AI rozpoznaje mikroorganizmy na podstawie widm MALDI-TOF. Co nowe badanie oznacza dla laboratoriów kontroli jakości?

Szybkie ustalenie, z jakim mikroorganizmem laboratorium ma do czynienia, może mieć znaczenie znacznie wykraczające poza sam wynik badania mikrobiologicznego. Identyfikacja izolatu może wspierać dochodzenie dotyczące źródła zanieczyszczenia, ocenę surowca lub dostawcy, analizę trendów środowiskowych czy decyzję o zakresie dalszych działań jakościowych. Badanie opublikowane 24 sierpnia 2026 r. w „Scientific Reports” pokazuje, że kolejnym etapem rozwoju identyfikacji mikroorganizmów za pomocą MALDI-TOF MS może być wykorzystanie algorytmów machine learning i deep learning do interpretacji widm.

Nie oznacza to jeszcze pojawienia się gotowego rozwiązania przeznaczonego dla laboratoriów producentów suplementów diety. Badanie wykonano na szczepach referencyjnych, w kontrolowanych warunkach, a jego głównym kontekstem była mikrobiologia kliniczna i biosecurity. Wyniki są jednak interesujące z perspektywy laboratoriów QC, ponieważ pokazują zarówno możliwości automatycznej klasyfikacji widm, jak i problem, z którym przemysł będzie musiał się zmierzyć przy wdrażaniu podobnych systemów: model bardzo skuteczny na danych własnego laboratorium może działać wyraźnie słabiej na danych pochodzących z innego środowiska analitycznego.

MALDI-TOF nie tylko porównuje próbkę z biblioteką

MALDI-TOF MS, czyli Matrix-Assisted Laser Desorption/Ionization Time-of-Flight Mass Spectrometry, jest metodą wykorzystującą charakterystyczne profile masowe mikroorganizmów. Po odpowiednim przygotowaniu próbki analizowany jest między innymi profil białkowy, który można traktować jako swoisty spektralny „odcisk palca”. Uzyskane widmo może następnie posłużyć do identyfikacji mikroorganizmu.

Technologia jest ceniona przede wszystkim za szybkość, powtarzalność i możliwość pracy z dużą liczbą próbek. Jednocześnie jej skuteczność zależy m.in. od jakości baz referencyjnych. Autorzy badania zwracają uwagę, że problemy mogą pojawiać się w przypadku rzadkich mikroorganizmów, niedostatecznie reprezentowanych w bibliotekach, oraz blisko spokrewnionych gatunków, których profile spektralne mogą być do siebie podobne.

Tutaj pojawia się przestrzeń dla sztucznej inteligencji. Zamiast ograniczać analizę do klasycznego porównania widma z biblioteką, algorytm może uczyć się bardziej złożonych zależności występujących w tysiącach zmiennych opisujących sygnał.

W nowym badaniu naukowcy ocenili osiem modeli machine learning oraz dwa modele deep learning. Wśród nich znalazły się m.in. Random Forest, Extra Trees Classifier, Support Vector Classifier, XGBoost oraz jednowymiarowa konwolucyjna sieć neuronowa 1-D CNN.

255 widm i dziesięć modeli AI

Wewnętrzny zbiór badawczy obejmował łącznie 255 widm MALDI-TOF: 165 widm siedmiu gatunków bakterii oraz 90 widm pięciu czynników wirusowych. Algorytmy trenowano i oceniano m.in. pod kątem rozróżniania bakterii i wirusów, klasyfikacji bakterii Gram-dodatnich i Gram-ujemnych oraz identyfikacji poszczególnych klas mikroorganizmów.

Na własnym zbiorze danych wyniki były bardzo wysokie. W kilku zadaniach siedem modeli osiągało średnią dokładność i F1-score na poziomie 100 proc. Dotyczyło to między innymi rozróżniania typu Gram oraz wieloklasowej klasyfikacji badanego panelu mikroorganizmów.

Na pierwszy rzut oka mogłoby to sugerować, że problem identyfikacji został praktycznie rozwiązany.

Najważniejsza część badania zaczyna się jednak dopiero wtedy, gdy modele otrzymały dane, których wcześniej nie widziały.

