مدل‌های یادگیری ماشین خطر عوامل بیماری‌زا در آب آشامیدنی را پیش‌بینی می‌کنند
آکادمی علوم چین | ۱۲ اکتبر ۲۰۲۶
منابع آب آشامیدنی می‌توانند حاوی طیف متنوعی از عوامل بیماری‌زای باکتریایی و ویروسی باشند؛ ازاین‌رو پایش قابل اعتماد آن‌ها برای حفاظت از سلامت عمومی ضروری است. نظارت‌های متعارف معمولاً به باکتری‌های شاخص مدفوعی متکی هستند، اما این جانداران همیشه حضور عوامل بیماری‌زای مشخص، به‌ویژه ویروس‌ها، را به‌درستی نشان نمی‌دهند. روش‌های کشت میکروبی ممکن است چند روز زمان ببرند و آزمایش‌های مولکولی نیز به تجهیزات تخصصی و نیروی آموزش‌دیده نیاز دارند.
یادگیری ماشین روشی برای برآورد غلظت میکروارگانیسم‌ها بر اساس اندازه‌گیری‌های معمول محیطی فراهم می‌کند و می‌تواند روابط پیچیده‌ای را شناسایی کند که مدل‌های خطی ساده قادر به تشخیص آن‌ها نیستند. بااین‌حال، بخش زیادی از پژوهش‌های پیشین بر باکتری‌های شاخص تمرکز داشته‌اند، نه خود عوامل بیماری‌زا. بنابراین، پیوند دادن پیش‌بینی عوامل بیماری‌زا با ارزیابی خطرهای سلامت همچنان یک نیاز مهم پژوهشی است؛ همچنین باید مشخص شود که آیا این مدل‌ها در شرایط متغیر محیطی و دوره‌های مختلف پایش، اطلاعات مفید و قابل تفسیر ارائه می‌کنند یا خیر.
مطالعه‌ای با شناسه DOI: 10.48130/biocontam-0026-0009 که در ۱۰ ژوئیه ۲۰۲۶ در نشریه Biocontaminant توسط تیم چانگ‌ژنگ کوی از دانشگاه علم و فناوری شرق چین منتشر شد، نشان می‌دهد که اندازه‌گیری‌های محیطی می‌توانند برای پیش‌بینی چندین هدف میکروبی و تولید برآوردهای بالقوه خطر سلامت استفاده شوند؛ برآوردهایی که به‌طور کلی با محاسبات مبتنی بر غلظت‌های اندازه‌گیری‌شده عوامل بیماری‌زا همخوانی داشتند.
پژوهشگران ۹۵ نمونه آب سطحی را از پنج محل ثابت در دو منبع آب آشامیدنی در یک شهر شرقی چین، در فاصله زمانی مه ۲۰۲۴ تا دسامبر ۲۰۲۵ جمع‌آوری کردند. آن‌ها هفت شاخص کیفیت آب، از جمله دما، کدورت، هدایت الکتریکی، اکسیژن محلول و کل مواد جامد محلول را اندازه‌گیری کردند و شش متغیر هواشناسی را نیز در تحلیل وارد کردند.
سه نوع باکتری شاخص با روش فیلتراسیون غشایی اندازه‌گیری شد و واکنش زنجیره‌ای پلیمراز کمی (qPCR) برای سنجش شش عامل بیماری‌زا شامل Pseudomonas aeruginosa، گونه‌های Salmonella، گونه‌های Shigella، آدنوویروس، نوروویروس و انتروویروس به کار رفت. شش الگوریتم مختلف شامل رگرسیون خطی، روش‌های تقویتی، درخت تصمیم، ماشین بردار پشتیبان، جنگل تصادفی و شبکه‌های عصبی با یکدیگر مقایسه شدند. نمونه‌های هر مرحله جمع‌آوری هنگام تقسیم داده‌ها به مجموعه‌های آموزش و آزمون در کنار هم نگه داشته شدند و اعتبارسنجی متقاطع گروهی برای بهینه‌سازی مدل‌ها مورد استفاده قرار گرفت.
