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.

Continua depois da publicidade

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.