Co stanie się z AI, gdy widmo pochodzi z innego laboratorium?

Trzy najlepiej działające modele – Extra Trees Classifier, Support Vector Classifier oraz 1-D CNN – sprawdzono następnie na niezależnym zbiorze 285 widm bakteryjnych pochodzących z bazy MALDI-TOF Robert Koch Institute.

Był to znacznie ważniejszy test z punktu widzenia przyszłych zastosowań przemysłowych. Model przestał pracować wyłącznie na danych wygenerowanych w środowisku podobnym do tego, na którym został wytrenowany.

Przy rozróżnianiu bakterii Gram-dodatnich i Gram-ujemnych rezultaty pozostały bardzo dobre. Extra Trees Classifier osiągnął średnią dokładność i F1-score na poziomie 100 proc., 1-D CNN – 97 proc., a Support Vector Classifier – 93 proc.

Znacznie większym wyzwaniem okazała się jednak identyfikacja bakterii na poziomie poszczególnych klas.

Extra Trees Classifier osiągnął na danych zewnętrznych średnią dokładność 80 proc. oraz F1-score 80 proc. Dla 1-D CNN dokładność spadła do 71 proc., przy F1-score 70 proc. Support Vector Classifier uzyskał natomiast 54 proc. dokładności oraz F1-score wynoszący 59 proc.

Ta różnica jest prawdopodobnie jednym z najważniejszych wyników badania dla laboratoriów zainteresowanych wykorzystaniem AI.

Wysoka skuteczność modelu nie wystarcza

W rozwiązaniach wykorzystujących AI bardzo łatwo skoncentrować się na jednym parametrze – wysokiej accuracy uzyskanej podczas walidacji modelu. Tymczasem dla laboratorium przemysłowego znacznie ważniejsze staje się pytanie, czy algorytm zachowa skuteczność również wtedy, gdy zmieni się partia materiału, procedura przygotowania próbki, urządzenie, sposób kalibracji albo samo laboratorium.

Autorzy wskazują, że pogorszenie wyników na zewnętrznym zbiorze mogło wynikać właśnie z różnic pomiędzy laboratoriami. Widma w poszczególnych bazach generowano z wykorzystaniem odmiennych protokołów MALDI-TOF, różnych stężeń próbek i sposobów przygotowania materiału. Stosowano również różne standardy kalibracji aparatury.

To szczególnie ważny sygnał dla przemysłu.

Wdrożenie AI do analityki laboratoryjnej nie jest wyłącznie projektem informatycznym. Jakość modelu zaczyna się dużo wcześniej – na etapie pobierania i przygotowania próbki, pracy aparatu, standaryzacji procedur oraz jakości danych użytych do trenowania algorytmu.

Jeżeli system ma wspierać decyzje jakościowe, model powinien być odporny nie tylko na zmienność danych znajdujących się w jego własnym zbiorze treningowym, ale także na rzeczywistą zmienność analityczną.

AI pomyliło blisko spokrewnione gatunki

Dobrze pokazuje to analiza błędnych klasyfikacji.

Jednym z problemów była identyfikacja Bacillus cereus i Bacillus subtilis. W przypadku modelu Extra Trees prawidłowo sklasyfikowanych zostało 31 z 67 zewnętrznych widm B. cereus. W modelu 1-D CNN aż 52 z 67 widm B. cereus zostały błędnie zakwalifikowane jako B. subtilis. Autorzy wiążą ten problem między innymi z podobieństwem cech występujących u gatunków należących do tego samego rodzaju oraz ograniczoną liczebnością zbioru treningowego.

Dla laboratoriów QC jest to cenna lekcja. Model może bardzo dobrze radzić sobie z ogólną klasyfikacją, a jednocześnie popełniać błędy właśnie tam, gdzie rozróżnienie podobnych mikroorganizmów ma największą wartość diagnostyczną.

Dlatego ocena systemu AI nie powinna kończyć się na jednej zbiorczej wartości accuracy. Konieczna jest analiza tego, jakie konkretnie mikroorganizmy są mylone, w jakich warunkach dochodzi do błędów i jakie konsekwencje miałaby nieprawidłowa klasyfikacja dla dalszych decyzji laboratorium.

