Til hovedinnhold

Overvåking av bakteriesamfunn i settefiskproduksjon

Fiskehelsen påvirkes direkte av den biologiske vannkvaliteten i landbaserte anlegg. Det er derfor avgjørende å ha god nok informasjon om sammensetningen av bakteriesamfunnene som bor der. SINTEF-prosjektet MonMic har nettopp gjennomført en overvåking i fem RAS-anlegg.

Illustrasjon RAS-anlegg
MonMic-prosjektet har fulgt mikrobiotaen i vann og biofilm i fem kommersielle smoltanlegg i 15 måneder. Illustrasjon: Scale AQ

Artikkelen er gjengitt med tillatelse av Norsk Fiskeoppdrett hvor den stod på trykk i nr 3-2020. Dette er et sammendrag av fullversjonen på trykk.

I landbaserte oppdrettsanlegg oppholder fisken seg i et lukket system. Sammensetningen av bakteriesamfunnet i anlegget er derfor svært viktig for den biologiske vannkvaliteten, ettersom det påvirker fiskehelsen direkte. En stadig økende produksjon i lukkede anlegg øker behovet for kontroll av mikrobiota i vannet, og gode risikovurderinger blir derfor enda mer viktig. Vi vet lite om bakteriesamfunnene i resirkuleringssystemer (RAS) og i kommersiell drift er det derfor viktig å innhente informasjon over tid.

I SINTEF-prosjektet MonMic er det gjort en kvalitativ overvåking av bakteriesammensetningen i fem RAS-anlegg over 15 måneder for å få økt kunnskap om mikrobiota i settefiskanlegg for smolt. Dette er første gang mikrobiell vannkvalitet er målt med moderne analyseverktøy med hyppig prøvetaking sammenhengende over lang tid. Prosjektet har fulgt mikrobiotaen i vann og biofilm. Bakteriearter og -grupper som antas å være viktige i drift overvåkes, og endringer av bakteriesammensetning ble korrelert med kjemisk vannkvalitet. Prosjektet har gitt økt kunnskap om bakteriedynamikken i RAS-anlegg, noe som kan danne grunnlag for å utvikle strategier for å kontrollere denne faktoren i lukkede anlegg i framtida.

Hovedfunn

1. Unik mikrobiota hos de ulike anleggene

Alle de fem anleggene i prosjektet hadde en egen, unik mikrobiotaprofil, illustrert i Figur 2. Selv om alle anleggene filtrerer og desinfiserer inntaksvannet etter forskriften (FOR-1997-02-20-192), utvikles mikrobiotaen inne i anlegget forskjellig. Dette har sannsynligvis sammenheng med ulik drift og design av RAS-anlegget. I dag er det ingen som produserer smolt på samme måte. I tillegg fører den lange oppholdstida av vannet i RAS-systemet, til et seleksjonspress som danner en “hus-flora”. Dette betyr også, at vi ikke kan anbefale en generell liste med bakteriearter en bør ha i anlegget, men at det kanskje er viktigere å følge med på endringene i forhold til baseprofilen i hvert enkelt anlegg. Vi ser også at det er en viss sammenheng mellom lokalisasjon og mikrobiotaprofil. Anleggene i midtre del av Norge har en mer lik profil enn anlegget i nord og i sør. 

Figur 2: Venstre: Grafisk fremstilling av mikrobiotaprofil for de fem ulike anleggene som ble overvåket over 15 måneder. Hvert punkt i grafen representerer en mikrobiotaprofil for hver prøve. Hvert anlegg har hver sin farge. Når to punkter overlapper betyr det at de har identisk sammensetning, er de langt fra hverandre har de forskjellig. Høyre: lokalisasjon av de fem anleggene, samme fargekode som i graf til venstre.

