Lo studio condotto dall’Università degli Studi di Bari e inserito nel Progetto METROFOOD-IT spiega come tecniche di Intelligenza Artificiale possano essere applicate all’individuazione dell’origine geografica degli alimenti
Con la crescente domanda di prodotti di alta qualità e specifici per regione, la necessità di assicurare l’origine e la tracciabilità del cibo svolge un ruolo fondamentale nel garantire autenticità, qualità, sicurezza alimentare e trasparenza durante tutto il processo di produzione. Attualmente, l’origine degli alimenti viene determinata grazie a diverse tecnologie, come blockchain e analisi spettrometriche. Questo studio si concentra sull’analisi del complesso ecosistema di microrganismi presenti negli alimenti, noto come microbiota alimentare, che si rivela un prezioso strumento per comprendere e caratterizzare le proprietà distintive dei prodotti alimentari. Il microbiota rappresenta una sorta di “firma biologica” del cibo ed è influenzata da fattori come il territorio di produzione, i metodi di lavorazione e le tecniche di conservazione. La sua composizione, infatti, varia in base alle condizioni ambientali uniche e alle pratiche produttive, rendendolo un indicatore prezioso per identificare e caratterizzare le proprietà distintive dei prodotti alimentari. Attraverso l’analisi del DNA dei microrganismi presenti in un campione, è possibile identificare queste firme microbiche, che forniscono informazioni utili sull’origine geografica o sull’ambiente di produzione di un alimento. Inoltre, variazioni in queste composizioni microbiche possono rivelare possibili contaminazioni, permettendo interventi tempestivi per garantire la sicurezza del prodotto. Per analizzare dati complessi e numerosi come quelli del microbiota, entra in gioco una tecnologia innovativa: il machine learning. Si tratta di una branca dell’intelligenza artificiale che insegna ai computer a riconoscere schemi e a fare previsioni, imparando dai dati che gli vengono forniti. In questo contesto, il machine learning consente di sviluppare modelli capaci di individuare correlazioni difficili da rilevare con metodi tradizionali, come quelle tra i microrganismi e i fattori ambientali o produttivi. Grazie a questi modelli, è possibile prevedere con precisione l’origine di un prodotto alimentare, migliorare la qualità e ridurre i rischi legati alla sicurezza alimentare. Tuttavia, uno dei limiti di questa tecnologia è che spesso i modelli risultano poco comprensibili per chi li utilizza: si parla infatti di “scatole nere”, in cui è difficile capire come vengono generate le previsioni. In questo scenario, lo studio, condotto dall’Università degli Studi di Bari in collaborazione con il progetto METROFOOD-IT, ha lavorato su diverse produzioni alimentari a Denominazione di Origine Protetta e Indicazione Geografica Protetta, utilizzando un approccio innovativo basato sull’Intelligenza Artificiale Spiegabile (XAI). Grazie alla XAI, è possibile rendere trasparenti e comprensibili i risultati generati dai modelli di intelligenza artificiale, spiegando chiaramente come vengono fatte le previsioni e quali fattori incidono maggiormente sui risultati. Questo metodo avanzato consente di analizzare e interpretare diversi tipi di dati, non solo quelli relativi al microbiota, ma anche dati chimici, fisici e ambientali, che forniscono informazioni cruciali sull’origine e sulle caratteristiche distintive dei prodotti e si applica trasversalmente a una vasta gamma di alimenti tipici, garantendo una tracciabilità più completa e una maggiore tutela della qualità. Questo nuovo metodo, basato sull’analisi del microbiota e sull’intelligenza artificiale, non solo rappresenta una svolta per garantire l’autenticità dei prodotti alimentari, ma contribuisce anche a rafforzare la fiducia sia degli operatori del settore sia dei consumatori. La possibilità di comprendere a fondo i processi produttivi e l’origine del cibo portato in tavola è oggi più che mai cruciale per promuovere qualità, trasparenza e sicurezza alimentare in un mercato sempre più esigente.
