимический анализ и машинное обучение. Разработка состоит из трех компонентов: сенсора с электродом, потенциостата и программы на основе машинного обучения.

«Сначала мы разместили образец на электродном сенсоре из меди, никеля и углерода — при контакте с молоком эти вещества окисляются. Затем с помощью потенциостата (прибора для подачи электрического тока определенного напряжения) “пустили” напряжение на электрод. Измерить отклик от сенсора с образцом тоже помог потенциостат: при окислении металла снижается его проводимость, и прибор фиксирует это в виде перепадов напряжения тока. Чем меньше в молоке антибиотиков, тем сильнее окисляется металл на электроде: за этот процесс отвечает молочная кислота, продукт жизнедеятельности бактерий. Соответственно, падает и напряжение тока во всей системе», – объясняет Вадим Беляев, один из разработчиков, аспирант НОЦ Инфохимии ИТМО.

Исследователи провели серию лабораторных экспериментов с пятью самыми распространенными антибиотиками: стрептомицином, пенициллином, тетрациклином, цефазолином и цефтиофуром (последний используется только в ветеринарии). Растворы сухого молока с отдельными препаратами и их сочетаниями по-разному взаимодействовали с поверхностью электрода, а их результаты реакций были зафиксированы скачками (резкими отклонениями) на вольт-амперных характеристиках. Все эти данные ученые собрали в единый датасет для тренировки алгоритма машинного обучения. Полученный алгоритм анализирует входные сигналы от электрода и потенциостата и автоматически определяет содержание антибиотиков в тестируемых образцах.

Один из индустриальных партнеров проекта — группа компаний «Галатика», крупный производитель молочных продуктов. По словам ученых, их разработка может быть адаптирована под разные задачи. Например, аналогичную технологию они использовали при создании технологии для обнаружения нежелательных примесей в нефти в коллаборации с ПАО «Газпромнефть». Еще одна задумка авторов — оптимизировать методику для определения антиоксидантов в вине, а также сорта и места произрастания винограда, из которого оно изготовлено.

Пока что для новых применений систему нужно значительно перестраивать: менять состав металлов в электроде и заново собирать библиотеку образцов для алгоритма. Но в скором будущем ученые планируют с помощью новейших моделей машинного обучения автоматизировать процесс создания новых датасетов.

«Сейчас мы пытаемся генерировать данные с помощью различных программных пакетов, например, COMSOL Multiphysics. Но моя большая мечта — к окончанию аспирантуры подготовить вариационный автоэнкодер или трансформер, который смог бы работать только на основе этих синтетических данных. Чтобы нам не приходилось каждый раз вручную измерять, допустим, цинк в воде или ингибитор коррозии в нефти. То есть хотим сделать так, чтобы технология была проста в использовании, сама обучалась и подстраивалась под новые задачи», – заключает первый автор исследования, аспирант НОЦ Инфохимии Тимур Алиев.

Исследование поддержано Российским научным фондом (Проект № 23-16-00224). Статья о результатах исследования, поддержанного грантом РНФ, опубликована в журнале ACS Applied Materials & Interfaces.