Co z tego wynika dla producentów suplementów diety?

Badanie nie zostało przeprowadzone w zakładzie produkującym suplementy diety i nie obejmowało próbek takich jak kapsułki, tabletki, ekstrakty roślinne, proszki czy gotowe produkty. Autorzy sami podkreślają, że pracowali na szczepach referencyjnych w kontrolowanych warunkach, a nie na złożonych próbkach rzeczywistych.

Nie można więc na podstawie tej publikacji stwierdzić, że przedstawiony system jest gotowy do rutynowej identyfikacji mikroorganizmów w suplementach.

Znaczenie badania jest inne.

Pokazuje ono, jak może wyglądać kolejny etap cyfryzacji laboratorium: aparat generuje widmo, a algorytm pomaga rozpoznać zawarte w nim wzorce i sklasyfikować mikroorganizm. W takim modelu AI nie zastępuje samego badania mikrobiologicznego ani przygotowania materiału, lecz staje się dodatkową warstwą interpretacyjną.

W przypadku producentów suplementów potencjalnie interesującym obszarem byłaby identyfikacja izolatów uzyskiwanych podczas badań surowców, monitoringu środowiskowego czy postępowań wyjaśniających. Wiedza o tym, jaki mikroorganizm pojawia się cyklicznie w określonym miejscu procesu albo przy konkretnym surowcu, może być znacznie bardziej użyteczna niż sama informacja o przekroczeniu przyjętego poziomu mikrobiologicznego.

To jednak perspektywa wymagająca osobnej walidacji dla konkretnych zastosowań przemysłowych.

Największym wyzwaniem mogą okazać się dane między laboratoriami.

Badanie pokazuje jeszcze jeden kierunek, który może mieć znaczenie dla przyszłości cyfrowej kontroli jakości.

Aby modele AI były użyteczne poza jednym, ściśle kontrolowanym środowiskiem, potrzebują znacznie bardziej różnorodnych danych. Autorzy wskazują na konieczność rozszerzania zbiorów o większą liczbę gatunków, izolatów oraz danych pochodzących z różnych laboratoriów i różnych protokołów analitycznych. Ma to ograniczać ryzyko nadmiernego dopasowania modelu do specyficznych cech danych generowanych w jednym miejscu.

To zmienia sposób myślenia o AI w laboratorium.

Najbardziej wartościowym zasobem może okazać się nie sam algorytm, ale dobrze opisany, standaryzowany i wystarczająco różnorodny zbiór danych analitycznych.

Dla przedsiębiorstw oznacza to, że przygotowanie do szerszego wykorzystania AI może zaczynać się znacznie wcześniej niż od zakupu konkretnego rozwiązania. Zaczyna się od jakości danych, ich identyfikowalności, spójnych procedur analitycznych i możliwości zestawiania wyników uzyskiwanych w czasie.

Nie automat zamiast mikrobiologa, lecz dodatkowa warstwa informacji

Nowe badanie nie daje podstaw do stwierdzenia, że AI może przejąć kontrolę mikrobiologiczną w zakładzie. Pokazuje natomiast, że informacje zapisane w widmach MALDI-TOF mogą być analizowane znacznie szerzej niż przy użyciu prostego dopasowania do wzorca.

Jednocześnie różnica pomiędzy niemal idealnymi rezultatami na wewnętrznym zbiorze a znacznie niższą skutecznością identyfikacji gatunków w danych zewnętrznych jest ważnym ostrzeżeniem.

W laboratoryjnym AI nie wystarczy model, który dobrze zna dane, na których został wytrenowany. Potrzebny jest model, który potrafi poprawnie pracować również wtedy, gdy dane zaczynają odzwierciedlać rzeczywistą zmienność procesu analitycznego.

Dla laboratoriów kontroli jakości właśnie ta zdolność – obok walidacji, standaryzacji metod i jakości baz referencyjnych – może zdecydować, czy AI pozostanie interesującym eksperymentem, czy stanie się rzeczywiście użytecznym narzędziem wspierającym identyfikację mikroorganizmów.