Des chercheurs utilisent l’apprentissage automatique pour accélérer le comptage des microplastiques

Les microplastiques sont partout autour de nous, dans l’eau que nous buvons, les aliments que nous mangeons et l’air que nous respirons. Mais avant que les chercheurs puissent comprendre l’impact réel de ces particules sur la santé, ils ont besoin de moyens plus rapides et plus efficaces pour quantifier ce qui s’y trouve.

Deux études récentes menées par des chercheurs de la Faculté des sciences appliquées et de génie de l’Université de Toronto ont proposé de nouvelles méthodes qui utilisent l’apprentissage automatique pour rendre le processus de comptage et de classification des microplastiques plus facile, plus rapide et plus abordable.

« L’analyse d’un échantillon d’eau pour les microplastiques prend beaucoup de temps », explique Elodie Passeport, professeure agrégée aux départements de génie civil et minéral et de génie chimique.

« L’analyse complète d’un échantillon de la taille d’un pot Mason peut prendre jusqu’à 40 heures, et cet échantillon provient d’un moment donné. Cela devient particulièrement difficile lorsque vous souhaitez effectuer des comparaisons dans le temps ou observer des échantillons provenant de différents plans d’eau. . »

Le mois dernier, le Programme des Nations Unies pour l’environnement a approuvé une résolution historique visant à mettre fin à la pollution plastique, qu’il a qualifiée de « catastrophe en devenir », mettant en danger la santé humaine, les espèces marines et côtières et les écosystèmes mondiaux.

Les microplastiques peuvent mettre des centaines à des milliers d’années à se biodégrader. Mais ce ne sont pas seulement les déchets plastiques visibles qui posent problème : avec le temps, le plastique se décompose en particules de plus en plus petites. Les pièces dont la taille est inférieure à cinq millimètres mais supérieure à 0,1 micromètre sont définies comme des microplastiques.

Les chercheurs qui étudient les effets des microplastiques tentent toujours de comprendre comment ces minuscules morceaux pourraient affecter la santé humaine et environnementale d’une manière différente du matériau en vrac.

Bien que des études antérieures aient démontré la présence de microplastiques dans divers environnements, les normes sur la façon de quantifier leurs niveaux et, surtout, sur la façon de comparer différents échantillons dans le temps et dans l’espace, sont encore en train d’émerger. Passeport a travaillé avec Shuyao Tan, titulaire d’un doctorat. étudiant en génie chimique, et Joshua Taylor, professeur agrégé au département de génie électrique et informatique, pour relever le défi de l’analyse.

« Nous nous sommes demandé s’il pouvait y avoir une mesure brute qui pourrait prédire la concentration de microplastiques », explique Passeport.

« En collaboration avec le professeur Taylor, qui possède une expertise en apprentissage automatique et en optimisation, nous avons établi un modèle de prédiction qui utilise un algorithme formé qui peut estimer le nombre de microplastiques à partir de mesures de masse globales. »

« Notre méthode a garanti des propriétés de suivi des erreurs avec des résultats similaires au comptage manuel, mais elle est moins coûteuse et plus rapide, permettant l’analyse de plusieurs échantillons à partir de plusieurs points pour estimer la pollution microplastique », ajoute-t-elle.

L’enquête de l’équipe, publiée en janvier dans ACS ES&T Eaua l’avantage de permettre aux chercheurs de ne traiter manuellement qu’une fraction de leurs échantillons collectés et de prédire la quantité du reste à l’aide d’un algorithme, sans introduire d’erreur ou de variance supplémentaire.

« Les chercheurs travaillant sur l’analyse des microplastiques doivent savoir combien de particules de plastique il y a, les types de particules, les polymères et les formes », explique Tan.

« Avec ces informations, ils peuvent ensuite étudier les effets de la pollution microplastique sur les organismes vivants, ainsi que la provenance de cette pollution, afin de pouvoir la traiter à la source. »

Les méthodes de quantification classiques utilisant la microscopie à lumière visible nécessitent l’utilisation d’une pince à épiler pour compter les échantillons un par un sous un microscope optique, une entreprise à forte intensité de main-d’œuvre qui est sujette à l’erreur humaine.

Dans une enquête publiée dans Science de l’environnement total, doctorat Le candidat Bin Shi du département science et génie des matériaux, qui est supervisé par la professeure agrégée Jane Howe, a utilisé des modèles d’apprentissage en profondeur pour la quantification et la classification automatiques des microplastiques.

Shi a utilisé des microscopes électroniques à balayage pour segmenter des images de microplastiques et classer leurs formes. Par rapport aux méthodes de dépistage visuel, cette approche a fourni une plus grande profondeur de champ et des détails de surface plus fins qui peuvent empêcher une fausse identification de petites particules de plastique transparentes.

« L’apprentissage en profondeur permet à notre approche d’accélérer la quantification des microplastiques, d’autant plus que nous avons dû supprimer d’autres matériaux susceptibles de créer de fausses identifications, tels que les minéraux, le substrat, la matière organique et les organismes », explique Shi.

« Nous avons pu développer des algorithmes précis capables de quantifier et de classer efficacement les objets dans des environnements aussi complexes. »

La diversité de la composition chimique et des formes des microplastiques peut créer des difficultés pour de nombreux chercheurs, d’autant plus qu’il n’existe pas de méthode standardisée pour quantifier les microplastiques.

Shi a collecté des échantillons de microplastiques de différentes formes et compositions chimiques – telles que des perles, des films, des fibres, des mousses et des fragments – à partir de sources telles que des nettoyants pour le visage, des bouteilles en plastique, des gobelets en mousse, des machines à laver et à sécher et des masques médicaux. Il a ensuite traité les images des échantillons individuels à l’aide du microscope électronique à balayage pour créer une bibliothèque de centaines d’images.

Le projet est le premier ensemble de données open source labellisé pour la segmentation d’images de microplastiques, qui permet aux chercheurs du monde entier de bénéficier de cette nouvelle méthode et de développer leurs propres algorithmes spécifiques à leurs intérêts de recherche.

« Cette méthode a également le potentiel de descendre à l’échelle des nanoplastiques, qui sont des particules inférieures à 0,1 micromètre », a déclaré Shi.

« Si nous pouvons continuer à élargir notre bibliothèque d’images pour inclure davantage d’échantillons de microplastiques provenant de différents environnements avec des formes et des morphologies variées, nous pourrons surveiller et analyser la pollution microplastique beaucoup plus efficacement. »

Pour l’instant, l’objectif du modèle prédictif de Passeport et Tan est d’être un outil de diagnostic qui peut aider les chercheurs à identifier les domaines où ils devraient concentrer leurs efforts d’analyse avec des technologies plus approfondies.

L’équipe espère également que cette méthode permettra aux scientifiques citoyens de surveiller la pollution microplastique dans leur propre environnement.

« Les individus peuvent collecter des échantillons, les filtrer et les sécher pour obtenir le poids, puis utiliser un algorithme formé pour prédire la quantité de microplastiques », explique Passeport.

« Alors que nous poursuivons notre travail, nous souhaitons introduire des méthodes de sélection automatique d’échantillons d’apprentissage qui permettront aux individus de cliquer simplement sur un bouton et de sélectionner automatiquement l’échantillon d’apprentissage », ajoute Tan.

« Nous voulons rendre notre méthode simple afin qu’elle puisse être utilisée par n’importe qui, sans qu’ils aient besoin de connaissances en apprentissage automatique et en mathématiques. »