هوش مصنوعی پیام میکروب ها را در رویکرد تست ایمنی شیر رمزگشایی می کند

هوش مصنوعی پیام میکروب ها را در رویکرد تست ایمنی شیر رمزگشایی می کند

با ترکیب توالی‌یابی ژنتیکی و تحلیل میکروب‌های موجود در یک نمونه شیر با هوش مصنوعی (AI)، پژوهشگران توانستند ناهنجاری‌هایی در تولید شیر، از جمله آلودگی یا افزودنی‌های غیرمجاز را تشخیص دهند. به گفته نویسندگان این مطالعه از دانشگاه‌های پن استیت، کرنل و IBM Research، این رویکرد جدید می‌تواند به بهبود ایمنی محصولات لبنی کمک کند.

در یافته‌هایی که در مجله mSystems، ژورنال انجمن میکروبیولوژی آمریکا منتشر شده، پژوهشگران گزارش دادند که با استفاده از داده‌های متاژنومیک شات‌گان و هوش مصنوعی، قادر به شناسایی شیر درمان‌شده با آنتی‌بیوتیک بودند که به‌صورت آزمایشی و تصادفی به نمونه‌های شیر مخزن افزوده شده بود. برای تأیید یافته‌های خود، محققان همچنین از ابزار هوش مصنوعی توضیح‌پذیر خود در مجموعه داده‌های توالی‌یابی شده عمومی از نمونه‌های شیر مخزن استفاده کردند و به این ترتیب استحکام روش بدون هدف خود را بیشتر به نمایش گذاشتند.

اریکا گاندا، نویسنده اصلی مطالعه و استادیار میکروبیوم‌های حیوانات خوراکی در دانشکده علوم کشاورزی دانشگاه پن استیت، گفت: “این مطالعه یک اثبات مفهوم بود. ما می‌توانیم به داده‌های میکروب‌های موجود در شیر خام نگاه کنیم و با استفاده از هوش مصنوعی، بررسی کنیم که آیا میکروب‌های موجود نشان‌دهنده ویژگی‌هایی مانند پیش یا پس از پاستوریزاسیون هستند یا اینکه شیر از گاوی است که با آنتی‌بیوتیک درمان شده.”

پژوهشگران ۵۸ نمونه از مخازن شیر جمع‌آوری کرده و الگوریتم‌های مختلف هوش مصنوعی را برای تمایز بین نمونه‌های پایه و آن‌هایی که نمایانگر ناهنجاری‌هایی مانند شیرهای از مزارع دیگر یا شیرهای حاوی آنتی‌بیوتیک بودند، به کار بردند. این مطالعه متاژنوم‌های شیر خام را با عمقی بیشتر از هر تحقیق منتشر شده‌ی دیگر توصیف کرد و نشان داد که مجموعه‌ای از میکروب‌های متداول و ثابت در نمونه‌های مختلف یافت می‌شوند.

یافته‌های این تحقیق نشان می‌دهد که هوش مصنوعی پتانسیل قابل‌توجهی برای بهبود تشخیص ناهنجاری‌ها در تولید مواد غذایی دارد و یک روش جامع‌تر به ابزار دانشمندان برای تضمین ایمنی غذا اضافه می‌کند. گاندا توضیح داد: “تحلیل سنتی داده‌های توالی‌یابی میکروبی، مانند معیارهای تنوع آلفا و بتا و خوشه‌بندی‌ها، به اندازه‌ی استفاده از هوش مصنوعی در تمایز نمونه‌های پایه و نمونه‌های ناهنجار مؤثر نبودند. اما ادغام هوش مصنوعی اجازه داد تا طبقه‌بندی دقیق و شناسایی میکروب‌های مرتبط با ناهنجاری‌ها ممکن شود.”

سیستم‌های میکروبی و زنجیره تأمین مواد غذایی، یک کاربرد ایده‌آل برای هوش مصنوعی هستند، زیرا تعاملات بین میکروب‌ها پیچیده و پویا است. کریستن بک، نویسنده اول این مطالعه و دانشمند ارشد پژوهش در IBM Research، گفت: “همچنین متغیرهای زیادی در زنجیره تأمین مواد غذایی وجود دارد که بر سیگنالی که به دنبال آن هستیم تأثیر می‌گذارد. هوش مصنوعی می‌تواند به ما کمک کند تا سیگنال را از نویز جدا کنیم.”

هرچند این تحقیق بر روی تولید لبنیات متمرکز بود، اما کاربردهای آن برای صنعت گسترده‌تر مواد غذایی نیز حائز اهمیت است. گاندا افزود که شیر به عنوان یک مدل انتخاب شد زیرا تنها ماده اولیه‌ای است که برای تولید شیر مایع استفاده می‌شود — یک غذای پرحجم که نگرانی‌های زیادی در مورد تقلب دارد، به ویژه در کشورهای در حال توسعه.

مشکلات مربوط به کیفیت و ایمنی غذا می‌تواند اثرات گسترده‌ای در زنجیره تأمین ایجاد کرده و منجر به خسارات بهداشتی و اقتصادی قابل توجهی شود. بنابراین، علاقه زیادی به استفاده از روش‌های هدفمند و غیرهدفمند برای شناسایی مواد یا محصولات غذایی که دارای ریسک بیشتری از نظر تقلب یا مشکلات ایمنی هستند، وجود دارد.

گاندا توضیح داد: “روش‌های غیرهدفمند تمام مولکول‌های قابل شناسایی را برای شناسایی موادی که از حالت ‘نرمال’ یا ‘کنترل‌شده’ انحراف دارند، توصیف می‌کنند. مهم است که این روش‌های غیرهدفمند به عنوان روش‌های غربالگری در نظر گرفته شوند و نه به عنوان ابزارهایی برای تعیین ناامن بودن یا تقلبی بودن یک محصول، بلکه آن‌ها نشان‌دهنده انحراف از حالت عادی هستند که باید منجر به اقدامات یا تحقیقات بعدی شوند.”

این همکاری تحقیقاتی بی‌نظیر از نقاط قوت هر یک از شرکا بهره برده است. این مطالعه از فناوری هوش مصنوعی متن‌باز IBM به نام Automated Explainable AI for Omics استفاده کرد تا مقادیر عظیم داده‌های متاژنومیک را پردازش کند و امکان شناسایی امضاهای میکروبی را که معمولاً با روش‌های سنتی از چشم دور می‌ماند، فراهم کند. دانش محققان دانشگاه کرنل در زمینه علوم لبنیات نیز به کاربرد عملی این پژوهش و ارتباط آن با صنعت لبنیات کمک کرد، در حالی که مرکز میکروبیوم سلامت واحد پن استیت، نقش مهمی در ادغام داده‌های میکروبی برای کاربردهای سلامت و ایمنی گسترده‌تر ایفا کرد.

نیینا هایمینن، اکشای آگاروال، آنا پائولا کاریری، متیو مادگویک، جنیفر کلی و بان کاواس از IBM Research، ویکتور پیلرو از دانشگاه فدرال لاوراس برزیل، و مارتین ویدمان از دانشگاه کرنل نیز به این تحقیق کمک کردند.

وزارت کشاورزی ایالات متحده این پژوهش را از طریق دانشگاه پن استیت حمایت مالی کرد.