Inteligencia artificial y metaverso para personalizar alimentos y bebidas

La inteligencia artificial y el aprendizaje automático digital continuarán siendo tendencia, influirán y se integrarán cada vez más en los procesos químicos y de calidad en la producción de alimentos y bebidas.

Lo mismo ocurre con la personalización y desarrollo de productos novedosos en distintas variedades, sin importar su origen o el estado físico de su materia.

El control de la integridad alimentaria para garantizar su seguridad, calidad, autenticidad y trazabilidad es hoy día un tema central en la agenda de soberanía agroalimentaria.

En cumplimiento a dichos objetivos, diversas agencias o entidades regulatorias promueven el uso de métodos químico-analíticos:

• Espectroscópicos como la resonancia magnética nuclear, infrarrojo (IR) y ultravioleta – visible (UV-VIS), o espectrométricos como espectrometría de masas ^{(1, 2)}, con la posibilidad de acoplar con métodos cromatográficos de alta eficiencia de separación.
• Todas ellas combinadas con algoritmos basados en Inteligencia Artificial (AI) ⁽³⁾, que permitan cuali- y cuanti- ficar la integridad alimentaria.

Seguro te interesa: Inteligencia artificial y su trascendencia en la industria alimentaria

La profundidad de análisis que brinda la inteligencia artificial

La unión virtuosa de análisis químico-analítico de cualquier matriz compleja procesada con AI, comprende la base de las ciencias ómicas (del griego wma “el todo de ”), de donde se derivan la:

• Genómica: el todo de los genes
• Transcriptómica: el todo del RNA mensajero, producto de la replicación y transcripción de genes
• Proteómica: el todo de las proteínas, producto de la traducción de RNA
• Metabolómica: el todo de los metabolitos, productos de la expresión de proteínas y productos finales de la expresión de un genoma ⁽⁴⁾.

Si la matriz compleja de estudio comprende cualquier combinación de sustancias químicas con bajos pesos moleculares (menores a 1,500 daltones), el área de estudio se concentra en las ciencias metabolómicas ⁽⁵⁾.

Finalmente, si la matriz compleja basada en sustancias químicas de bajo peso molecular comprende una matriz alimentaria, el área de estudio se conoce como “foodomics” o metabolómica agroalimentaria ⁽⁶⁾.

Con lo anterior, se llega a la identificación y cuantificación de metabolitos primarios y especiales en una matriz alimentaria asociadas a su origen geográfico, variedad, proceso, impacto por cambio climático y adulteración, etc.  

Episodio 8: Industria 4.0 y el metaverso transforman al sector alimentos    

Ciencia metabolómica en función del estudio de A&B

La metabolómica puede ser:

• Dirigida: Búsqueda-identificación y cuantificación de sustancias químicas de bajo peso molecular específicas.
• No dirigida: Obtención no selectiva del mapa más amplio posible de sustancias químicas identificadas y/o cuantificadas en una matriz compleja.

La metabolómica no dirigida es mayormente aceptada como una huella dactilar inequívoca de la seguridad, calidad, autenticidad y trazabilidad de un sistema de estudio, so pena del importante costo computacional y espectroscópico que implique obtenerla.

En contraste, la metabolómica dirigida es la técnica más utilizada en normas de control como las Normas Mexicanas NMX (documentos técnicos que permiten establecer especificaciones de calidad sobre procesos, productos, servicios, sistemas, métodos de prueba, competencias, etc.).

Estos casos se encuentran definidos en Normas Oficiales Mexicanas (NOM), sirviéndose para ejemplificar del método de prueba NMX-V-005-NORMEX-2013 para la determinación de aldehídos, ésteres, metanol y alcoholes superiores en bebidas alcohólicas, definidas en la NOM-199-SCFI-2017 ⁽⁷⁾.

Te invitamos a leer: Retos de la inteligencia artificial para las industrias en 2023

Inteligencia artificial para la metabolómica

Recientemente, gracias a la implementación de robustos algoritmos basados en inteligencia artificial para metabolómica ⁽⁸⁾, con técnicas de aprendizaje profundo supervisado, comparables a los utilizados en lenguajes como ChatGPT ⁽⁹⁾, se pueden generar huellas dactilares holísticas amplias o finas de integridad alimentaria, respectivamente en función del uso de un método químico analítico de baja o alta resolución.

• Típicamente, una huella dactilar holística amplia se obtiene con instrumentos portátiles de baja o mediana resolución como espectrofotómetros UV-VIS, IR o Raman.
• Por su parte, las huellas dactilares holísticas finas para elucidar diversidades químicas complejas se obtienen con instrumentos analíticos de alta resolución como acoplados de cromatografía con espectrometría de masas o resonancia magnética nuclear.

En metabolómica agroalimentaria de bebidas alcohólicas se han utilizado ambas técnicas en fascinantes ejemplos como la distinción de rones manufacturados con jugos de caña de azúcar, de aquellos producidos con melaza de caña de azúcar (firma metabolómica amplia)⁽¹⁰⁾, respecto de la evaluación de calidad y autenticidad de whiskies escoceses mediante firmas metabolómicas finas con cromatografía de gases acoplada a espectrometría de masas Tándem de alta resolución ⁽¹¹⁾.

