Centrum för tillämpade autonoma sensorsystem (AASS)

Tvärvetenskaplig forskning skapar AI som upptäcker förorenat dricksvatten

Professor Jana Jass, doktorand Jagadish Mangu och AI-forskare Martin Längkvist arbetar med projektet Biolearning, som lyckats använda artificiell intelligens för att upptäcka förorenat vatten.

Professor Jana Jass, doktorand Jagadish Mangu och AI-forskare Martin Längkvist arbetar med projektet Biolearning, som lyckats använda artificiell intelligens för att upptäcka förorenat vatten.

Rent vatten för alla. Det är ett av FN:s 17 globala hållbarhetsmål i Agenda 2030. Att testa och analysera vatten är dock ett omfattande och tidskrävande jobb. Ett tvärvetenskapligt forskningsprojekt vid Örebro universitet har nu visat att artificiell intelligens kan göra processen snabbare och mer exakt.

Det här är AI

Artificiell intelligens, AI, är när maskiner löser problem som tidigare bara den mänskliga hjärnan har klarat av.

Många arbetsuppgifter som skulle ta lång tid för en människa kan nu i stället lösas blixtsnabbt. AI kan till exempel hjälpa till att fatta beslut vid svåröverskådliga och komplexa problem, planera – och lära sig av det arbete som utförs.

AI används till exempel i självkörande bilar, robotar, sökmotorer, bildigenkänningsprogram och automatiska textöversättningar. Redan i dag finns många AI-lösningar i bruk på olika sorters arbetsplatser, till exempel inom transport, hälso- och sjukvård och jordbruk.

Förorenat vatten är ett stort problem i världen. Enligt Unicef saknar över två miljarder människor tillgång till rent dricksvatten. För att kunna uppnå FN:s globala hållbarhetsmål om rent vatten för alla, är en viktig fråga hur man på det mest effektiva och tillförlitliga sättet testar vattenkvaliteten.

Professor Jana Jass vid Örebro universitet kom på idén att det kanske går att kombinera biologi och artificiell intelligens för att hitta en lösning. Det blev upprinnelsen till forskningsprojektet Biolearning, som nu pågått under tre år.

– Idén var att se om AI kan hitta biomarkörer som visar om vattnet är förorenat och utifrån dem analysera och utvärdera om det är drickbart eller inte, säger Jana Jass, projektansvarig och professor inom biologi vid Institutionen för naturvetenskap och teknik, och fortsätter:

– Med traditionella tester är det svårt att bedöma toxiciteten hos föroreningar i exempelvis låga koncentrationer. Genom att använda AI och biomarkörer för föroreningar, kan vi få tillförlitliga värden även för små doser, vilket kan förbättra arbetet med toxikologiska tester.

Jagadish Mangu valde att utgå från arsenik i olika koncentrationsnivåer, från 0,1 till 100 mikrogram per liter. Testerna genomfördes på maskar som sedan undersöktes för att se vilka förändringar i genuttryck som arseniken hade orsakat.

Använde explainable AI för att rangordna gendata

När den datan hade samlats ihop var det dags för Martin Längkvist, AI-forskare vid Institutionen för naturvetenskap och teknik, att hjälpa till. För att analysera datan använde han sig av två AI-modeller; dels maskininlärning, dels så kallad ”explainable AI”.

– Från början visste vi inte om det skulle fungera. AI kräver stora datamängder och inom biologi är det svårt att få fram, så vi var tvungna att hantera mindre mängder med data – men det gick att lösa. Genom att använda explainable AI kunde vi rangordna datan efter olika klasser för att se om det finns en specifik gen som reagerar på en förorening och en annan gen som reagerar då det inte finns någon förorening.

Maskar.

Bild från ett stereomikroskåp som visar olika stadier av utveckling hos de maskar som använts i forskningsprojektet.

Experimentet lyckades. Jagadish Mangu och Martin Längkvist upptäckte att AI:n kunde berätta hur mycket arsenik som fanns i vattnet och även peka ut vilka gener som är viktiga att hålla koll på när man vill ta reda på nivåer av föroreningar.

– En annan intressant sak var generna som styr immunförsvaret. Höga koncentrationer av arsenik sägs kunna försämra immunförsvaret och vi kunde se att flera gener korrelerade med immunförsvaret när man utsätts för arsenik, säger Jagadish Mangu.

– Det är vanligt att det blir små variationer i datan när olika personer har hanterat proven. Här såg vi att AI:n utifrån de variationerna till och med kunde upptäcka vem som hanterat provet – det var också en intressant upptäckt, säger Martin Längkvist.

I förlängningen skulle forskningsprojektets resultat kunna innebära att AI används för att snabbare genomföra storskaliga analyser av vattenkvalitet.

”Vill se om AI:n även kan avgöra blandningar av olika föroreningar”

Det finns dock mer att forska kring för Jana och hennes team, och Biolearning fortsätter till hösten 2022.

– Nu har vi testat med en metall, arsenik, med det är även vanligt med organiska föroreningar i vatten. Så jag vill bredda experimentet och se om AI:n även kan analysera och avgöra blandningar av olika sorters föroreningar, säger Jagadish Mangu.

– Från mitt perspektiv vore det intressant att veta om en AI-modell som tränats på en typ av förorening går att använda även på en annan förorening som den inte tränats på. Jag tror också att AI:n skulle kunna användas som ett hjälpmedel för att skräddarsy framtida experiment, säger Martin Längkvist.

Text: Jesper Eriksson