De gezondheid van planten en dieren in sloten, plassen en rivieren lijdt onder veel verschillende verontreinigingen. De optelsom aan schade, toxische druk genoemd, is te hoog in het overgrote deel van het Nederlandse oppervlaktewater. Het antwoord op de vraag welke giftige stoffen de belangrijkste boosdoeners zijn, helpt bij het nemen van de juiste preventieve maatregelen. De Sleutelfactor Toxiciteit geeft dat inzicht. In versie 3.0 waaraan nu wordt gewerkt, helpt AI (kunstmatige intelligentie) om meer stoffen in beeld te krijgen. Daarmee kunnen waterschappers nog beter de toxische druk voorspellen, zonder alle stoffen die daarvoor verantwoordelijk zijn, te hoeven meten.

De ‘toxische druk’ is de optelsom van schadelijke effecten van alle aanwezige verontreinigingen in oppervlaktewater. Naast pesticiden en onkruidverdelgers gaat het bijvoorbeeld om stoffen als PFAS, geneesmiddelenresten en industriële chemicaliën. Om deze verontreinigingen aan te pakken, het liefst beginnend bij de meest schadelijke stoffen, moet een waterschap weten welke verontreinigingen er zijn en wat precies hun effect is op het waterleven. Dat is een hele klus, want we gebruiken inmiddels honderdduizenden verschillende stoffen die via het riool, door lozing of zwerfafval in het oppervlaktewater kunnen belanden. In een waterlaboratorium verschijnen ze als een waar woud aan ‘concentratiepiekjes’ in de chemische analyses. Vaak gaat het om zeer kleine hoeveelheden, maar een nanogram per kuub van de ene stof kan veel schadelijker zijn dan een milligram van de andere. Bovendien laat een deel zich moeilijk ‘vangen’ en analyseren.

STOWA ondersteunt al sinds 2014 de ontwikkeling van de Sleutelfactor Toxiciteit (SFT), een methode om betrouwbaar een uitspraak te doen over de hoogte van de toxische druk en over de stoffen die daarachter schuilgaan. Het project startte op initiatief van Leo Posthuma, bijzonder hoogleraar Duurzaamheid en Milieurisico’s in Nijmegen, tevens RIVM-onderzoeker. SFT drukt de toxische druk uiteindelijk uit in vijf klassen: van ‘zeer goed’ (blauw) tot ‘slecht’ (rood). Helaas kleurt de waterkaart van Nederland nog grotendeels rood.

De SFT-methode kent twee sporen: het chemiespoor en het bioassayspoor. Een bioassay meet het effect van alle aanwezige stoffen tezamen op organismen en biedt zo een ‘totaalplaatje’ van de waterkwaliteit. Dat gebeurt bijvoorbeeld door de levendigheid van watervlooien te meten. Een bioassay is erg belangrijk voor monitoring van waterkwaliteit, het werkt als de spreekwoordelijke kanarie-in-de-kolenmijn. Je kijkt met bioassays naar het effect van alle stoffen bij elkaar. Je krijgt ook een idee van de stofgroep(en) die je nader moet onderzoeken. Maar voor een goed beeld, moet je het chemiespoor bewandelen. De sporen vullen elkaar daarmee goed aan.

Het chemiespoor verklaart de toxische druk op basis van de aanwezige, gemeten stoffen, hun concentraties en kennis over de schadelijkheid. Voor het chemiespoor is een rekentool ontwikkeld voor de waterschappen, waar zij zelf in kunnen voeren welke stoffen ze in welke concentratie hebben aangetroffen. De bijdragen van alle stoffen worden opgeteld tot een totale toxische druk.

Belangrijk nadeel is dat de rekentool alleen stoffen kan meenemen waarvan de toxiciteit bekend is. Dat wil zeggen: wanneer de schadelijke effecten ooit nauwkeurig zijn bepaald voor een aantal verschillende waterorganismen. Voor bijvoorbeeld algen of bacteriën, maar ook voor een aantal hogere organismen zoals watervlo, kikker, salamander of snoek.

