• Objetivo |

    Desenvolver e demonstrar sensores porosos ultrassensíveis capazes de detetar, em tempo real, microrganismos nocivos em ambientes aquáticos, contribuindo para a monitorização precoce de riscos para a qualidade da água e para a proteção dos sistemas de abastecimento e da aquacultura.

  • Duração do projeto |

    janeiro 2026-junho 2027

  • Tipo de projeto |

    Internacional

  • Instituição Financiadora |

    European Research Council (ERC) – Proof of Concept (PoC), projeto GREEN €2.3M(ERC Starting Grant).

  • Responsável |

    Paulo Roberto Ferreira da Rocha (CFE – UC), Investigador Principal

  • Equipa |

    Marlisa Martinho de Brito (CFE – UC), Investigadora de Pós

  • Instituições participantes no Projeto |

    Faculdade de Ciências e Tecnologias, de – Departamento de Ciências da Vida (FCTUC – DCV)

  • Custo total elegível (EUR) |

    150.000 €

  • Área científica |

    → → → Bacteriologia

    Engenharia e → Engenharia Eletrónica e engenharia Elétrica → Sensores

    Ciências Agrárias → , e Pesca → Pesca

O PROTEGE é um projeto financiado pelo European Research Council (ERC) através de uma bolsa Proof of Concept, que tem como objetivo transformar resultados científicos previamente desenvolvidos no projeto ERC GREEN numa solução tecnológica com potencial de aplicação comercial.

O projeto responde ao desafio crescente da microbiológica em , que afeta tanto os sistemas de de água como a . A proliferação de cianobactérias nocivas em reservatórios e a presença de em sistemas de produção aquícola geram impactos ambientais, económicos e de significativos.

Para enfrentar este problema, o PROTEGE desenvolve sensores baseados em espumas condutoras porosas de poliuretano, capazes de efetuar deteção eletrofisiológica ultrassensível de . Esta tecnologia explora uma elevada área de superfície eletroquímica, permitindo alcançar níveis de sensibilidade superiores aos dos métodos convencionais de monitorização da qualidade da água.

O principal objetivo é demonstrar protótipos funcionais em ambientes reais, incluindo reservatórios de abastecimento de água e instalações de aquacultura, fornecendo em tempo real e sistemas de telemetria que permitam uma resposta rápida a eventos de contaminação. Em paralelo, o projeto irá desenvolver uma estratégia de valorização e transferência de tecnologia orientada para a futura comercialização da solução.

Site do Projeto
Tecnologias atuais e oportunidade de inovação

A monitorização microbiológica da qualidade da água continua a depender de metodologias que apresentam importantes limitações para a deteção precoce de eventos biológicos. Embora as tecnologias atualmente disponíveis sejam essenciais para a vigilância ambiental e o laboratorial, a maioria mede parâmetros físico-químicos ou indiretos, requer processamento laboratorial especializado ou não fornece informação em tempo real sobre o fisiológico e a atividade dos microrganismos.

O ERC PoC PROTEGE propõe uma abordagem complementar baseada em sensores bioeletrónicos que exploram interfaces eletroquímicas de elevada área superficial para detectar diretamente associadas à atividade microbiana. Esta estratégia pretende permitir uma monitorização contínua, sensível e em tempo real, criando novas capacidades para sistemas de alerta precoce em reservatórios de água e instalações de aquacultura.

A tabela seguinte resume as principais tecnologias atualmente utilizadas, as suas vantagens e limitações, bem como os desafios que o PROTEGE pretende complementar e superar.

