Un modelo de deep learning anticipa la estabilidad antioxidante del kéfir enriquecido con semilla de uva

Un equipo de investigación ha presentado un modelo de deep learning quimiométrico para predecir la retención de compuestos fenólicos y la capacidad antioxidante en kéfir enriquecido con extracto de semilla de uva negra, tanto en forma libre como encapsulada en alginato, durante su almacenamiento en frío.

El trabajo se ha difundido en Preprints.org con el título “Storage-Time-Aware Chemometric Deep Learning Model for Predicting Phenolic Retention and Antioxidant Capacity in Kefir Enriched with Alginate-Encapsulated Grape Seed Extract”. La investigación se centra en muestras conservadas a 4ºC y analizadas en los días 1, 7 y 14 de almacenamiento.

El objetivo del modelo es anticipar cómo evolucionan dos parámetros ligados al valor funcional del producto: la conservación de los polifenoles y su capacidad antioxidante. Para ello, los autores plantean un sistema “consciente del tiempo de almacenamiento”, es decir, diseñado para incorporar la variable temporal en la predicción del comportamiento del kéfir enriquecido.

El estudio toma como base el uso de extracto de semilla de uva negra, un subproducto de la actividad vitivinícola que puede reutilizarse como ingrediente con interés tecnológico y nutricional. La encapsulación en alginato se emplea para comparar si esa protección modifica la estabilidad de los compuestos bioactivos frente al extracto añadido sin encapsular.

La propuesta tiene interés para la industria alimentaria y también puede tenerlo para el sector de bebidas fermentadas. Si este tipo de modelos ofrece resultados fiables, podría ayudar en tareas de I+D orientadas a aprovechar subproductos de la uva y a estimar con más precisión la estabilidad de compuestos bioactivos en nuevas bebidas, incluidas formulaciones funcionales derivadas de procesos fermentativos.

Al tratarse de un preprint, el trabajo se ha hecho público antes de completar la revisión por pares. Por ese motivo, sus resultados deben interpretarse con cautela hasta que el estudio supere la evaluación científica habitual.