México recién ha generado firmas metabolómicas finas para la evaluación de la calidad, autenticidad, origen geográfico y distinción de procesos en mezcales ⁽¹²⁾ y vinos ^{(1, 13)} mexicanos combinando resonancia magnética nuclear e inteligencia artificial, con metodología avaladas unánimemente por Estados Miembros ^(14-15) de Organismos Intergubernamentales como la Organización Internacional de la Viña y el Vino ⁽¹⁶⁾.

El reto por seguir es la definición de un metaverso en metabolómica agroalimentaria: repositorios de acceso universal adecuadamente administrados y gestionados con resguardos justos de esta nueva forma de propiedad intelectual, que no sobrepasen las capacidades humanas de control regulatorio.

De alcanzarse exitosamente este metaverso agroalimentario, sin duda hablaremos en el futuro cercano de la consolidación de una soberanía alimentaria digital que permita una verdadera integridad alimentaria de los productos mexicanos e importados, en estricto apego a las necesidades del consumidor que además permitan predecir los impactos por cambio climático.

El futuro de la alimentación: Avances tecnológicos en la industria alimentaria

Referencias bibliográficas:

1. Herbert-Pucheta, J.E.; Austin-Quiñones, P. ; Rodríguez-González, F. ; Pino-Villar, C. ; Flores-Pérez, G. ; Argüello-Campos, S.J. ; Villalobos Arámbula, V.; EDP-Sciences BIO Web of Conferences; (2023), 56, 02001. DOI: https://doi.org/10.1051/bioconf/20235602001
2. Li, S.; Tian, Y.; Jiang, P.; Liu, X.; Yang, H., Critical Reviews in Food Science and Nutrition; (2021), 61 :9, 1448-1469. DOI:  https://doi.org/10.1080/10408398.2020.1761287 
3. Sen, P.; Lamichhane, S.; Mathema, V. B.; McGlinchey, A.; Dickens, A. M.; Khoomrung, S.; Oresic, M.; Briefings in Bioinformatics; (2021), 22 (2), 1531-1542. DOI: https://doi.org/10.1093/bib/bbaa204
4. Vailati-Riboni, M., Palombo, V., Loor, J.J. (2017). What Are Omics Sciences?. In: Ametaj, B. (eds) Periparturient Diseases of Dairy Cows. Springer, Cham. https://doi.org/10.1007/978-3-319-43033-1_1
5. Wishart, D.S.; Briefings in Bioinformatics; (2007), 8, 279-293. DOI: https://doi.org/10.1093/bib/bbm030
6. Deborde, C.; Moing, A.; Roch, L.; Jacob, D.; Rolin, D.; Giraudeau, P.; Progress in Nuclear Magnetic Resonance Spectroscopy; (2017), 102-103, 61-97. DOI : https://doi.org/10.1016/j.pnmrs.2017.05.001
7. https://www.dof.gob.mx/nota_detalle.php?codigo=5502882&fecha=30/10/2017#gsc.tab=0
8. Pomyen, Y.; Wanichthanarak, K.; Poungsombat, P.; Fahrmann, J.; Grapov, D.; Khoomrung, S.; Computational and Structural Biotechnology Journal, (2020), 18, 2818-2825. DOI : https://doi.org/10.1016/j.csbj.2020.09.033
9. https://chat.openai.com/auth/login
10. Franitza, L.; Nicolotti, L.; Granvogl, M.; Schieberle, P.; Journal of Agricultural and Food Chemistry; (2018), 66, 3038-3045. DOI : https://doi.org/10.1021/acs.jafc.8b00180
11. Stupak, M.; Goodall, I.; Tomaniova, M.; Pulkrabova, J.; Hajslova, J.; Analytica Chimica Acta; (2018), 1042 (26), 6070. DOI : https://doi.org/10.1016/j.aca.2018.09.017
12. López-Aguilar, R.; Zuleta-Prada, H.; Hernández-Montes, A.; Herbert-Pucheta, J.E.; Foods (2021), 10, 157. DOI: https://doi.org/10.3390/foods10010157
13. Herbert-Pucheta, J.E.; Lozada-Ramírez, J.D.; Ortega-Regules, A. E.; Hernández, L. R.; Anaya de Parrodi, C.  Molecules (2021), 26 (14), 4146. DOI: https://doi.org/10.3390/molecules26144146
14. Del Fresno, J.M.; Escott, C.; Carrau, F.; Herbert-Pucheta, J.E.; Vaquero, C.; González, C.; Morata, A.; Fermentation (2022), 8 (11), 654. DOI: https://doi.org/10.3390/fermentation8110654
15. Del Fresno, J.M.; Escott, C.; Loira, I., Herbert-Pucheta, J.E.; Schneider, R., Carrau, F.; Cuerda, R.; Morata, A.; Fermentation. (2020), 6, 66. DOI: https://doi.org/10.3390/fermentation6030066
16. OIV Method OIV-MA-AS316-01: https://www.oiv.int/standards/annex-a-methods-of-analysis-of-wines-and-musts/section-3-chemical-analysis/section-3-1-organic-compounds/section-3-1-6-multielement-organic-compounds/quantitation-of-glucose%2C-malic-acid%2C-acetic-acid%2C-fumaric-acid%2C-shikimic-acid-and-sorbic