Michele Magarelli
Dottore Magistrale in Scienze Biosanitarie e attualmente dottorando presso l’Università degli studi di Bari.Sabina Tangaro
Professore Associato di Fisica Applicata presso il Dipartimento di Scienze del Suolo, della Pianta e degli Alimenti dell’Università degli studi di Bari.
Metodologia
I dati utilizzati in questo studio, descritti nella Tabella 1, derivano dall’analisi microbiologica del microbioma di 65 campioni di Mozzarella di Bufala Campana DOP provenienti da 30 caseifici nella provincia di Salerno e 35 caseifici nella provincia di Caserta. Questi campioni sono stati sottoposti a un esame approfondito nei laboratori della Divisione di Microbiologia del Dipartimento di Scienze Agrarie dell’Università di Napoli Federico II. Tutti i caseifici selezionati dallo studio sono situati nell’areale definito nel disciplinare di produzione e producono Mozzarella di Bufala Campana DOP. Le informazioni raccolte sono organizzate in un formato tabellare, in cui ogni riga corrisponde a un campione specifico e ogni colonna rappresenta l’abbondanza di una specie microbica distinta. Per migliorare la comprensione dell’origine di ogni campione di Mozzarella di Bufala Campana DOP sono inclusi dettagli sul rispettivo caseificio, specificandone sia il nome che la sua origine geografica.
Risultati
Questo studio si propone di esplorare il potenziale dell’intelligenza artificiale spiegabile (XAI) per identificare l’origine degli alimenti, con un focus specifico sulla Mozzarella di Bufala Campana DOP. Utilizzando un algoritmo di classificazione avanzato, siamo riusciti a ottenere risultati molto promettenti: il modello ha raggiunto un’accuratezza dell’87,87% nell’identificare correttamente i campioni provenienti dall’area di Salerno e dell’86,36% per quelli provenienti dall’area di Caserta. Questo dimostra la capacità del nostro sistema di distinguere tra le diverse origini geografiche sulla base della composizione del microbiota, ovvero il complesso ecosistema di microrganismi presenti nel prodotto. L’alto livello di precisione suggerisce che il nostro modello non solo funziona bene con i dati analizzati, ma è anche in grado di generalizzare, cioè di fare previsioni accurate su nuovi campioni. Questo lo rende un potenziale strumento per verificare l’autenticità geografica della Mozzarella di Bufala Campana DOP in modo oggettivo e affidabile. Per comprendere quali specie batteriche abbiano maggiormente contribuito alle previsioni del modello, è stata utilizzata una tecnica chiamata SHAP (Shapley Additive Explanations), che aiuta a identificare le caratteristiche più importanti considerate dal modello. In altre parole, SHAP permette di spiegare “perché” il modello prende determinate decisioni, rendendo l’intelligenza artificiale più trasparente. Il grafico SHAP in Figura 1 mostra i 20 batteri più importanti, derivanti dall’analisi dei campioni di microbiota. Alcuni batteri, come lactococcus lactis e moraxella osloensis, contribuiscono in modo significativo alla previsione del modello. Questi risultati non solo dimostrano che il microbiota può fungere da “impronta digitale” per gli alimenti, ma evidenziano anche l’importanza di alcune specie microbiche specifiche nel differenziare i prodotti in base alla loro origine. Grazie a queste analisi è possibile avere strumenti affidabili per garantire la tracciabilità e autenticità degli alimenti, con benefici per i produttori e i consumatori.
