Νέα τεχνολογία μπορεί να επιταχύνει τους ελέγχους ασφάλειας τροφίμων στη γαλακτοβιομηχανία
Η αφλατοξίνη M1 είναι μια καρκινογόνος μυκοτοξίνη που εμφανίζεται στο γάλα όταν τα γαλακτοπαραγωγά ζώα καταναλώνουν ζωοτροφές μολυσμένες με αφλατοξίνη B1. Ο οργανισμός των ζώων μεταβολίζει την ουσία και την αποβάλλει στο γάλα ως αφλατοξίνη M1, η οποία στη συνέχεια φτάνει στον καταναλωτή αν δεν ανιχνευτεί εγκαίρως. Στην Ευρωπαϊκή Ένωση το κανονιστικό όριο ορίζεται στα 0,05 μικρογραμμάρια ανά λίτρο, και κάθε δείγμα που υπερβαίνει αυτό το κατώφλι δεν επιτρέπεται να διατεθεί στην αγορά. Το πρόβλημα έγκειται στο κόστος και στην πολυπλοκότητα της ανίχνευσης.
Οι τυπικές μέθοδοι ανίχνευσης αφλατοξίνης M1, όπως η ανοσοενζυμική μέθοδος ELISA ή η υγρή χρωματογραφία με φασματομετρία μάζας, παρέχουν υψηλή ευαισθησία αλλά απαιτούν εξειδικευμένο εξοπλισμό, χρόνο προετοιμασίας δείγματος και εκπαιδευμένο προσωπικό. Σε μεγάλες γαλακτοβιομηχανίες που επεξεργάζονται δεκάδες χιλιάδες δείγματα, η εφαρμογή αυτών των μεθόδων σε κάθε δείγμα είναι οικονομικά απαγορευτική. Η έρευνα που δημοσιεύτηκε στο επιστημονικό περιοδικό Current Research in Food Science αντιμετωπίζει αυτή ακριβώς την αντίφαση, δηλαδή το πώς μπορεί να επιτευχθεί ευρεία επιτήρηση χωρίς ανάλογη αύξηση κόστους.
Η απάντηση που προτείνουν οι ερευνητές είναι η χρήση μηχανικής μάθησης ως φίλτρο προεπιλογής. Αντί να αναλύεται κάθε δείγμα χημικά, ένας αλγόριθμος εκτιμά τον κίνδυνο μόλυνσης βάσει δεδομένων που ήδη συλλέγονται ρουτίνα, και μόνο τα υψηλότερου κινδύνου δείγματα προχωρούν σε εργαστηριακή επιβεβαίωση.
ΔΕΙΤΕ ΕΠΙΣΗΣ | Ανακαλούνται 7 διαφορετικά είδη ζαμπόν από μεγάλα σούπερ μάρκετ και ντελικατέσεν λόγω επικίνδυνου βακτηρίου
ΔΕΙΤΕ ΕΠΙΣΗΣ | Εστιατόριο σέρβιρε σε παιδιά τη σιτρονέλα για τα κουνούπια αντί για χυμό φρούτων!
Εκπαίδευση αλγόριθμου σε δύο δεκαετίες δεδομένων
Το μοντέλο εκπαιδεύτηκε σε ένα σύνολο δεδομένων που προέρχεται από τα αρχεία μιας γαλακτοβιομηχανίας και καλύπτει δύο δεκαετίες μετρήσεων. Οι παράμετροι που χρησιμοποιήθηκαν ως προγνωστικοί δείκτες περιλαμβάνουν μετρήσεις σύνθεσης γάλακτος όπως πρωτεΐνη, λίπος, λακτόζη, ολικά στερεά, οξύτητα, σημείο πήξης και σχετική πυκνότητα, μαζί με μικροβιολογικούς δείκτες ποιότητας όπως συνολική μικροβιακή χλωρίδα, ψυχρόφιλα βακτήρια, αριθμός σωματικών κυττάρων και ιξώδες, καθώς και τη θερμοκρασία του γάλακτος κατά την παραλαβή. Συμπεριλήφθηκαν επίσης γεωγραφικοί αναγνωριστικοί δείκτες χώρας και επαρχίας, για να ληφθούν υπόψη περιφερειακές διαφορές που συνδέονται με τον κίνδυνο μόλυνσης ζωοτροφών.
Από τα περισσότερα από 40.000 δείγματα του συνόλου εκπαίδευσης, περίπου 500 ξεπερνούσαν το κανονιστικό όριο των 0,05 μg/L. Η έντονη ανισορροπία μεταξύ θετικών και αρνητικών δειγμάτων αντιμετωπίστηκε με στατιστικές τεχνικές ισορρόπησης δεδομένων.
Αποτελέσματα και εφαρμογές
Σε 100 επαναλαμβανόμενα πειράματα, το καλύτερο μοντέλο εντόπισε σωστά το 83,2% των μολυσμένων δειγμάτων. Σε εξωτερική επαλήθευση με ανεξάρτητο σύνολο δεδομένων από το 2018, το ποσοστό διαμορφώθηκε στο 75,91%, με 33 χαμένα θετικά δείγματα και 793 ψευδώς θετικά. Οι ερευνητές επισημαίνουν ότι για ένα εργαλείο προεπιλογής στο οποίο η ευαισθησία είναι προτεραιότητα έναντι της ειδικότητας, τα ψευδώς θετικά αποτελέσματα είναι αποδεκτή παρενέργεια, καθώς απλώς οδηγούν δείγματα σε εργαστηριακή επιβεβαίωση που αποδεικνύεται περιττή, χωρίς να αφήνουν μολυσμένα δείγματα να διαφύγουν.
Το μοντέλο λειτουργεί ως πρώτο φίλτρο σε πραγματικό χρόνο, επισημαίνοντας υψηλότερου κινδύνου παρτίδες για εργαστηριακή ανάλυση. Αυτό επιτρέπει στις βιομηχανίες να επικεντρώσουν τους αναλυτικούς πόρους τους εκεί που είναι πιο πιθανό να χρειαστούν, επεκτείνοντας ταυτόχρονα την εμβέλεια επιτήρησης χωρίς ανάλογη αύξηση κόστους. Οι ερευνητές αποκαλούν αυτή την προσέγγιση «AI+», υπογραμμίζοντας ότι δεν υποκαθιστά αλλά συμπληρώνει τις παραδοσιακές μεθόδους ανίχνευσης. Ευρύτερη επαλήθευση σε πολλαπλές γεωγραφικές περιοχές και τακτική ενημέρωση του μοντέλου θα είναι απαραίτητες πριν από μαζική βιομηχανική εφαρμογή.
