Des chercheurs ont mis au point un modèle d’IA pour prédire la stabilité antioxydante du kéfir

Des chercheurs ont publié un préprint décrivant un modèle d’apprentissage profond conçu pour prédire dans quelle mesure les composés phénoliques et la capacité antioxydante se maintiennent dans un kéfir enrichi en extrait de pépins de raisin pendant l’entreposage réfrigéré, un axe de travail qui pourrait aider les développeurs de boissons à mieux valoriser les sous-produits de cave.

Selon le manuscrit publié sur Preprints.org, l’étude portait sur un kéfir enrichi en extrait de pépins de raisin noir sous deux formes : extrait libre et extrait encapsulé dans l’alginate. Le modèle a été conçu pour estimer la rétention des composés phénoliques et la capacité antioxydante au fur et à mesure du stockage du produit à 4 degrés Celsius, avec des évaluations aux jours 1, 7 et 14.

Ce travail associe chimiométrie et apprentissage profond pour répondre à un problème concret du développement des boissons fonctionnelles : les composés bioactifs évoluent souvent au fil du temps, et ces évolutions peuvent affecter à la fois les allégations nutritionnelles et la qualité du produit. En cherchant à prévoir ces variations plutôt qu’à les mesurer uniquement après stockage, les chercheurs proposent un outil susceptible d’appuyer plus tôt les décisions de formulation.

Le préprint est centré sur le kéfir, une boisson lactée fermentée, mais sa portée dépasse plus largement les boissons à base de lait fermenté. Les pépins de raisin constituent un sous-produit majeur de la vinification, et l’intérêt pour leur transformation en ingrédients à valeur commerciale s’est accru. Si des modèles de ce type se révèlent fiables, ils pourraient offrir aux entreprises de boissons un moyen de tester le comportement d’ingrédients riches en polyphénols dans les produits finis sans s’appuyer uniquement sur des essais de laboratoire répétés. Cela pourrait être particulièrement utile aux équipes de recherche travaillant sur des boissons fermentées ou sur d’autres boissons positionnées autour de la teneur en antioxydants.

L’encapsulation est un élément clé de l’étude. L’alginate est couramment utilisé pour protéger les composés sensibles, et, dans ce cas, les chercheurs ont examiné si le fait d’enfermer l’extrait de pépins de raisin dans l’alginate pouvait aider à préserver les composés phénoliques et l’activité antioxydante pendant le stockage au froid. La conception du modèle, intégrant la durée de stockage, reflète le fait que le temps est l’une des principales variables qui influencent la stabilité des boissons vendues avec une durée de conservation réfrigérée.

Comme l’article est un préprint, ses résultats doivent être considérés comme préliminaires. Les préprints sont diffusés avant l’évaluation par les pairs, ce qui signifie que les méthodes et les conclusions n’ont pas encore été soumises à l’examen externe standard utilisé dans la publication scientifique. Les éléments source disponibles via le monitor ne comprenaient pas de métriques détaillées de performance du modèle ni de résultats expérimentaux complets, si bien qu’il n’est pas encore possible d’évaluer à partir de ces seules informations la précision des prédictions ni de savoir si l’encapsulation a systématiquement fait mieux que l’extrait libre sur l’ensemble des mesures.

Même ainsi, le sujet s’inscrit dans une dynamique plus large de la recherche agroalimentaire visant à associer valorisation des ingrédients et analytique prédictive. En pratique, les producteurs sont soumis à une pression croissante pour réduire les déchets, développer des produits au positionnement fonctionnel plus clair et raccourcir les cycles de développement. Un modèle capable d’estimer l’évolution des composés phénoliques et de la capacité antioxydante sur 14 jours de réfrigération pourrait, à terme, aider à cibler les formulations qui méritent des travaux de validation plus coûteux.

L’étude illustre aussi un chevauchement de plus en plus fréquent entre science alimentaire et intelligence artificielle. Plutôt que d’utiliser l’apprentissage automatique uniquement pour les tendances de consommation ou les chaînes d’approvisionnement, les chercheurs l’appliquent directement à la chimie de formulation et au comportement en durée de conservation. Dans les boissons contenant des extraits végétaux, en particulier celles commercialisées pour leur valeur santé ajoutée, cette approche pourrait gagner en importance à mesure que les entreprises cherchent à concilier stabilité, goût et contraintes de transformation.

Pour l’heure, le rapport constitue une proposition scientifique à un stade précoce : utiliser l’encapsulation dans l’alginate pour protéger les bioactifs des pépins de raisin dans le kéfir, puis recourir à un système d’apprentissage profond tenant compte du temps de stockage pour prédire ce qu’il reste après un, sept et 14 jours à température de réfrigération. La question de savoir si cette approche pourra passer de la modélisation expérimentale à un usage courant dans la recherche sur les boissons dépendra d’une validation par les pairs et de ses performances sur des produits allant au-delà du kéfir.