A inteligência artificial pode melhorar o controle de qualidade dos laticínios?

O aprendizado de máquina pode ser usado para detectar anomalias em amostras de laticínios ao analisar o microbioma do leite, abrindo caminho para melhorias em segurança e controle de qualidade, de acordo com um estudo.

Publicado na revista mSystems da American Society for Microbiology, o estudo detalha como a inteligência artificial (IA) e o aprendizado de máquina podem ser aproveitados para melhorar a segurança e o controle de qualidade no setor de alimentos e bebidas.

Os pesquisadores usaram leite cru para testar se a IA e os dados de sequenciamento shotgun poderiam ser usados para identificar corretamente amostras de leite anormais, como leite que contém antibióticos, em comparação com amostras regulares. A IA faria isso analisando o tipo e a quantidade de bactérias presentes nas amostras de leite – o chamado microbioma do leite – de forma semelhante a como o risco de doenças como diabetes tipo 2 pode ser previsto pela IA ao analisar o microbioma intestinal humano.

Provar que a IA pode ser usada para triagem nesse contexto seria significativo, já que os métodos tradicionais para detecção de anomalias na indústria alimentícia são limitados.

Além de validar esse conceito, o grupo – que inclui pesquisadores da Pennsylvania State University, Cornell University e IBM Research – também investigou se a IA poderia prever diferentes estágios de processamento e transporte do leite, bem como a estação do ano em que o leite foi coletado, utilizando conjuntos de dados acessíveis e disponíveis publicamente.

O experimento

Para realizar o experimento, os pesquisadores coletaram 58 amostras de leite cru de tanques de armazenamento a granel para estabelecer amostras de referência do microbioma do leite cru. Eles descobriram que 33 microrganismos apresentavam uma presença estável no leite cru, sendo os mais abundantes Pseudomonas, Serratia, Cutibacterium e Staphylococcus.

Já nesse estágio, os pesquisadores confirmaram que métodos tradicionais, como PCA contrastante (cPCA) e escalonamento multidimensional (MDS), eram limitados em sua capacidade de diferenciar classes de amostras. No entanto, a IA conseguiu fazê-lo e ainda identificou os microrganismos responsáveis por separar essas classes de amostras.

O estudo então aplicou IA explicável a dados de RNA ribossomal 16S – uma alternativa acessível ao sequenciamento shotgun do genoma completo – provenientes de dois conjuntos de dados públicos sobre o microbioma do leite. O objetivo era verificar se a ferramenta poderia diferenciar entre diferentes categorias de leite, como estágios de transporte e processamento.

Por que detectar ingredientes indesejados nos alimentos é desafiador?

Os métodos tradicionais para detecção de anomalias no setor de alimentos e bebidas incluem análises de diversidade alfa e beta, abundância diferencial, agrupamento, PCA contrastante (cPCA) e escalonamento multidimensional (MDS). No entanto, nenhum desses métodos consegue separar completamente e de forma precisa classes de amostras, como uma amostra anômala de uma amostra de referência.

Por outro lado, ferramentas de aprendizado de máquina já foram usadas com sucesso para analisar o microbioma intestinal, como para prever o risco de doenças como diabetes tipo 2. Este estudo testou, de forma inversa, se o aprendizado de máquina poderia detectar e identificar anomalias no microbioma do leite.

As técnicas de aprendizado de máquina conseguiram prever o estágio de processamento, como identificar qual amostra de leite foi pasteurizada, detectando corretamente os tipos e a abundância de bactérias presentes. Além disso, o aprendizado de máquina produziu modelos precisos sobre os estágios de armazenamento do leite, identificando quais amostras eram de leite cru, leite de caminhão-tanque ou leite de silo.

Além disso, as ferramentas de triagem baseadas em IA também identificaram a estação do ano em que uma amostra de leite foi coletada, medindo a abundância de mycoplasma.

“Pelo que sabemos, este estudo caracterizou os metagenomas do leite cru com maior profundidade de sequenciamento do que qualquer outro trabalho publicado até o momento e demonstra que há um conjunto de microrganismos consensuais que se mostraram elementos estáveis em várias amostras”, concluíram os pesquisadores no artigo.

“Demonstramos que nossa abordagem de IA explicável é capaz de prever com sucesso o estágio de processamento e o estágio de transporte de onde uma amostra de leite veio. Este estudo representa avanços na aplicação de aprendizado de máquina que podem ser ampliados para toda a indústria alimentícia.”

As informações são do  Dairy Reporter , traduzidas e adaptadas pela equipe
MilkPoint.

Publicação: Portal MilkPoint Ventures