🦠🛰 Бактериальная «система навигации» на основе ИИ позволит точно определить, где вы были и что делали — с помощью анализа образца микробиома. Исследовательская группа из Лундского Университета (Швеция) разработала ИИ-инструмент, который может отслеживать недавние перемещения человека путем анализа микробных сигнатур. Технология использует микроорганизмы в качестве уникальных «географических отпечатков» и позволяет определить, где недавно побывал человек — например, на пляже, в лесу или на городском вокзале. 🔎 В отличие от ДНК микробиом человека постоянно меняется, так как мы регулярно вступаем в контакт с различными средами. Возможность отслеживать источник свежего «апдейта» микробиома, которую дает новая технология, позволит понять пути распространения болезней, определить потенциальные источники инфекций и локализовать возникновение микробной резистентности. А также это станет принципиально новым инструментом в криминалистике. 🔍 В основе решения mGPS AI (Microbiome Geographic Population Structure) — новаторская технология ИИ для локализации образцов в определенных водоемах, странах и городах. Многие локации имеют свои уникальные популяции бактерий, и когда вы касаетесь поручня на железнодорожной станции, вы «подселяете» в свой микробиом эндемичные микроорганизмы, которые затем можно обнаружить и установить ваше недавнее местоположение. Ученые проанализировали обширные наборы данных образцов микробиома из городской среды, почвы и морских экосистем, включая 4135 образцов из базы данных MetaSUB. На собранном датасете модель ИИ обучили определять уникальные пропорции этих «отпечатков», а также связывать их с определенными географическими координатами. 📍 mGPS смог определить город-источник с точностью 92%. Для более точной калибровки внутри города исследователи обучили ИИ на данных из 3 мегаполисов — Нью-Йорка, Гонконга и Лондона. В Гонконге mGPS мог различать две станции метро на расстоянии 172 м друг от друга, а в Нью-Йорке — отличал киоск от поручня на расстоянии менее метра! ⚡️ При этом в Лондоне инструмент продемонстрировал низкую точность прогнозирования — лишь половина образцов была правильно соотнесена со своими географическим кластерам. Исследователи объяснили это грязным состоянием лондонской подземки — по сравнению с метро в Гонконге, которое они описали как «абсолютно безупречное».