Harry Boonstra, senior adviseur monitoring waterkwaliteit & ecologie bij Wetterskip Fryslân: “In de rekentool zitten nu zo’n zevenhonderd stoffen. Maar er zijn er honderdduizend in omloop; bij uitgebreide screenings door ons laboratorium zien wij honderden tot duizenden piekjes in het oppervlaktewater. De veelgebruikte pesticiden hebben we relatief goed in beeld. Daar is onderzoek naar gedaan. Maar uit die pesticiden ontstaan in het milieu afbraakproducten, zogeheten metabolieten. Soms zijn die minder schadelijk voor organismen, maar het omgekeerde kan ook het geval zijn. En van de PFAS-stoffen zit er maar een aantal in de rekentool, terwijl er tienduizenden in omloop zijn. Het beeld vanuit de rekentool is nu dus nog beperkt. Meestal is het een sterke onderschatting.”

Iedere stof die wordt toegevoegd aan de rekentool brengt de toxische druk dichter bij de werkelijkheid. Maar daarvoor zijn betrouwbare meetgegevens nodig. Die komen beschikbaar via instanties als de European Chemicals Agency (ECHA) en haar Amerikaanse tegenhanger, de Environmental Protection Agency (EPA). Ook door het RIVM verzamelde en gecontroleerde data uit eerdere projecten doet mee. In de nieuwste versie 3 van de SFT waaraan wordt gewerkt, volgt weer een aanvulling, maar er blijven nog altijd grote hiaten.

Door gebruik te maken van kunstmatige intelligentie willen de ontwikkelaars van STF3 de stoffenset verder uitbreiden. AI blijkt namelijk in staat ‘gaten’ in toxiciteitsgegevens juist op te kunnen vullen. Jaap Slootweg, informatieanalist bij RIVM en mede-initiator van het vervolgproject: “Het idee komt eigenlijk van mijn collega Markus Viljanen, een wiskundig expert. Hij wees ons erop dat we een AI-model, een Factorisation Matrix, kunnen gebruiken om toxiciteitsgegevens te voorspellen. Het resultaat van de eerste pogingen verraste ons zeer positief.”

Het gaat om een vorm van AI die ook wordt gebruikt om Netflix-abonnees nieuwe kijksuggesties aan te bieden op basis van hun eerdere kijkgedrag. Slootweg: “Dat draait om het koppelen van films aan mensen. Wij gebruiken het eigenlijk om waterorganismen en stoffen te matchen. Leo [Posthuma, red.] gebruikt hiervoor vaak de analogie met een sudoku. Je hebt wat gegevens en daarmee kun je een hele puzzel oplossen.” Want de methode werkt voor stoffen waarvan wel wat toxiciteitsgegevens bekend zijn, maar niet de complete Species Sensitivity Distribution (SSD) die nodig is voor de SFT-rekentool. Een SSD is een logaritmische curve die aangeeft bij welke concentraties verschillende soorten organismen schade ondervinden. Je hebt er dus meetgegevens voor nodig van diverse organismen (bacteriën, algen, vissen, planten, kikkers). Het idee is dat AI op basis van minder metingen toch een juiste SSD kan voorspellen.

Hoeveel en welke meetgegevens er precies bekend moeten zijn om AI een gedegen voorspelling te laten maken, is een belangrijk doel van het onderzoeksproject, vertelt Slootweg. “We trainen het AI-systeem met de gegevens die we hebben. Dus met alle stoffen waarvoor we genoeg betrouwbare data hebben. Voor een paar van die stoffen nemen we opzettelijk de gegevens niet mee. Zo testen we met die stoffen of het systeem goed werkt. Rolt er een juiste SSD-curve uit als we maar een paar gegevens invoeren? En wat is dan het minimum dat je nodig hebt? Crossvalidatie heet dat.”

