Sztuczna inteligencja znajduje dziś zastosowanie w niemal każdej dziedzinie nauki – również w mykologii. W styczniu 2025 roku opublikowano badanie, które może zrewolucjonizować sposób analizowania i przewidywania rozwoju grzybni. Naukowcy opracowali syntetyczny, zsynchronizowany czasowo zbiór danych przedstawiający wzrost grzybów, który umożliwia trenowanie modeli głębokiego uczenia do rozpoznawania wzorców, etapów rozwoju oraz potencjalnych nieprawidłowości.
Zbiór ten został wygenerowany sztucznie na podstawie rzeczywistych parametrów wzrostu grzybni w kontrolowanych warunkach. Dzięki temu proces rozwoju można modelować cyfrowo – bez potrzeby fizycznej dokumentacji każdej fazy, skalowalnie i bez ryzyka kontaminacji.
Zastosowania AI w mykologii
Zautomatyzowana analiza wzrostu grzybów znajduje zastosowanie zarówno w edukacji, jak i w biotechnologii. Modele sztucznej inteligencji mogą:
- klasyfikować etapy rozwoju grzybni,
- przewidywać dynamikę kolonizacji podłoża,
- identyfikować wzorce zdrowego wzrostu,
- wykrywać anomalie, takie jak wczesne oznaki kontaminacji.
Praktyczne korzyści: od badań po edukacyjne zestawy obserwacyjne
Tego typu technologia sprawdza się nie tylko w laboratoriach. Może również wspierać użytkowników domowych korzystających z zestawów do obserwacji grzybni, takich jak growkit odmiany Golden Teacher, McKennaii czy Mazatapec. Choć zestawy te przeznaczone są wyłącznie do celów edukacyjnych i badawczych, cieszą się rosnącym zainteresowaniem wśród pasjonatów mikologii. Automatyczne monitorowanie warunków – m.in. wilgotności, temperatury czy tempa wzrostu – pozwala prowadzić precyzyjne obserwacje także poza profesjonalnym środowiskiem badawczym.
Wczesne wykrywanie kontaminacji
Jednym z istotnych zastosowań modeli AI jest możliwość wykrycia pierwszych oznak kontaminacji, zanim jeszcze staną się one widoczne gołym okiem. Przykładowo, pleśń z rodzaju Trichoderma może pojawić się w zestawach przechowywanych w niewłaściwych warunkach. Choć dobrze rozwinięta grzybnia zazwyczaj radzi sobie z takimi mikroorganizmami, we wczesnej fazie rozwoju zakażenie może zahamować dalszy postęp kolonii. Modele wytrenowane na syntetycznych danych wzrostowych pozwalają identyfikować takie zagrożenia z dużą precyzją i odpowiednio wcześnie zareagować.
Perspektywy rozwoju
Autorzy badania zapowiadają dalsze rozwijanie projektu poprzez wykorzystanie rzeczywistych nagrań z kamer obserwacyjnych, które uzupełnią dane syntetyczne o autentyczne przypadki. Docelowo może to prowadzić do powstania zaawansowanych systemów analitycznych wspierających edukatorów, badaczy i producentów grzybów funkcjonalnych.
Warto zaznaczyć, że tego typu badania nie dotyczą komercyjnej produkcji żywności, lecz służą pogłębianiu wiedzy o biologii grzybni i jej wzroście w różnych warunkach środowiskowych. To kolejny krok w stronę mikologii wspieranej technologią.
Źródło:
Liu, W., Berry, N., Qiao, R. (2025). Synthetic, Time-Synchronized Fungal Growth Dataset for Spatio-Temporal Modeling. arXiv:2501.02855