 

Tecnologia / abordagemO que é medidoDesempenho atual e principais vantagensLimitações fundamentais para sistemas de alerta precoce em aquaculturaRefs
Sondas multiparamétricas convencionais (oxigénio dissolvido, temperatura, pH, salinidade, condutividade elétrica, turbidez, clorofila, potencial redox)Parâmetros físico-químicos e  

Monitorização contínua; tecnologia madura e robusta; amplamente utilizada; adequada para implementação autónoma e monitorização multi-local

Não avaliam diretamente os microrganismos nem o seu estado fisiológico; alterações ambientais podem surgir apenas após mudanças na microbiana; não distinguem transições biológicas benignas de processos patogénicos[1–3]
Fluorómetros in situ de clorofila, ficocianina e ficoeritrinaFluorescência de pigmentos como indicador da biomassa de  ou de cianobactériasFuncionamento contínuo ou de elevada frequência; tecnologia comercial; útil na vigilância de floraçõesAplicável apenas a microrganismos pigmentados; a relação fluorescência/biomassa depende da espécie, e condições ambientais; influenciada por turbidez, temperatura, histórico de iluminação e interferência de outras algas; Não deteta bactérias patogénicas, incluindo membros da família Vibrionaceae.[4–7]
microbiológica e contagem de colóniasMicrorganismos viáveis cultiváveisMétodo de referência; baixo custo de consumíveis; permite isolamento e caracterização fenotípicaDependente da amostragem e do operador; requer normalmente vários dias; apenas deteta a fração cultivável; inadequado para monitorização contínua; os resultados podem ser obtidos apenas após o estabelecimento da doença[8–10]
qPCR e PCR (dPCR)Sequências específicas de ácidos nucleicosElevada sensibilidade analítica e elevada especificidade taxonómica; amplamente utilizada para confirmação de conhecidosRequer alvos previamente definidos, recolha e preparação de amostras e infraestrutura especializada; fornece apenas uma fotografia temporal; a deteção de DNA não implica atividade fisiológica nem risco ecológico iminente[11–14]
Sequenciação , de amplicões e metatranscriptómicaComposição das microbianas e, em alguns casos, expressão génica funcionalElevada resolução taxonómica e informação ecológica detalhada; extremamente útil para descoberta de novos organismos e caracterização retrospetiva dos Elevado custo, grande volume de dados e necessidade de processamento laboratorial; não permite monitorização em tempo real; a relativa nem sempre reflete risco fisiológico imediato[15–17]
Microscopia, citometria de fluxo e sistemas automáticos de imagemAbundância celular, morfologia, fluorescência e características das partículasAnálise rápida após recolha da amostra; deteção relativamente abrangente; diferenciação de populações celularesRequer manipulação da amostra, sistemas óticos e fluidos complexos e manutenção frequente; desempenho afetado por partículas em suspensão; difícil implementação autónoma prolongada em jaulas offshore; mede sobretudo abundância e não função fisiológica[18–21]
Biossensores eletroquímicos baseados em afinidade (anticorpos, aptâmeros, sondas de DNA ou polímeros molecularmente impressos)Ligação específica a organismos, antigénios ou sequências de DNAElevada especificidade; potencialmente rápidos e sensíveis; área de muito ativaGeralmente limitados a um ou poucos alvos; degradação dos recetores, biofouling e efeitos da matriz; requer prévio do alvo; maioria dos estudos permanece ao nível laboratorial[22–24]
