Skal gi oppdrettere raske svar om smoltifisering og sykdom

 – Ved å «se» inn i fisken, kan vi gjøre oppdretteren i stand til å bedre produksjonsstyre og samtidig, kan vi forbedre fiskevelferd og redusere dødelighet, sier Amund Litlabø, fiskehelsebiolog i Morefish til LandbasedAQ.

Metoden baserer seg på å analysere ulike biomarkører i blodet til fisken. Analysen går unna på 12 minutter og skjer i en liten maskin oppdretteren kan ha en eller flere av, stående fast på anlegget. Dataene sendes så opp i skyen, behandles av en KI-modell, og man får umiddelbart tilbakemelding på hva resultatene betyr for fisken på ulike vis.

LandbasedAQ fikk være med til ILAB, lokalisert på på Høytekologisenteret i Bergen, for å se på hvordan det jobbes med å ta ut fisk som analyseres til bruk for å trene maskinlæringsmodellene bak KI-en.

Forutsi smoltifisering

– Vi har to typer analyser. Den første som er utviklet og kommersielt tilgjengelig er en der 11 elektrolytter analyseres og er beregnet brukt på settefiskanlegg. Det forteller daglig leder i AquaPredict Kjetil Korsnes. 

Han er fiskehelsebiolog fra UiB og innehar også en førsteamanuensis II-stilling ved Nord Universitet i Bodø.

– Her vil man få et kjapt svar på hvor en gruppe fisk er i smoltifiseringsprosessen, både gjennomsnittlig og spredningen i gruppen. Dataene vil bli presentert på en måte som vil være gjenkjennelig fra sjøvannstesting, for eksempel klorid-verdier, og vi ser også at modellen predikerer resultater fra q-PCR godt, sier han.

Til denne utviklingen er det ansatt en stipendiat som tar en PhD på smoltifisering.

– Han viser vitenskapelig at teknologi, dvs. analysene på instrumentet, har nødvendig presisjon for å gi input til maskinlæring for vurdering av smoltifisering, og andre fysiologiske tilstander.

Forutsi sykdom

Det andre analysekittet er primært tiltenkt brukt i sjø og består av 21 biomarkører. Her jobbes det fremdeles med utviklingen. Tanken er å utvikle en maskinlæringsalgoritme som skal kunne si noe på et tidlig stadium om fisken har utfordringer knyttet til ulike sykdommer som vintersår, status på tarmhelse, generell gjellehelse og respiratorisk kapasitet, og AGD (amøbegjellesykdom).

– Vi har samme inngang til nye maskinlærings-modeller som til smoltifiseringsmodellen; nemlig vitenskapelige forsøk som basis for å bygge kliniske modeller. Det gir høy kvalitet på data som brukes for maskinlæring, sier Korsnes.

Utvikler for AGD

Da LandbasedAQ fikk demonstrert metodikken var det en modell for AGD status som det ble samlet data til.

– Dette er den modellen vi er kommet lengst med – utenom smoltprediksjonen som allerede er kommersielt tilgjengelig. Primært handler det jo om å kunne ta ned dødelighet ved å komme sykdommen litt i forkjøpet så man kan for eksempel behandle mot AGD før det virkelig får utvikle seg dødelighet, sier Korsnes.

For landbasert oppdrett har de også noen klare tanker om at det skal være mulig å også utvikle algoritmer for å også kunne diagnostisere tilstander som HSS (hemoragisk smoltsyndrom) og nefrokalsinose. Her har vi en klar idé om og en god tro på hvordan vi skal kunne utvikle algoritmer for å også kunne diagnostisere dette.

Fotometrisk analyse

Rent praktisk baserer analysene seg på at man tar en blodprøve fra fiskene man vil undersøke. 100 mikroliter appliseres så på et rundt testpanel som så settes inn i maskinen. Her spinner testpanelet rundt, og ulike fraksjoner av blodet går ut til ulike posisjoner med ulike reagens. Man oppnår så en fargereaksjon, som så igjen avleses fotometrisk.

– Vi har sett så langt at KI-modellene er gode til å fange opp mønstre. Så må de kobles mot data om tilstandene vi er ute etter fremskaffet på tradisjonelt vis. Slik både trener vi modellene, og vi kan over tid også re-trene dem om vi ser at det skjer endringer, sier Korsnes.

– Det er forbløffende å se hvor lite data som skal til, så lenge det er gode data, legger han til.

Tilgang til ny teknologi

Korsnes påpeker at det ikke er tilfeldig at de har startet med å utvikle en modell for smoltifiserings prosessen.

– Smoltifisering er jo en stor fysiologisk endring i fisken, som gjør den som er veldig godt egnet til dette.

At dette ikke har vært utviklet før, mener han skyldes to ting.

– Analyseteknologien er ny og KI-behandling av data så enkelt tilgjengelig er også nytt. Nå kan vi altså gjøre dette nær fisken, og analyse av 20 fisk kan være unnagjort på to timer med to analysemaskiner, sier han.

– Man slipper å sentrifugere blodet og sende det inn til en analyse som ofte tar 4–5 dager før man får svar, skyter Amund Litlabø fra Morefish inn.

Han mener dette vil være et svært verdifullt verktøy for det fiskehelsepersonellet som skal jobbe i felt og rådgi oppdretterne.

– At vi når får et verktøy også for å si noe om fisken i sjøen gjør at vi kan se på data fra settefiskanlegget i sammenheng med data fra sjøen for å si noe om hvordan livet som settefisk har påvirket prestasjonen i sjø, sier Litlabø.

– Vi kan også se om det er noe under utvikling, så tiltak kan settes inn tidlig, legger han til.

Ser inn i fisken

Litlabø forklarer at biomarkørene man får nivåer ut på, sier noe om hvordan fiskens organer presterer.

– Vi ser inn i fisken på denne måten. Så kan vi også koble det mot vannkvalitetsdata, og dermed også kunne justere driftsparametrene, så vi får ut en så god fisk som mulig uten å måtte vente på at det oppstår dødelighet før man justerer. Dermed kan vi driver problemløsning i både landbaserte og sjøbaserte anlegg, sier han.

Betaler for svarene

Kjetil Korsnes forteller at forretningsmodellen deres er bygget opp slik at oppdretteren ikke skal kjøpe utstyret, de skal kun betale for kunnskapen det gir.

– Vi står for analysemaskinene og testkittene, så betaler oppdretterne for informasjonen som genereres. Som igjen skal kunne gi merverdi for oppdretteren, sier han.