Zo kan AI de strijd tegen voedselbederf helpen

Wij zijn een groep scheikundigen die onderzoek doen naar manieren om de levensduur van voedingsmiddelen te verlengen, waaronder producten die ranzig worden. We hebben onlangs een onderzoek gepubliceerd waarin de voordelen van AI-tools worden beschreven om olie- en vetmonsters langer vers te houden. Omdat oliën en vetten veel voorkomende componenten zijn in veel soorten voedsel, zoals chips, chocolade en noten, kunnen de resultaten van het onderzoek breed worden toegepast en zelfs van invloed zijn op andere gebieden, waaronder cosmetica en geneesmiddelen.

Ranzigheid en antioxidanten

Voedsel wordt ranzig als het een tijdje aan de lucht wordt blootgesteld - een proces dat oxidatie wordt genoemd. In feite reageren veel gewone ingrediënten, maar vooral lipiden, wat vetten en oliën zijn, met zuurstof. De aanwezigheid van warmte of UV-licht kan dit proces versnellen. Oxidatie leidt tot de vorming van kleinere moleculen zoals ketonen, aldehyden en vetzuren die ranzig voedsel een karakteristieke ranzige, sterke en metaalachtige geur geven. Het herhaaldelijk consumeren van ranzig voedsel kan je gezondheid bedreigen. Gelukkig hebben zowel de natuur als de voedingsindustrie een uitstekend schild tegen ranzigheid - antioxidanten.

Antioxidanten omvatten een breed scala aan natuurlijke moleculen, zoals vitamine C, en synthetische moleculen die je voedsel kunnen beschermen tegen oxidatie. Hoewel antioxidanten op verschillende manieren werken, kunnen ze over het algemeen veel van de processen die ranzigheid veroorzaken neutraliseren en de smaken en voedingswaarde van je voedsel langer behouden. Vaak weten klanten niet eens dat ze toegevoegde antioxidanten binnenkrijgen, omdat voedselfabrikanten ze meestal in kleine hoeveelheden toevoegen tijdens de bereiding.

Maar je kunt niet zomaar wat vitamine C over je eten strooien en verwachten dat het een conserverend effect heeft. Onderzoekers moeten zorgvuldig een specifieke set antioxidanten kiezen en de hoeveelheid van elk nauwkeurig berekenen. Het combineren van antioxidanten versterkt niet altijd hun effect. Er zijn zelfs gevallen waarin het gebruik van de verkeerde antioxidanten, of het mengen ervan in de verkeerde verhoudingen, hun beschermende werking kan verminderen - dat heet antagonisme.

Om uit te vinden welke combinaties werken voor welk type voedsel zijn veel experimenten nodig, die tijdrovend zijn, gespecialiseerd personeel vereisen en de totale kosten van het voedsel verhogen. Het onderzoeken van alle mogelijke combinaties zou enorm veel tijd en middelen kosten, dus zitten onderzoekers opgescheept met een paar mengsels die slechts enige bescherming tegen ranzigheid bieden. Hier komt AI om de hoek kijken.

Een toepassing voor AI

Je hebt waarschijnlijk AI-tools zoals ChatGPT in het nieuws gezien of er zelf mee gespeeld. Dit soort systemen kan grote verzamelingen gegevens verwerken en patronen identificeren, om vervolgens een output te genereren die nuttig kan zijn voor de gebruiker. Als scheikundigen wilden we een AI-tool leren zoeken naar nieuwe combinaties van antioxidanten. Hiervoor selecteerden we een type AI dat kan werken met tekstuele representaties, geschreven codes die de chemische structuur van elke antioxidant beschrijven. Eerst gaven we onze AI een lijst met ongeveer een miljoen chemische reacties en leerden we het programma een aantal eenvoudige scheikundige concepten, zoals het identificeren van belangrijke kenmerken van moleculen.

Toen de machine eenmaal algemene chemische patronen kon herkennen, zoals hoe bepaalde moleculen met elkaar reageren, hebben we het verfijnd door het wat meer geavanceerde scheikunde te leren. Voor deze stap gebruikte ons team een database van bijna 1.100 mengsels die eerder beschreven waren in de onderzoeksliteratuur.

Op dit punt kon de AI het effect van een combinatie van twee of drie antioxidanten in minder dan een seconde voorspellen. De voorspelling kwam in 90% van de gevallen overeen met het effect dat in de literatuur werd beschreven.

Maar deze voorspellingen kwamen niet helemaal overeen met de experimenten die ons team in het lab uitvoerde. In feite ontdekten we dat onze AI in staat was om slechts een paar van de oxidatie-experimenten die we met echte reuzel uitvoerden correct te voorspellen, wat de complexiteit aantoont van het overbrengen van resultaten van een computer naar het lab.

Verfijnen en verbeteren

Gelukkig zijn AI-modellen geen statische hulpmiddelen met vooraf gedefinieerde ja- en nee-wegen. Het zijn dynamische leerlingen, dus ons onderzoeksteam kan het model blijven voeden met nieuwe gegevens totdat het zijn voorspellende capaciteiten aanscherpt en het effect van elke antioxidantcombinatie nauwkeurig kan voorspellen. Hoe meer gegevens het model krijgt, hoe nauwkeuriger het wordt, net zoals mensen groeien door te leren.

We ontdekten dat het toevoegen van ongeveer tweehonderd voorbeelden uit het laboratorium de AI in staat stelde om genoeg chemie te leren om de uitkomsten van de experimenten die door ons team werden uitgevoerd te voorspellen, met slechts een klein verschil tussen de voorspelde en de werkelijke waarde.

Een model als het onze zou wetenschappers kunnen helpen bij het ontwikkelen van betere manieren om voedsel te conserveren door de beste antioxidantcombinaties te bedenken voor het specifieke voedsel waarmee ze werken, een soort slimme assistent. Het project onderzoekt nu effectievere manieren om het AI-model te trainen en zoekt naar manieren om de voorspellende capaciteiten verder te verbeteren.

Dit artikel is een vertaling van The Conversation. De auteurs zijn Carlos D. Garcia en Lucas de Brito Ayres (Clemson University).