Conclusioni
Lo studio ha dimostrato che l’integrazione del machine learning e delle tecniche di Explainable AI (XAI) forniscono uno strumento affidabile per discriminare l’origine geografica della Mozzarella di Bufala Campana DOP sulla base dell’abbondanza batterica del microbiota. Questo approccio permette di rafforzare la fiducia dei consumatori, garantendo la sicurezza dei prodotti e sostenendo le economie locali che producono alimenti di alta qualità, autenticandone l’origine. In futuro, la ricerca potrebbe concentrarsi su diversi ambiti per migliorare ulteriormente le applicazioni di questo metodo. Inoltre, sarebbe utile testare l’efficacia delle tecniche di machine learning e XAI su una gamma più ampia di prodotti alimentari a Denominazione di Origine, per verificarne l’applicabilità trasversale e perfezionare i modelli su una varietà di contesti e tipologie alimentari, creando una visione olistica che tenga conto dei numerosi fattori influenti sull’origine geografica. Ciò contribuirebbe a migliorare l’accuratezza delle previsioni e consentirebbe di affinare gli strumenti di tracciabilità. A supporto di questa visione, è disponibile un’infrastruttura di calcolo avanzata che consente di offrire come servizio l’analisi dei dati per scopi legati alla tracciabilità alimentare e all’autenticazione dei prodotti. Questa capacità infrastrutturale permette di elaborare grandi volumi di dati microbiotici in modo rapido ed efficiente, accelerando i processi di analisi e migliorando la qualità dei modelli predittivi sviluppati. In parallelo, sono in corso lavori analoghi per applicare l’analisi del microbiota a prodotti come l’olio d’oliva, con l’obiettivo di discriminare l’olio extravergine (EVO) da quello non EVO, e ai pomodori, per differenziare i prodotti DOP dai non DOP in base a specifiche firme microbiche. Queste ricerche aggiuntive permetteranno di testare ulteriormente la validità dell’approccio utilizzato in questo studio su diverse categorie di prodotti. Infine, ampliare l’utilizzo di tecniche di eXplainable AI a ulteriori aspetti della catena alimentare potrebbe favorire la trasparenza e l’accettazione dei modelli predittivi sia da parte dei consumatori che degli operatori del settore. La combinazione di machine learning e XAI ha il potenziale di trasformare la tracciabilità e l’autenticità dei prodotti alimentari, fornendo una base solida per pratiche di garanzia della qualità sempre più avanzate.
Titolo
Explainable artificial intelligence and microbiome data for food geographical origin: the Mozzarella di Bufala Campana PDO Case of StudyAutori
M. Magarelli, P. Novielli, F. De Filippis, R. Magliulo, P. Di Bitonto, D. Diacono, R. Bellotti & S. TangaroFonte
Frontiers in Microbiology, 15, 1393243. (2024)
https://www.frontiersin.org/journals/microbiology/articles/10.3389/fmicb.2024.1393243/fullAbstract
Questo studio mira a indagare il potenziale utilizzo dell’intelligenza artificiale spiegabile per identificare l’origine degli alimenti. Il
caso di studio della Mozzarella di Bufala Campana DOP è stato preso in considerazione esaminando la composizione del microbiota in
ciascun campione. Sono stati confrontati tre diversi algoritmi di apprendimento automatico supervisionato.Bibliografia essenziale
- De Filippis, F., Valentino, V., Alvarez-Ordóñez, A., Cotter, P. D., and Ercolini, D. (2021). Environmental microbiome mapping as a strategy to improve quality and safety in the food industry. Curr. Opin. Food Sci. 38, 168–176. doi: 10.1016/j.cofs.2020.11.012
- Novielli, P., Romano, D., Magarelli, M., Bitonto, P. D., Diacono, D., Chiatante, A., et al. (2024). Explainable artificial intelligence for microbiome data analysis in colorectal cancer biomarker identification. Front. Microbiol. 15:1348974. doi: 10.3389/ fmicb.2024.1348974
- Papoutsoglou, G., Tarazona, S., Lopes, M. B., Klammsteiner, T., Ibrahimi, E., Eckenberger, J., et al. (2023). Machine learning approaches in microbiome research: challenges and best practices. Front. Microbiol. 14:1261889. doi: 10.3389/fmicb.2023.1261889
- Gallo, A., Accorsi, R., Goh, A., Hsiao, H., and Manzini, R. (2021). A traceability-support system to control
A cura della redazione
Fonte: Consortium 2024_04
