Contexte

Rozporządzenie Komisji Europejskiej (WE) nr 2073/2005 z dnia 15 listopada 2005 r. w sprawie kryteriów mikrobiologicznych dotyczących środków spożywczych nakłada na producentów żywności obowiązek kontroli mikrobiologicznej w procesie produkcji.
Standardowe posiewy mikrobiologiczne są czasochłonne i kosztowne, ponadto często obarczone dużym błędem związanym z niedoszacowaniem. Dodatkowym problemem jest transport próbek do laboratorium, które wielokrotnie jest oddalone od miodosytni o kilkadziesiąt kilometrów. Nakłada się na to również długi czas hodowli posiewów, co powoduje długi czas oczekiwania na wynik (5-9 dni) co uniemożliwia bieżące ingerowanie w proces produkcyjny żywności. Od wielu lat poszukuje się metod alternatywnych, należą do nich PCR i jego odmiany, Fluorescencyjna Hybrydyzacja in situ, cytometria i wiele innych. Intensywnie na świecie trwają̨ również próby wykorzystania sztucznej inteligencji jako alternatywy dla posiewów mikrobiologicznych poprzez analizę obrazów mikroskopowych. W ostatnich latach wzrasta znacznie liczba publikacji naukowych z tego zakresu.  Przełomem w tym obszarze są prace na Systemem Detekcji Mikroorganizmów dla przemysłu kosmetycznego opisane w artykule The Microorganism Detection System (SDM) for microbiological control of cosmetic products (Annals of Agricultural and Environmental Medicine 2021, Vol 28, No 4, 705–708). Wyniki tych prac wprost wskazują, że są realne szansa na opracowanie metodologii i samego produktu jakim byłoby przydomowe laboratorium.

Additional comments

Aspektem ułatwiającym są publikacje naukowe w zakresie zastosowania sztucznych sieci neuronowych w analizie obrazu mikroorganizmów (Artifcial Intelligence Review https://doi.org/10.1007/s10462-022-10192-7 oraz Annals of Agricultural and Environmental Medicine 2021, Vol 28, No 4, 705–708) oraz możliwość wykorzystania wyników tych badań w realizacji operacji.
Głównym problemem do rozwiązania jest detekcja komórek mikroorganizmów, klasyfikacja ich do ściśle określonych grup i zliczanie sklasyfikowanych mikroorganizmów. Konstrukcja wydajnego automatu repozytorium, inaczej mówiąc architektury głębokich sieci, oraz znalezienie skutecznej metody separowania i barwienia mikroorganizmów z próbkach, która pozwoli na wykorzystanie powstałego materiału do nauki sieci inteligentnych. Wyzwaniem technologicznym jest wykorzystanie sztucznej inteligencji w procesach przetwarzania dużej ilości danych. Taką wysokopoziomową operacją będzie rozpoznawanie skomplikowanych wzorców (obrazów) na ogromnej bazie danych. Inną kwestią do rozwiązania jest sposób przygotowania próbki do badania, co należy uznać również za ogromne wyzwanie technologiczne. W swoich założeniach procedura musi być prosta, tak aby przeciętny użytkownik był w stanie samodzielnie przygotować próbkę i wykonać badania. Z drugiej strony należy pamiętać, że do dyspozycji będziemy mieli jedynie mikroskop, zestaw do filtracji oraz proste odczynniki, które nie stanowią zagrożenia i których użycie jest dopuszczone w takich sytuacjach.