Espectroscopia de impedância eletroquímica (EIS) e sensores bioeletrónicos Alterações de impedância induzidas pela adesão, crescimento ou interação microbiana com a interface do elétrodoTecnologia label-free; elevada sensibilidade; compatível com miniaturização; técnica promissora para Frequentemente baseada em elétrodos planares, pequenos volumes e medições pontuais; muitas plataformas requerem recetores funcionalizados; reduzida área ativa e escassa validação em operação contínua de longa duração[25–30]
Biossensores baseados em células de combustível microbianas (MFC)Alterações na corrente elétrica produzida por eletroativasFuncionamento autónomo; úteis para monitorização de orgânica e toxicidade; reconhecimento biológico contínuoO sinal depende principalmente do metabolismo de eletroativos selecionados; estabilização lenta; baixa especificidade para agentes patogénicos; não monitoriza diretamente a microbiota indígena da aquacultura[31–33]
Sistemas de deteção remota, satélites e vigilância por câmarasCor superficial da água, temperatura, clorofila e padrões espaciais de floraçõesCobertura de grandes áreas; excelente para monitorização regionalInformação limitada sobre a coluna de água; afetada por nuvens, ótica da água e resolução espacial; apenas deteta manifestações macroscópicas tardias; inadequada para vigilância bacteriana em tanques ou jaulas[34–37]
LAMP e diagnósticos moleculares baseados em CRISPRSequências específicas de ácidos nucleicosMuito rápidos, altamente sensíveis e específicos; potencial crescente para utilização portátilRequerem recolha e preparação de amostras; limitados a alvos genéticos conhecidos; medições descontínuas; a presença de DNA/RNA não indica necessariamente viabilidade ou atividade fisiológica; inadequados para monitorização contínua[38–40]
Monitorização baseada em DNA ambiental (eDNA)DNA libertado pelos organismos para o meio aquáticoElevada sensibilidade; permite detetar organismos raros ou de difícil cultivo; útil para estudos de e vigilância de agentes patogénicosNecessita de amostragem e processamento laboratorial; medições pontuais; persistência do DNA pode refletir organismos já ausentes; não distingue células viáveis, metabolicamente ativas ou patogénicas[41–43]
Biossensores microfluídicos do tipo lab-on-a-chipCélulas, ácidos nucleicos, e outros biomarcadoresMiniaturização; reduzido consumo de amostra; de múltiplas etapas analíticas; elevado potencial para diagnóstico rápido e portátilNecessitam de recolha de amostras, manipulação de fluidos e consumíveis; suscetíveis a obstrução e “biofouling”; a maioria dos dispositivos continua dependente de medições descontínuas[44–46]
(IA) aplicada a sensores ambientais convencionaisPadrões e correlações entre parâmetros físico-químicos, meteorológicos e produtivosMelhora a capacidade de previsão utilizando sensores já instalados; implementação escalável por softwareO desempenho depende da qualidade e do conteúdo biológico dos dados de entrada; o risco microbiológico é inferido apenas indiretamente; pode falhar quando os parâmetros ambientais permanecem aparentemente normais[47–49]
Referências (Refs)
  1. Kruse, P. (). Review on water quality sensors. Journal of Physics D: Applied Physics, 51(20), 203002.
  2. Zainurin, S. N., Wan Ismail, W. Z., Mahamud, S. N. I., Ismail, I., Jamaludin, J., Ariffin, K. N. Z., & Wan Ahmad Kamil, W. M. (). Advancements in monitoring water quality based on various sensing methods: a systematic review. International Journal of Environmental Research and , 19(21), 14080.
