Yapay zeka, süt ürünlerinin güvenliğini ve kalitesini iyileştirme potansiyeline sahip

Sonuçları yayınlanan çalışma, gıda ve içecek alanında güvenlik ve kalite kontrolünü iyileştirmek için yapay zeka (YZ) ve makine öğreniminden nasıl yararlanılabileceğini detaylandırıyor.

Yapay Zeka kullanılmasının avantajı ne?

Araştırmacılar, normal dışı süt örneklerini (antibiyotik içeren süt gibi) normal olanlardan doğru bir şekilde tanımlamak için yapay zeka ve shotgun sekanslama verilerinin kullanılıp kullanılamayacağını test etti. YZ bunun için, süt mikrobiyomunu (süt örneklerinde bulunan bakterilerin türü ve miktarı) analiz ederek yapıyor. Bu, insan bağırsak mikrobiyomunu analiz ederek tip 2 diyabet gibi hastalıkların riskinin YZ ile tahmin edilmesine benzeyen bir uygulama.

Gıda endüstrisinde anomli tespitine yönelik geleneksel yöntemler sınırlı olduğundan, YZ'nin bu bağlamda tarama için kullanılabileceğini kanıtlamak önemlidir.

Pennsylvania Eyalet Üniversitesi, Cornell Üniversitesi ve IBM Research'ten araştırmacılardan oluşan ekip, bu konsepti kanıtlamanın yanı sıra; yapay zekanın uygun fiyatlı ve kamuya açık veri kümelerini kullanarak sütün işlenmesinin, taşınmasının ve sağıldığı mevsimin farklı aşamalarını tahmin edip edemeyeceğini de inceledi.

Araştırma nasıl yapıldı?

Deneyi gerçekleştirmek için araştırmacılar, çiğ süt mikrobiyomunun temel örneklerini oluşturmak üzere 58 dökme tank sütü örneği topladı. 33 mikrobun çiğ sütte istikrarlı bir biçimde bulunduğu; en fazla bulunanların Pseudomonas, Serratia, Cutibacterium ve Staphylococcus'un olduğu belirlendi. Araştırmacılar, cPCA ve MDS gibi geleneksel yöntemlerin numune sınıfları arasında ayrım yapma kabiliyetlerinin sınırlı olduğunu, ancak YZ'nin bunu yapabildiğini ve aynı zamanda numune sınıflarını ayıran mikrobiyal etkenleri tanımlayabildiğini belirledi.

Çalışma daha sonra, aracın taşıma aşaması ve işleme aşaması da dahil olmak üzere farklı süt kategorileri arasında ayrım yapıp yapamayacağını görmek için kamuya açık iki süt mikrobiyomu veri kümesinden elde edilen 16S rRNA verilerin (tüm genom shotgun dizileme metagenomiği için uygun fiyatlı bir alternatif) YZ ile analiz etti.

Gıdalardaki hileli bileşenleri tespit etmek neden zordur?

Yiyecek ve içecek alanında anormallik tespitine yönelik geleneksel yöntemler arasında alfa ve beta çeşitliliği, diferansiyel bolluk, kümeleme, kontrastlı PCA (cPCA) ve çok boyutlu ölçeklendirme (MDS) yer alır. Ancak bunların hiçbiri örnek sınıflarını, örneğin anormal örneği temel örnekten tam ve doğru bir şekilde ayıramaz.

Makine öğrenme teknikleri, örneklerdeki bakteri türlerini ve bolluğunu doğru bir şekilde tespit ederek işleme aşamasını, örneğin hangi süt örneğinin pastörize edildiğini tahmin etmeyi başardı. Ayrıca makine öğrenimi, hangi numunelerin çiğ süt, tanker sütü veya silo sütü olduğunu belirleyerek süt depolama aşamalarına ilişkin doğru modeller de üretti.

Ayrıca, yapay zeka destekli tarama araçları, mikoplazma bolluğunu ölçerek bir süt numunesinin hangi mevsimde toplandığını da belirledi.

Araştırmacılar yayınladıkları makalede, “Bildiğimiz kadarıyla bu çalışma, çiğ süt metagenomlarını bugüne kadar yayınlanmış diğer çalışmalardan daha fazla sıralama derinliğinde karakterize etti ve örnekler arasında kararlı unsurlar olarak bulunan bir dizi fikir birliği mikrobu olduğunu gösterdi” dedi.

Araştırmadan elde edilen sonuçlar American Society for Microbiology dergisi mSystems'de yayınlandı.