نمونه‌های اضافی که در ژانویه و فوریه ۲۰۲۶ جمع‌آوری شدند، امکان اعتبارسنجی مستقل زمانی را فراهم کردند. اندازه‌گیری‌های میکروبی نشان دادند که آلودگی به‌طور مکرر مشاهده می‌شود و رابطه میان شاخص‌های باکتریایی و ویروس‌ها ضعیف یا ناپایدار است. مدل‌های جنگل تصادفی و درخت تصمیم برای بیشتر اهداف بهترین عملکرد را داشتند.
مدل‌های انتخاب‌شده ضریب تعیین گزارش‌شده بالاتر از ۰٫۷۵ به دست آوردند و مدل درخت تصمیم برای P. aeruginosa از ۰٫۹۰ فراتر رفت. اعتبارسنجی زمانی نیز در بیشتر موارد عملکرد پیش‌بینی را تأیید کرد، اگرچه عدم قطعیت برای برخی عوامل بیماری‌زا همچنان بیشتر بود. تحلیل SHAP (توضیحات افزوده شاپلی) نشان داد که کدورت آب عامل اصلی در پیش‌بینی باکتری‌های شاخص است، در حالی که مدل‌های مربوط به عوامل بیماری‌زا به ترکیب‌های متفاوتی از متغیرهای محیطی وابسته بودند.
سپس تیم پژوهشی غلظت‌های پیش‌بینی‌شده را در ارزیابی کمی خطر میکروبی (QMRA) وارد کرد و با استفاده از ۱۰ هزار تکرار مونت‌کارلو، عدم قطعیت‌ها را بررسی کرد. توزیع‌های بار بیماری پیش‌بینی‌شده به‌طور کلی با محاسبات مبتنی بر غلظت‌های اندازه‌گیری‌شده مطابقت داشتند.
بر اساس شرایط مواجهه و فرضیات تصفیه در مدل، احتمال عبور از معیار بار سلامت تعیین‌شده در این مطالعه برای سالمونلا، شیگلا و انتروویروس به‌ترتیب ۳۱٫۶۸ درصد، ۵۹٫۷۰ درصد و ۲۰٫۸۶ درصد برآورد شد. کارایی گندزدایی مهم‌ترین عامل مؤثر بر تغییرات خطر بود. این برآوردها خطرهای بالقوه را در سناریوهای مشخص توصیف می‌کنند؛ زیرا تشخیص مولکولی تنها وجود ماده ژنتیکی را اندازه‌گیری می‌کند و به‌تنهایی نشان‌دهنده عفونی بودن عامل بیماری‌زا یا ابتلای واقعی مصرف‌کنندگان به بیماری نیست. یافته‌ها همچنین بر نقش حیاتی عملکرد فرایندهای تصفیه در کنترل مواجهه با میکروارگانیسم‌ها تأکید می‌کنند.
این مطالعه مسیری عملی برای تبدیل پایش‌های معمول محیطی به برآوردهای قابل تفسیر از خطرهای میکروبی و پیامدهای بالقوه سلامت ارائه می‌دهد. بااین‌حال، پیش از استفاده گسترده‌تر، اعتبارسنجی‌های بیشتری در حوزه‌های آبخیز مستقل، فصل‌های مختلف و شرایط متفاوت تصفیه مورد نیاز است.
ادغام این فناوری با سامانه‌های پایش لحظه‌ای می‌تواند در آینده به آزمایش‌های هدفمندتر، مداخلات سریع‌تر و مدیریت واکنش‌پذیرتر منابع آب آشامیدنی کمک کند.
منبع:
مرجع مقاله:
Guo, B., et al. (2026). چارچوب یادگیری ماشین-ارزیابی کمی خطر میکروبی (ML-QMRA) برای پیش‌بینی خطرهای بالقوه سلامت ناشی از عوامل بیماری‌زا در منابع آب آشامیدنی. Biocontaminant. DOI: 10.48130/biocontam-0026-0009. https://www.maxapress.com/article/doi/10.48130/biocontam-0026-0009