  3. Pasika, S., & Gandla, S. T. (). Smart water quality monitoring system with cost-effective using IoT. Heliyon, 6(7)https://doi.org/10.1016/j.heliyon.2020.e04096
  4. Gregor, J., & Maršálek, B. (2004). Freshwater phytoplankton quantification by chlorophyll a: a comparative study of in vitro, in vivo and in situ methods. Water research, 38(3), 517-522. https://doi.org/10.1016/j.watres.2003.10.033
  5. Bertone, E., Burford, M. A., & Hamilton, D. P. (2018). Fluorescence probes for real-time remote cyanobacteria monitoring: A review of challenges and opportunities. Water research, 141, 152-162. https://doi.org/10.1016/j.watres.2018.05.001
  6. Zamyadi, A., Choo, F., Newcombe, G., Stuetz, R., & Henderson, R. K. (2016). A review of monitoring technologies for real-time management of cyanobacteria: Recent advances and future direction. TrAC Trends in Analytical Chemistry, 85, 83-96. https://doi.org/10.1016/j.trac.2016.06.023
  7. Srivastava, A., Singh, S., Ahn, C. Y., Oh, H. M., & Asthana, R. K. (2013). Monitoring approaches for a toxic cyanobacterial bloom. Environmental science & technology, 47(16), 8999-9013
  8. Deshmukh, R. A., Joshi, K., Bhand, S., & Roy, U. (2016). Recent developments in detection and enumeration of waterborne bacteria: a retrospective minireview. MicrobiologyOpen, 5(6), 901-922. https://doi.org/10.1002/mbo3.383
  9. Rompre, A., Servais, P., Baudart, J., De-Roubin, M. R., & Laurent, P. (2002). Detection and enumeration of coliforms in drinking water: current methods and emerging approaches. Journal of microbiological methods, 49(1), 31-54. https://doi.org/10.1016/S0167-7012(01)00351-7
  10. Oliver James, D. (2005). The viable but nonculturable state in bacteria. Journal of microbiology, 43(spc1), 93-100.
  11. Bustin, Stephen A., et al. “The MIQE Guidelines: M inimum I nformation for Publication of Q uantitative Real-Time PCR E xperiments.” (): 611-622. https://doi.org/10.1373/clinchem.2008.112797
  12. Huggett, J. F., Foy, C. A., Benes, V., Emslie, K., Garson, J. A., Haynes, R., … & Bustin, S. A. (2013). The Digital MIQE Guidelines: M inimum I nformation for Publication of Q uantitative Digital PCR E xperiments. Clinical chemistry, 59(6), 892-902. https://doi.org/10.1373/clinchem.2013.206375
  13. Tiwari, A., Ahmed, W., Oikarinen, S., Sherchan, S. P., Heikinheimo, A., Jiang, G., … & Bivins, A. (2022). Application of digital PCR for public -related water quality monitoring. Science of the Total Environment, 837, 155663.
  14. Netzer, R., Ribičić, D., Aas, M., Cavé, L., & Dhawan, T. (). Absolute quantification of priority bacteria in aquaculture using digital PCR. Journal of Microbiological Methods, 183, 106171.
  15. Quince, C., Walker, A. W., Simpson, J. T., Loman, N. J., & Segata, N. (2017). Shotgun , from sampling to analysis. Nature biotechnology, 35(9), 833-844.
  16. Knight, R., Vrbanac, A., Taylor, B. C., Aksenov, A., Callewaert, C., Debelius, J., … & Dorrestein, P. C. (2018). Best practices for analysing microbiomes. Nature Reviews Microbiology, 16(7), 410-422.
  17. Shakya, M., Lo, C. C., & Chain, P. S. (). Advances and challenges in metatranscriptomic analysis. Frontiers in genetics, 10, 904. https://doi.org/10.3389/fgene.2019.00904
  18. Hammes, F., & Egli, T. (2010). Cytometric methods for measuring bacteria in water: advantages, pitfalls and applications. Analytical and bioanalytical chemistry, 397(3), 1083-1095. https://doi.org/10.1007/s00216-010-3646-3
  19. Safford, H. R., & Bischel, H. N. (2019). Flow cytometry applications in water treatment, distribution, and reuse: A review. Water research, 151, 110-133.
