Forscher entwickelten ein KI-Modell zur Vorhersage der Antioxidans-Stabilität von Kefir

Forscher haben ein Preprint veröffentlicht, das ein Deep-Learning-Modell beschreibt, mit dem vorhergesagt werden soll, wie gut phenolische Verbindungen und die antioxidative Kapazität in mit Traubenkernextrakt angereichertem Kefir während der gekühlten Lagerung erhalten bleiben – eine Arbeit, die Getränkeentwicklern helfen könnte, Nebenprodukte aus Weingütern besser zu nutzen.

Laut dem auf Preprints.org veröffentlichten Manuskript konzentrierte sich die Studie auf Kefir mit schwarzem Traubenkernextrakt in zwei Formen: freier Extrakt und in Alginate verkapselter Extrakt. Das Modell wurde entwickelt, um den Erhalt phenolischer Verbindungen und die antioxidative Kapazität zu schätzen, während das Produkt bei 4 Grad Celsius gelagert und an den Tagen 1, 7 und 14 bewertet wurde.

Die Arbeit verbindet Chemometrie und Deep Learning, um ein praktisches Problem in der Entwicklung funktioneller Getränke anzugehen: Bioaktive Verbindungen verändern sich häufig im Laufe der Zeit, und diese Veränderungen können sowohl gesundheitsbezogene Angaben als auch die Produktqualität beeinflussen. Indem die Forscher versuchen, diese Verschiebungen vorherzusagen, statt sie erst nach der Lagerung zu messen, schlagen sie ein Werkzeug vor, das Formulierungsentscheidungen schon früher in der Entwicklung unterstützen könnte.

Das Preprint konzentriert sich auf Kefir, ein fermentiertes Milchgetränk, doch die breitere Relevanz reicht über Kultmilchgetränke hinaus. Traubenkerne sind ein bedeutendes Nebenprodukt der Weinbereitung, und das Interesse daran, diese Rückstände in Zutaten mit kommerziellem Wert umzuwandeln, ist gewachsen. Sollten sich Modelle wie dieses als zuverlässig erweisen, könnten sie Getränkeunternehmen eine Möglichkeit bieten, zu testen, wie sich polyphenolreiche Zutaten in Endprodukten verhalten, ohne sich ausschließlich auf wiederholte Labortests zu verlassen. Das könnte besonders für Forschungsteams nützlich sein, die an fermentierten Getränken oder anderen Getränken arbeiten, die mit ihrem Antioxidansgehalt positioniert werden.

Die Verkapselung ist ein zentraler Bestandteil der Studie. Alginate werden häufig verwendet, um empfindliche Verbindungen zu schützen, und in diesem Fall untersuchten die Forscher, ob das Einschließen von Traubenkernextrakt in Alginate dazu beitragen könnte, Phenole und antioxidative Aktivität während der Kaltlagerung zu bewahren. Das lagerungsbewusste Design des Modells spiegelt die Tatsache wider, dass Zeit eine der wichtigsten Variablen ist, die die Stabilität in Getränken mit gekühlter Haltbarkeit beeinflussen.

Da es sich bei dem Papier um ein Preprint handelt, sollten seine Ergebnisse als vorläufig betrachtet werden. Preprints werden vor dem Peer Review veröffentlicht, was bedeutet, dass Methoden und Schlussfolgerungen noch nicht die übliche externe Begutachtung durchlaufen haben, die in der wissenschaftlichen Publikation üblich ist. Das vom Monitor verfügbare Quellenmaterial enthielt keine detaillierten Leistungskennzahlen für das Modell oder vollständige Versuchsergebnisse, sodass sich auf Grundlage dieser Informationen allein noch nicht beurteilen lässt, wie genau die Vorhersagen waren oder ob die Verkapselung bei allen Messungen durchgängig besser abschnitt als freier Extrakt.

Dennoch fügt sich das Thema in einen breiteren Trend in der Lebensmittel- und Getränkeforschung ein, Rohstoffrückgewinnung mit prädiktiver Analytik zu verbinden. In der Praxis stehen Hersteller unter Druck, Abfälle zu reduzieren, Produkte mit klarerer funktioneller Positionierung zu entwickeln und Entwicklungszyklen zu verkürzen. Ein Modell, das schätzen kann, wie sich Phenole und die antioxidative Kapazität über 14 Tage Kühlung verändern, könnte letztlich dabei helfen, einzugrenzen, welche Formulierungen eine kostspieligere Validierungsarbeit verdienen.

Die Studie verweist auch auf eine zunehmend häufige Überschneidung von Lebensmittelwissenschaft und künstlicher Intelligenz. Statt maschinelles Lernen nur für Verbraucherthemen oder Lieferketten einzusetzen, wenden Forscher es direkt auf Formulierungschemie und Haltbarkeitsverhalten an. Bei Getränken, die Pflanzenextrakte enthalten, insbesondere solchen, die mit zusätzlichem gesundheitlichem Nutzen vermarktet werden, könnte dieser Ansatz wichtiger werden, da Unternehmen versuchen, Stabilität, Geschmack und verarbeitungstechnische Anforderungen in Einklang zu bringen.

Vorläufig steht der Bericht als wissenschaftlicher Ansatz in einem frühen Stadium: Alginate verkapseln, um Traubenkern-Bioaktive in Kefir zu schützen, und dann ein auf Lagerungszeit ausgelegtes Deep-Learning-System verwenden, um vorherzusagen, was nach einem, sieben und 14 Tagen bei Kühlschranktemperatur übrig bleibt. Ob dieser Ansatz vom experimentellen Modellieren in die routinemäßige Anwendung in der Getränkeforschung übergehen kann, wird von einer peer-reviewten Validierung und davon abhängen, wie gut er sich auch bei Produkten jenseits von Kefir bewährt.