Bacteriën spelen een belangrijke rol in onder meer de voedselindustrie, gezondheidszorg en biologische gewasbescherming. Zo worden bacteriën gebruikt voor de productie van yoghurt en andere fermentatieprocessen. Ze hebben diverse toepassingen, waarvoor vraag is naar nieuwe bacteriële stammen met specifieke eigenschappen. De huidige klassieke methoden om nieuwe stammen te identificeren zijn arbeidsintensief en lastig reproduceerbaar.
In het project Slimme technologie voor identificatie van nieuwe microbiële stammen (STRAIN-AI) richten we ons op het ontwikkelen van een innovatieve en efficiëntere workflow voor de identificatie van bacteriële stammen op basis van AI-gestuurde beeldherkenning, datagedreven kweekstrategieën en geavanceerde sequencingtechnologieën. Deze sequencingtechnologiën zijn methoden uit de biotechnologie om bacteriën te kweken en op basis van DNA te bepalen welke bacteriën het zijn.
Het eindproduct is een webapplicatie waarin bedrijven foto’s van bacteriekolonies kunnen uploaden. De applicatie bepaalt vervolgens automatisch welke bekende en afwijkende stammen er te vinden zijn.
In dit project werken we vanuit het lectoraat Data Driven Smart Society samen met het lectoraat Microbial Genomics van Hogeschool Leiden. We gaan samen met innovatieve bedrijven uit onder andere de voedselindustrie bacteriën uit natuurlijke bronnen isoleren, opkweken en vastleggen op beeld.
Vanuit Hogeschool Inholland richten we ons op het ontwikkelen van AI-modellen met als doel bacteriële stammen te identificeren. AI-modellen worden getraind op foto’s van bacteriekolonies. Door middel van AI-gebaseerde beeldherkennings- en anomaliedetectietechnieken kunnen bekende stammen worden herkend en afwijkende stammen gedetecteerd. De kolonies die afwijken, zijn potentieel nieuwe stammen.
"Met deze innovatieve aanpak legt het project de basis voor een toekomst waarin bacteriële identificatie sneller, schaalbaarder en nauwkeuriger wordt. Dit maakt duurzame innovaties voor diverse toepassingen mogelijk in de voedselindustrie, gezondheidszorg en biologische gewasbescherming."
In dit project participeren studenten van de verschillende AI-gerelateerde opleidingen van Inholland en Hogeschool Leiden. We formuleren verschillende afstudeer- en projectopdrachten voor deze studenten, met name op het gebied van AI-gebaseerde beeldherkenning. Binnen Inholland richten we ons hierbij in eerste instantie op de opleidingen Applied Mathematics / Data Science en Informatica / Information Technology, en de minoren Deep Learning, Understanding AI en Big Data & AI.
Via de docent-onderzoekers die betrokken zijn in dit onderzoek werken de uitkomsten van het onderzoek door in de curricula van deze opleidingen.
Naast de twee hogescholen bestaat het consortium uit zeven mkb’s, een grootbedrijf en drie overkoepelende organisaties. Deze bedrijven richten zich op verschillende onderdelen, zoals het ontwikkelen van duurzame en plantaardige alternatieven voor traditionele ingrediënten, het produceren van probiotische formules – eten en drinken met ‘goede bacteriën’ – of het ontwikkelen van biologische alternatieven voor chemische producten in de landbouw.
De bedrijven zijn betrokken bij elke fase van het project. In de eerste fase stellen we in overleg met de bedrijven vast op welke typen stammen het project zich gaat richten. De bedrijven bepalen welke eigenschappen van stammen interessant zijn voor toepassingen in de verschillende sectoren.
Ook tijdens het ontwikkelen van de AI-modellen en de webapplicatie werken we intensief samen met de partners uit het bedrijfsleven. We ontwikkelen de software in een iteratief proces, waarbij de bedrijfspartners in elke cyclus feedback en advies geven.
In het STRAIN-AI-project ontwikkelen we een innovatieve workflow voor snelle en nauwkeurige identificatie van bacteriële stammen. Onderdeel hiervan is een webapplicatie die door middel van AI bekende en afwijkende stammen herkent in foto’s van bacteriekolonies.
Nieuwe stammen kunnen leiden tot nieuwe toepassingen. Met de tools die dit project oplevert, kunnen nieuwe stammen sneller worden gevonden, waardoor nieuwe toepassingen dus sneller kunnen worden ontwikkeld.