  20. Dashkova, V., Malashenkov, D., Poulton, N., Vorobjev, I., & Barteneva, N. S. (2017). Imaging flow cytometry for phytoplankton analysis. Methods, 112, 188-200. https://doi.org/10.1016/j.ymeth.2016.05.007
  21. Sosik, H. M., & Olson, R. J. (2007). Automated taxonomic classification of phytoplankton sampled with imaging‐in‐flow cytometry. Limnology and Oceanography: Methods, 5(6), 204-216.https://doi.org/10.4319/lom.2007.5.204
  22. Thévenot, D. R., Toth, K., Durst, R. A., & Wilson, G. S. (2001). Electrochemical biosensors: recommended definitions and classification. Biosensors and , 16(1-2), 121-131.
  23. Lazcka, O., Del Campo, F. J., & Munoz, F. X. (2007). Pathogen detection: A perspective of traditional methods and biosensors. Biosensors and bioelectronics, 22(7), 1205-1217.https://doi.org/10.1016/j.bios.2006.06.036
  24. Vidic, J., Manzano, M., Chang, C. M., & Jaffrezic-Renault, N. (2017). Advanced biosensors for detection of related to livestock and poultry. Veterinary research, 48(1), 11. https://doi.org/10.1186/s13567-017-0418-5
  25. Daniels, J. S., & Pourmand, N. (2007). Label‐free impedance biosensors: Opportunities and challenges. Electroanalysis: An International Journal Devoted to Fundamental and Practical Aspects of Electroanalysis, 19(12), 1239-1257. https://doi.org/10.1002/elan.200603855
  26. Varshney, M., & Li, Y. (2009). Interdigitated array microelectrodes based impedance biosensors for detection of bacterial cells. Biosensors and bioelectronics, 24(10), 2951-2960. https://doi.org/10.1016/j.bios.2008.10.022
  27. Rocha, P. R., Silva, A. D., Godinho, L., Dane, W., Estrela, P., Vandamme, L. K., … & Leite, R. B. (2018). Collective electrical oscillations of a diatom population induced by dark stress. Scientific reports, 8(1), 5484. https://doi.org/10.1038/s41598-018-23928-9
  28. Cotta, F. C., Correia, D., Amaral, R., Bacellar, F. L., Duci, D., Lopes, L., … & Rocha, P. R. (). Porous PU/PEDOT: PSS electrodes for probing bioelectricity in Oscillatoria sp. Cohorts. Chemical Engineering Journal, 498, 155480. https://doi.org/10.1016/j.cej.2024.155480
  29. Cotta, F. C., Amaral, R., Bacellar, F. L., Correia, D., Asadi, K., & Rocha, P. R. (). A 3D porous electrode for real-time monitoring of microalgal growth and exopolysaccharides yields using Electrochemical Impedance Spectroscopy. Biosensors and Bioelectronics, 277, 117260. https://doi.org/10.1016/j.bios.2025.117260
  30. Rocha, P. R., Amaral, R., Silva, D. M., Bacellar, F. L., Lopes, L., & Perkins, R. (). A porous PEDOT: PSS-cyanobacteria biohybrid for electrochemical assessment of photosynthetic activity. Bioelectrochemistry, 109261. https://doi.org/10.1016/j.bioelechem.2026.109261
  31. Logan, B. E., Hamelers, B., Rozendal, R., Schröder, U., Keller, J., Freguia, S., … & Rabaey, K. (2006). Microbial fuel cells: methodology and technology. Environmental science & technology, 40(17), 5181-5192. https://doi.org/10.1021/es0605016
  32. Di Lorenzo, M., Curtis, T. P., Head, I. M., & Scott, K. (2009). A single-chamber microbial fuel cell as a for wastewaters. Water research, 43(13), 3145-3154. https://doi.org/10.1016/j.watres.2009.01.005
  33. Pasternak, G., Greenman, J., & Ieropoulos, I. (2016). Comprehensive study on ceramic membranes for low‐cost microbial fuel cells. ChemSusChem, 9(1), 88-96. https://doi.org/10.1002/cssc.201501320
  34. Matthews, M. W. (2011). A current review of empirical procedures of remote sensing in inland and near-coastal transitional waters. International Journal of Remote Sensing, 32(21), 6855-6899.https://doi.org/10.1080/01431161.2010.512947
