Machine Learning Stimuleert Nieuwe Aanpak voor het Detecteren van Bodemverontreinigingen

Onderzoeksteam ontwikkelt nieuwe strategie voor het identificeren van gevaarlijke verontreinigingen in de bodem

Een team van onderzoekers aan de Rice University en het Baylor College of Medicine heeft een nieuwe strategie ontwikkeld om gevaarlijke verontreinigingen in de bodem te identificeren, zelfs die welke nog nooit in een laboratorium zijn geïsoleerd of bestudeerd.

De nieuwe aanpak, beschreven in een studie gepubliceerd in de Proceedings of the National Academy of Sciences, maakt gebruik van lichtgebaseerde beeldvorming, theoretische voorspellingen van lichtsignaturen van verbindingen en algoritmen voor machine learning (ML) om giftige verbindingen zoals polycyclische aromatische koolwaterstoffen (PAH’s) en hun afgeleide verbindingen (PAC’s) in de bodem op te sporen. PAH’s en PAC’s, die vaak ontstaan bij verbranding, zijn in verband gebracht met kanker, ontwikkelingsproblemen en andere ernstige gezondheidsproblemen.

Het identificeren van verontreinigingen in de bodem vereist doorgaans geavanceerde laboratoria en standaard fysieke referentiemonsters van de vermoedelijke verontreinigingen. Voor veel milieuverontreinigers die een risico voor de volksgezondheid vormen, is er echter geen experimentele data beschikbaar die kan worden gebruikt voor detectie.

“Deze methode maakt het mogelijk om chemicaliën te identificeren die nog niet experimenteel zijn geïsoleerd,” zei Naomi Halas, professor aan de universiteit en de Stanley C. Moore Professor van Elektrotechniek en Computertechniek aan de Rice University.

De nieuwe methode maakt gebruik van een lichtgebaseerde beeldvormingstechniek die bekend staat als oppervlakte-versterkte Raman-spectroscopie, die analyseert hoe licht interageert met moleculen en de unieke patronen, of spectra, die ze uitzenden volgt. Spectra dienen als “chemische vingerafdrukken” voor elke verbinding. De techniek wordt verfijnd door het gebruik van handtekening nanoshells die zijn ontworpen om relevante eigenschappen in de spectra te verbeteren.

Door gebruik te maken van dichtheidsfunctionaaltheorie, een computationele modelleertechniek die kan voorspellen hoe atomen en elektronen zich in een molecuul gedragen, berekenden de onderzoekers hoe de spectra van een breed scala aan PAH’s en PAC’s eruitzien op basis van de moleculaire structuur van de verbindingen. Dit stelde hen in staat om een virtuele bibliotheek van “vingerafdrukken” voor PAH’s en PAC’s te genereren.

Twee complementaire ML-algoritmen—kenmerkende piekextractie en kenmerkende piekovereenstemming—werden gebruikt om relevante spectrale eigenschappen in echte bodemmonsters te analyseren en deze te koppelen aan verbindingen die in de virtuele bibliotheek van spectra zijn in kaart gebracht.

“We gebruiken PAH’s in de bodem om deze zeer belangrijke nieuwe strategie te illustreren,” zei Halas. “Er zijn tienduizenden PAH-afgeleide chemicaliën en deze aanpak—het berekenen van hun spectra en het gebruik van machine learning om de theoretisch berekende spectra te koppelen aan die in een monster—stelt ons in staat om chemicaliën te identificeren waarvoor we mogelijk geen experimentele data hebben.”

De methode adresseert een kritieke kloof in milieutoezicht, waardoor het mogelijk wordt om een veel breder scala aan gevaarlijke verbindingen te identificeren—ook die welke in de loop van de tijd zijn veranderd. Dit is vooral belangrijk gezien de dynamische omgeving van de bodem, waar chemicaliën onderhevig zijn aan transformaties die het moeilijker kunnen maken om ze te detecteren.

Thomas Senftle, de William Marsh Rice Trustee Associate Professor van Chemische en Biomoleculaire Ingenieurswetenschappen aan Rice, vergeleek het proces met gezichtsherkenning om een individu in een menigte te vinden. “Je kunt je voorstellen dat we een foto hebben van een persoon toen ze tiener waren, maar nu zijn ze in de dertig,” zei Senftle. “In mijn groep, wat we doen is, aan de theoretische kant, we kunnen voorspellen hoe de foto eruit zal zien.”

De onderzoekers testten de methode op bodem uit een hersteld stroomgebied en natuurlijk gebied met behulp van zowel kunstmatig verontreinigde monsters als een controlemonster. De resultaten toonden aan dat de nieuwe aanpak zelfs minimale sporen van PAH’s betrouwbaar kon identificeren met een eenvoudigere en snellere procedure dan conventionele technieken.

“Deze methode kan minder bekende en grotendeels onbestudeerde PAH- en PAC-verontreinigende moleculen identificeren,” zei Oara Neumann, een onderzoekswetenschapper aan Rice en mede-auteur van de studie.

In de toekomst zou de methode on-site veldtesten kunnen mogelijk maken door de ML-algoritmen en de theoretische spectrale bibliotheek te integreren met draagbare Raman-apparaten in een mobiel systeem, waardoor het voor boeren, gemeenschappen en milieuagentschappen gemakkelijker wordt om de bodem te testen op gevaarlijke verbindingen zonder monsters naar gespecialiseerde laboratoria te hoeven sturen en dagen te wachten op resultaten.