2. Stabile biofilter

Diversitet i biofilter kan være et mål på hvor mange ulike bakteriearter som er til stede og kan si noe om hvilke typer bakterier samfunnet består av og hvor stabilt det er. Dette kan indikere en god sammensetning av bakterier. Ikke uventet hadde biofilter høyest diversitet i alle anleggene. Biofilter i RAS har en stor overflate med mange bakterier som konkurrerer om næring. Dette miljøet er ufordelaktig for opportunistiske bakterier, som man ikke ønsker å ha i anlegget. Lavest diversitet hadde biofilm på tankvegg. Denne biofilmen blir, i motsetning til biofilteret, vasket bort jevnlig ved flytting av fisk inn og ut av tank. Det er derfor ikke uventet at denne har lavere diversitet og er mer ustabil over tid. De hadde også forskjellig mikrobiota enn biofilteret. Vasking og desinfeksjon av biofilm i tank kan selektere for oppvekst av opportunistiske bakterier, og disse beskyttes godt i biofilmen og kan frigjøres ut i vannet.

3. Ulike driftsprosedyrer endrer bakteriesammensetning

Når vi sammenliknet bakteriesammensetningen i vannet fra fisketank og vannet fra resirkuleringssløyfa, fant vi at disse var svært like. Dette kan forklares med den lave oppholdstida vannet har i fisketankene. Bakteriene rekker ikke å vokse i selve tanken før det går videre i resirkuleringssløyfa. Ulike driftsprosedyrer ved anleggene endrer sammensetningen av bakteriene, og noen prosedyrer påvirker mer enn andre. Vi fant også store forskjeller hos anleggene i stabilitet av bakteriesamfunn. Noen anlegg har upåvirket bakteriesammensetning som følge av prosedyrer, mens bakteriesamfunn i andre anlegg blir mer påvirket. Hvilken betydning dette har for fiskehelsen er foreløpig ukjent, men ingen av anleggene hadde økt dødelighet i periodene med mer ustabil bakteriesammensetning.

4. Lave nivå av patogene bakterier

De fem RAS-anleggene som deltok i dette prosjektet, hadde alle lav dødelighet i produksjonen gjennom de 15 månedene prøveinnsamlingen pågikk. Alle hadde også en god produksjon med god vekst. Resultatene fra dette prosjektet er derfor under normal og god produksjon. Påvisning av patogene ble allikevel gjort med ddPCR-teknologi. Svært lave nivå av Yersinia ruckeri og Flavobacterium psychrophilum ble identifisert i tankvannet hos tre av anleggene, uten at det skapte problemer for fisken med tanke på dødelighet og vekst. Dette er bakteriearter som er kjent for å forårsake problemer for settefisk. Sannsynligvis var andre vannkvalitetsparametere gode i anlegget og stressnivået lavt, slik at nivåene av patogene bakterier var tolererbare for fisken.

5. Maskinlæring og mikrobiota - et lovende verktøy

MonMic-prosjektet har gjennomført en systematisk og grundig datainnsamling i mange anlegg over flere produksjonssykluser. Resultatene fra prosjektet gir derfor et godt grunnlag for å videre forstå dynamikken i mikrobiell vannkvalitet og for å kunne utvikle strategier som på sikt kan kontrollere denne faktoren i lukkede anlegg. Den utviklede modellen kunne klassifisere prøvene etter hvilket anlegg de kom fra med 99 % nøyaktighet. For å utfordre modellen videre, trente vi den til å forutsi hvor i RAS-anlegget prøvene var tatt, i kar, biofilm eller biofilter. Igjen viste modellen 99 % nøyaktighet. Modellen kunne også forutsi om prøvene var tatt i fisketank med eller uten fisk (93 % nøyaktighet). Kombinasjonen maskinlæring og mikrobiota viser seg å være et lovende verktøy for å forutsi hendelser i RAS i fremtida. Flere forsøk er nødvendig for å simulere ulike scenarioer som kan være viktige for produksjon i RAS, som for eksempel sykdomsutbrudd og dårlig fiskehelse forårsaket av patogene bakterier og/eller H2S kontaminering. På sikt kan disse modellene benyttes som et tidlig varslingssystem i fremtidige RAS-anlegg.

Flere resultater vil komme i sluttrapport og publikasjoner våren 2020.

Publisert fredag 27. mars 2020
928 40 511

Prosjektvarighet:

01.09.2017 - 30.04.2020