  35. Gholizadeh, M. H., Melesse, A. M., & Reddi, L. (2016). A comprehensive review on water quality parameters estimation using remote sensing techniques. Sensors, 16(8), 1298. https://doi.org/10.3390/s16081298
  36. Pahlevan, N., Smith, B., Binding, C., Gurlin, D., Li, L., Bresciani, M., & Giardino, C. (2021). Hyperspectral retrievals of phytoplankton absorption and chlorophyll-a in inland and nearshore coastal waters. Remote Sensing of Environment, 253, 112200.
  37. Mishra, S., Stumpf, R. P., Schaeffer, B. A., Werdell, P. J., Loftin, K. A., & Meredith, A. (2019). Measurement of cyanobacterial bloom magnitude using satellite remote sensing. Scientific reports, 9(1), 18310.
  38. Notomi, T., Okayama, H., Masubuchi, H., Yonekawa, T., Watanabe, K., Amino, N., & Hase, T. (2000). Loop-mediated isothermal amplification of DNA. Nucleic acids research, 28(12), e63-e63.
  39. Gootenberg, J. S., Abudayyeh, O. O., Lee, J. W., Essletzbichler, P., Dy, A. J., Joung, J., … & Zhang, F. (2017). Nucleic acid detection with CRISPR-Cas13a/C2c2. Science, 356(6336), 438-442.
  40. Chen, J. S., Ma, E., Harrington, L. B., Da Costa, M., Tian, X., Palefsky, J. M., & Doudna, J. A. (2018). CRISPR-Cas12a target binding unleashes indiscriminate single-stranded DNase activity. Science, 360(6387), 436-439.
  41. Trinajstic, K., Boisvert, C., Long, J., Maksimenko, A., & Johanson, Z. (). Pelvic and reproductive structures in placoderms (stem gnathostomes). Biological Reviews, 90(2), 467-501.
  42. Deiner, K., Bik, H. M., Mächler, E., Seymour, M., Lacoursière‐Roussel, A., Altermatt, F., … & Bernatchez, L. (2017). Environmental DNA metabarcoding: Transforming how we survey animal and plant . Molecular , 26(21), 5872-5895.
  43. Ruppert, K. M., Kline, R. J., & Rahman, M. S. (2019). Past, present, and future perspectives of environmental DNA (eDNA) metabarcoding: A systematic review in methods, monitoring, and applications of global eDNA. Global Ecology and , 17, e00547.
  44. Whitesides, G. M. (2006). The origins and the future of microfluidics. nature, 442(7101), 368-373.
  45. Luka, G., Ahmadi, A., Najjaran, H., Alocilja, E., DeRosa, M., Wolthers, K., … & Hoorfar, M. (2015). Microfluidics integrated biosensors: A leading technology towards lab-on-a-chip and sensing applications. Sensors, 15(12), 30011-30031.
  46. Chin, C. D., Linder, V., & Sia, S. K. (2012). Commercialization of microfluidic point-of-care diagnostic devices. Lab on a Chip, 12(12), 2118-2134.
  47. Rajaee, T., Khani, S., & Ravansalar, M. (2020). -based single and hybrid models for prediction of water quality in : A review. Chemometrics and Intelligent Laboratory Systems, 200, 103978. https://doi.org/10.1016/j.chemolab.2020.103978
  48. Chen, Y., Song, L., Liu, Y., Yang, L., & Li, D. (2020). A review of the artificial neural network models for water quality prediction. Applied Sciences, 10(17), 5776.
  49. Hossain, S., Siddika, A., Saifullah, A. S. M., Sheikh, S., & Uddin, M. J. (2022). and distribution of in surface water and sediment of two selected rivers in Bangladesh. Environmental Engineering & Management Journal (EEMJ), 21(6).
Estudo de Mercado

Como parte da estratégia de valorização e transferência de tecnologia do PROTEGE, foi realizado um estudo de para analisar o estado da tecnológica, identificar necessidades dos utilizadores finais, avaliar o panorama competitivo e explorar oportunidades de adoção da tecnologia nos setores da e da aquacultura.

Descarregar Estudo

Projetos relacionados

Equipa CFE