АПК для экспресс-оценки токсичности водных сред с использованием инфузорий P. Caudatum

ЦЕЛЬ. Разработка аппаратно-программного комплекса (АПК) для экспрессоценки токсичности водных сред методом биотестирования с использованием Paramecium Caudatum. Основной задачей являлось создание системы, обеспечивающей регистрацию и анализ хемотакисческой реакции группы тест-организмов при разных уровнях токсического воздействия. МЕТОДЫ. Аппаратная часть комплекса включает в себя камеру высокого разрешения, специальную плоскую фотометрическую кювету, светодиодную подсветку с регулируемой интенсивностью. Программное обеспечение использует алгоритмы компьютерного зрения (OpenCV) для трекинга движения инфузорий P. Caduatum, оценка токсичности на основе пространственно-временного распределения клеток. Эксперименты проводились с использование раствора ЛозиныЛозинского в качестве контроля и раствора медного купороса (CuSO₄) в концентрациях от 1 мг/л до 0.1 мг/л в качестве исследуемого раствора. РЕЗУЛЬТАТЫ. При 1 мг/л CuSO₄ 95% клеток сохранили локализацию в нижней зоне кюветы (летальность), индекс токсичности соответствовал высокой степени опасности (Т>0.70). При 0.1 мг/л CuSO₄ наблюдалась миграция 70-75% популяции в верхнюю зону, аналогично контрольной пробе (Т<0.40). Система продемонстрировала погрешность ≤5% и время анализа 30 минут. ЗАКЛЮЧЕНИЕ. Разработанный АПК позволяет точно определять токсичность сред с CuSO₄, выявляя как критические (1 мг/л), так и субпороговые (0.1 мг/л) концентрации. Устойчивость метода к артефактам съемки подтверждает его надежность для экологического мониторинга. >>0.70) При 0.1 мг/л CuSO₄ наблюдалась миграция 70-75% популяции в верхнюю зону, аналогично контрольной пробе (Т<0.40). Система продемонстрировала погрешность ≤5% и время анализа 30 минут. ЗАКЛЮЧЕНИЕ. Разработанный АПК позволяет точно определять токсичность сред с CuSO₄, выявляя как критические (1 мг/л), так и субпороговые (0.1 мг/л) концентрации. Устойчивость метода к артефактам съемки подтверждает его надежность для экологического мониторинга. ><0.40).  Система продемонстрировала погрешность  ≤5% и время анализа 30 минут. ЗАКЛЮЧЕНИЕ. Разработанный АПК позволяет точно определять токсичность сред с CuSO₄, выявляя как критические (1 мг/л), так и субпороговые (0.1 мг/л) концентрации. Устойчивость метода к артефактам съемки подтверждает его надежность для экологического мониторинга.

1. United Nations Environment Programme. UNEP Annual Report 2023. 2023. URL: https://wedocs.unep.org/bitstream/handle/20.500.11822/44777/UNEP_Annual_Report_2023.pdf?sequence=19 (дата обращения: 20.02.2025).

2. Intergovernmental Panel on Climate Change. IPCC. 2021. URL: https://www.ipcc.ch/2021/ (дата обращения: 20.02.2025).

3. Семенова М.И., Смирнов А.В., Веженкова И.В., Кустов Т.В., Ковалевская А.С. Особенности пробоподготовки водных вытяжек компонентов солнечных панелей в целях биотестирования // Известия высших учебных заведений. Проблемы энергетики. – 2022. – С. 211– 220.

4. Олькова А.С. Актуальные направления развития методологии биотестирования водных сред // Вода и экология: проблемы и решения. – 2018. – № 2. – С. 40–49.

5. Семенова М.И., Смирнов А.В., Веженкова И.В., Кустов Т.В., Ковалевская А.С. Влияние растворённого кислорода в среде на индексы токсичности, получаемые различными методами биотестирования // Известия высших учебных заведений. Проблемы энергетики. – 2024. – № 1. – С. 38–49.

6. Брежнева И.Н., Трифонова М.П. Биотестирование бурового шлама на экотоксичность // Проблемы региональной экологии. – 2019. – № 3.

7. Горгуленко В.В., Кириллов В.В., Ким Г.В., Ковешников М.И. Оценка качества донных отложений реки Аба методами биоиндикации и биотестирования // Вестник ННГУ. – 2011. – № 2–2.

8. Методика определения токсичности проб природных, питьевых, хозяйственно-питьевых, хозяйственно-бытовых сточных, очищенных сточных, талых и технологических вод экспрессметодом с применением прибора серии «Биотестер». ФР.1.39.2015.19242.

9. Захаров И.С., Завгородний А.В. Биотестовые аппаратурные средства и методы контроля локомоций инфузорий // Известия Южного федерального университета. Технические науки. – 2008. – С. 205–209.

10. Олькова А.С. Процедура выбора методов биотестирования в условиях разных видов загрязнения // Трансформация экосистем. – 2022. – № 3 (17).

11. Завгородний А.В. Разработка метода и средств контроля пространственно-временного распределения оптических характеристик взвеси инфузорий для биотестирования водных сред: автореф. дис. … канд. техн. наук. – СПб., 2008. – 18 с.

12. Ciaparrone G., Luque Sánchez F., Tabik S., Troiano L., Tagliaferri R., Herrera F. Deep Learning in Video Multi-Object Tracking: A Survey // Neurocomputing. – 2020. – С. 61–88.

13. Esser P., Sutter E., Ommer B. A variational U-Net for conditional appearance and shape generation // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2018. – P. 8857–8866.

14. Tian C., Xu Y., Fei L., Yan K. Deep Learning for Image Denoising: A Survey // Advances in Intelligent Systems and Computing. – 2019. – № 384. – С. 61–88.

15. Лукашик Д.В. Анализ современных методов сегментации изображений // Экономика и качество систем связи. – 2022. – Т. 24, № 2. – С. 57–65.