Combinando la secuenciación genética y el análisis de microbios en muestras de leche con inteligencia artificial (IA), los investigadores pudieron detectar irregularidades en la producción de leche, como contaminación o aditivos no autorizados. Según los autores del estudio de Penn State, la Universidad de Cornell e IBM Research, el nuevo enfoque podría ayudar a mejorar la seguridad de los lácteos.
En los resultados publicados en mSistemasEn una revista de la Sociedad Estadounidense de Microbiología, los investigadores informan que utilizando datos de metagenómica e inteligencia artificial, pudieron detectar en las muestras leche tratada con antibióticos que se mezcló de manera experimental y aleatoria con leche de tanque a granel. Para validar sus hallazgos, los investigadores también aplicaron su herramienta de inteligencia artificial interpretable a conjuntos de datos secuenciados genéticamente disponibles públicamente a partir de muestras de leche a granel, lo que demuestra aún más la solidez del enfoque no dirigido.
“Este fue un estudio de prueba de concepto”, dijo la líder del estudio Erica Ganda, profesora asistente de microbiomas de animales alimentarios en la Facultad de Ciencias Agrícolas de Penn State. “Podemos observar los datos sobre los microbios en la leche cruda y usar inteligencia artificial para ver si los microbios que están ahí muestran características como si está prepasteurizada, pospasteurizada o si es de vaca. Está tratada con antibióticos”.
Los investigadores recolectaron muestras de leche de 58 tanques a granel y aplicaron varios algoritmos de IA para distinguir entre muestras primarias y aquellas que representan posibles anomalías, como leche de fuera de granjas o leche que contiene antibióticos. Este estudio secuenció los metagenomas de la leche cruda, que caracterizan la suma de los genomas de muchos microbios individuales dentro de una muestra, con mayor profundidad de secuenciación que cualquier otro trabajo publicado hasta la fecha y demostró que todas las muestras eran consistentes. .
Ganda explicó que los resultados del estudio sugieren que la IA tiene el potencial de aumentar significativamente la detección de anomalías en la producción de alimentos, proporcionando un enfoque más integral de la seguridad alimentaria que se puede agregar al conjunto de herramientas de los científicos para garantizarlo.
“Los análisis tradicionales de datos de secuenciación microbiana, como las métricas de diversidad alfa y beta y la agrupación, no fueron lo suficientemente eficientes para distinguir entre muestras iniciales y muestras irregulares”, dijo. “Sin embargo, la integración de la IA permitió una clasificación e identificación precisas de los impulsores microbianos asociados con anomalías”.
Los sistemas microbianos y la cadena de suministro de alimentos son una aplicación ideal para la IA porque las interacciones entre los microbios son complejas y dinámicas, según Kirsten Beck, investigadora científica senior de IBM Research.
“También hay muchas variables en la cadena de suministro de alimentos que afectan la señal que queremos observar”, dijo. “La IA puede ayudarnos a separar la señal del ruido”.
Al centrarse en la producción de leche, la investigación tiene implicaciones para la industria alimentaria en general, señaló Ganda, y añadió que se eligió la leche como modelo porque es el único ingrediente que se puede utilizar en la leche líquida utilizada para producir un alimento de gran volumen. eso es motivo de considerable preocupación. Fraude, especialmente en los países en desarrollo.
Ganda explicó que los problemas de calidad y seguridad de los alimentos pueden tener efectos en cadena a lo largo de la cadena de suministro, provocando pérdidas económicas y de salud, por lo que es esencial identificar dichos ingredientes o productos alimenticios. Existe un interés considerable en utilizar ambos métodos no dirigidos que muestran un aumento. riesgo de dosificación. Fraude, calidad de los alimentos y cuestiones de seguridad alimentaria.
“Los métodos no dirigidos caracterizan todas las moléculas que pueden identificarse para identificar componentes o productos que se desvían de un ‘estado de referencia’ que se consideraría normal o bajo control”, dijo. “Es importante destacar que estos métodos no específicos son métodos de detección que no definen un ingrediente o producto como inseguro o adulterado, sino que sugieren desviaciones de las condiciones normales que requieren acciones de seguimiento o instigan la investigación”.
Genda señaló que la colaboración de investigación única aprovechó las fortalezas de cada socio. Esto incluye la tecnología de IA de código abierto de IBM, IA explicable automatizada para Omics, para procesar grandes cantidades de datos metagenómicos o para aislar y analizar todas las secuencias de nucleótidos de todos los microbios en muestras de leche a granel. Permite la identificación de firmas que los métodos tradicionales suelen utilizar. . puedo recordar. La experiencia de los investigadores de Cornell en la ciencia láctea eleva la relevancia práctica y la aplicación de la investigación a la industria láctea, mientras que el One Health Microbiome Center de Penn State en el Hook Institute for the Life Sciences integra datos microbianos para una salud más amplia. Aplicaciones de seguridad.
En la investigación participaron Nina Haminen, Akshay Agarwal, Anna Paula Carreri, Matthew Madgwick, Jennifer Kelly y Ban Kawas, IBM Research; Víctor Pilero, Universidad Federal de Lavras, Brasil; y Martin Weidman, Universidad de Cornell.
Este trabajo fue apoyado por el Departamento de Agricultura de EE. UU. a través de Penn State.
