En revolusjon i vurdering av smoltstatus

Saad Zah Saad Zah

Nærings ph.d.-­stipen­diat ved fakultet for bio­viten­skap og akva­­kultur ved Nord Universitet og AquaPredict

Alt som skal til er en enkel blodprøve, internettilgang og kunstig intelligens. Ingen forsendelse av prøver, lang ventetid på svar, eller unødig håndtering.

For godt til å være sant?

I mitt doktorgradsarbeid ønsker jeg å bidra til å utvikle en test som kan utføres på stedet og gi resultater nesten umiddelbart. Deler av arbeidet er allerede publisert (se lenke under) og viser at en maskinlæringsmodell utviklet av Aquapredict fastslår smoltstatus med 95 % treffsikkerhet.

Testen er basert på blodanalyser (av elektrolytter og enkelte metabolske markører), og gir svar på 12 minutter. Modellen vurderer hele blodprøveprofilen fra analysen, og de viktigste parametrene er plasma-klorid, kalsium og natrium, med glukose, kalium og kreatinin som viktige sekundærmarkører.

I tillegg utvidet jeg treningsdatasettet med tradisjonelle metoder, slik at teamet også kunne opprette modeller som tallfester den konvensjonelle PCR-indeksen for saltvannsdyktighet, og predikerer resultatet fra sjøvannstest (plasma-kloridnivåer). Når modellene har lært sammenhengene mellom biokjemi og utfall kan disse analysene leveres digitalt til kun en brøkdel av tiden og prisen av tradisjonelle tester.

En av de store utfordringene for norsk havbruksnæring er dødelighet, og 4,6 % skyldes ufullstendig smoltifisering (Kilde: Persson et. al.; Analysing mortality patterns in salmon farming using daily cage registrations). Dette viser behovet for bedre, raskere og mer praktiske tester for å fastslå smoltstatus enn det som har vært tilgjengelig til nå.

Les også:

Skal gi oppdret­tere raske svar om smoltifisering og sykdom

Potensial til å erstatte dagens smoltifiseringstester

Vanlige metoder for å vurdere smoltstatus er qPCR, sjøvannsutfordringstester, og visuelle vurderinger av smoltindeks. Testen som er utviklet av Aquapredict, benytter 11 spesifikke biomarkører som måles diagnostisk samtidig fra den samme bloddråpen. Dataene behandles automatisk med en maskinlæringsalgoritme, og det er ikke behov for manuell tolkning som igjen kan gi feilvurderinger. Resultatet presenteres tydelig og lettlest, og gjør det enkelt for fiskeoppdretteren å beslutte om fisken er klar for sjøutsett – eller ikke.

I min forskning har jeg funnet at denne testen med 95 % nøyaktighet gir et riktig svar. I tillegg predikerer den altså resultatene fra qPCR-analyser og sjøvannstesting. Dette forteller at analysen vil redusere tidsbruken og arbeidsmengden på anleggene, og bidra til en mer etisk og ansvarlig produksjon gjennom å eliminere dagens praksis med sjøvannstester som kompromitterer fiskevelferden.

Med en så nøyaktig og rask test tilgjengelig er det ingen grunn til at bransjens tradisjonelle utfordringer rundt sjøvannsutsett skal fortsette. Det unike med denne analysen er at den er praktisk anvendbar i den daglige driften, samtidig som den er vitenskapelig utarbeidet og presis.

Dette er et viktig skritt mot en mer datadrevet og ansvarlig matproduksjon, og gir bransjen et langt bedre beslutningsgrunnlag enn det som har vært tilgjengelig hittil. Min påstand er at ved å ta i bruk dette verktøyet vil vi bedre fiskevelferden og redusere dødeligheten betraktelig.

• Les gjerne forskningsartikkelen min i Springer Nature for utfyllende informasjon