Maakt het nog uit voor welke stof je de SSD-curve laat voorspellen? Helpt het bijvoorbeeld als de stof tot een stoffengroep behoort waar al veel gegevens over bekend zijn? Slootweg: “Het AI-model kijkt niet naar de moleculaire structuur van een stof of naar bekende stofeigenschappen. Het model traint ‘latente’ eigenschappen op basis van meetgegevens. Dat kun je vergelijken met de films en kijkers. Voer je in wat mensen kijken, dan zit hun smaak, het filmgenre, daar eigenlijk al in verborgen.”

Boonstra is een van die toekomstige gebruikers van SFT3 en zal protoversies testen. De ecoloog noemt zichzelf zeker geen data-scientist, maar vindt het superinteressante materie. “We verzamelen bij de waterschappen zoveel data met metingen; daar liggen nog veel kansen.” Hij is blij dat er bij het waterschap data-analisten en -scientists zijn bij wie hij vragen kan neerleggen. “Als je dichtbij elkaar zit, overleg je makkelijker en leer je elkaars taal beter te spreken. Ik probeer enigszins bij te blijven om een goed beeld te hebben van wat je met AI kan. Dat is al best hard werken. Het wetterskip gebruikt een andere vorm van AI inmiddels voor onderzoek naar zwemwaterkwaliteit (zie kader).”

Boonstra hoopt dat AI veel ‘gaten’ in de toxiciteitsdata kan opvullen. “We kunnen nu vaak maar een klein deel van de toxische druk verklaren aan de hand van de rekentool en chemische metingen. Wanneer je de toxische druk beter kunt verklaren, geeft dat ook meer handelingsperspectieven aan het waterschap om op te treden tegen vervuilers van het oppervlaktewater.”

Slootweg denkt dat AI een uitstekende ‘gatenvuller’ zal zijn. “Uiteraard markeren we gegevens die met AI zijn gegenereerd, om onderscheid te maken met experimentele meetdata.” Zou AI ook kunnen zorgen dat er minder experimentele tests nodig zijn en er dus minder watervlooien of vissen als proefdier worden gebruikt? Slootweg: “Natuurlijk heb je altijd metingen nodig, maar wellicht kunnen we inderdaad met minder toe dankzij AI-opvullingen. Een lonkend perspectief, maar dat moet zich eerst wel bewijzen. Het gaat nu vooral om een betere diagnose en verklaring voor de chemische waterkwaliteit. Waar komt een hoge toxische druk vandaan? Wat is er precies aan de hand?”

In het zwemseizoen wordt tweewekelijks de waterkwaliteit gecontroleerd van officiële zwemlocaties. Is het water geschikt om in te zwemmen, of is het vervuild met poepbacteriën of blauwalg? Bij Wetterskip Fryslân wordt een zomer lang ook al het DNA in de zwemwatermonsters afgelezen. Boonstra: “Dat DNA kan afkomstig zijn van vogels die in het water poepen, maar ook van menselijke ontlasting. Je ziet het zelfs in DNA-monsters als mensen hun hond laten zwemmen.” Boonstra hoopt met dit zogenoemde metagenomics-onderzoek meer inzicht te krijgen in oorzaken van zwemwatervervuiling. Het laboratorium heeft een reeks DNA-referentiemonsters van mogelijke vervuilingsbronnen verzameld, bijvoorbeeld van rioolwater, het effluent van rioolwaterzuiveringen, van vogelpoep en menselijke ontlasting. Gekeken wordt of AI in de grote mix van DNA-sequenties in zwemwatermonsters de patronen van die referentiemonsters kan herkennen en zo aanwijzingen kan geven waaraan een eventuele vervuiling te wijten is. Is een riooloverstort de boosdoener? Of in het water poepende vogels? Zwemmers zelf of poedelende honden? Het onderzoek is naar verwachting in de loop van 2026 afgerond.

Soortengevoeligheidsverdelingen voor twee verschillende maar vergelijkbare chemicaliën

Voorbeeld van een Species Sensitivity Distribution (SSD)

De ‘STOWA neemt het onder de loep’-video over bioassays.

Jaap Slootweg