El perfil fenólico como una poderosa herramienta de aprendizaje automático para la identificación, trazabilidad y...

Área de la Ciencia:

• Química Agrícola
• Ciencias de la alimentación
• Biología computacional

Sus antecedentes:

• Las variedades de olivo (Olea europaea) poseen perfiles químicos distintos.
• La identificación precisa de los cultivares es crucial para la industria del olivo, ya que afecta a la calidad y a la trazabilidad.
• Los métodos tradicionales para la clasificación de aceitunas pueden ser intensivos en mano de obra y subjetivos.

Objetivo del estudio:

• Evaluar la eficacia de los perfiles de ácidos fenólicos y grasos para la clasificación de las variedades de Olea europaea.
• Comparar el rendimiento de varios algoritmos de aprendizaje automático en la identificación de variedades de olivo.
• Identificar los compuestos químicos clave que sirven como marcadores fiables para la clasificación de las aceitunas.

Principales métodos:

• Análisis de los perfiles de ácidos fenólicos y grasos de cuatro variedades de olivos italianos (Arbequina, Arbosana, Frantene y Koroneiki) en diferentes etapas de maduración.
• Aplicación de algoritmos de aprendizaje automático: Análisis discriminante lineal (LDA), vecinos más cercanos K (KNN), Bayes ingenuo (NB), bosque aleatorio (RF) y máquina vectorial de soporte (SVM).
• Evaluación comparativa de la exactitud de la clasificación basada en los datos relativos a los ácidos grasos y a los fenólicos.

Principales resultados:

• El perfil fenólico superó significativamente el perfil de ácidos grasos en la clasificación de cultivares en todos los modelos de aprendizaje automático.
• El bosque aleatorio (RF) y la máquina vectorial de soporte (SVM) lograron una precisión del 98% utilizando datos fenólicos.
• Naive Bayes (NB) fue el mejor modelo para los datos de ácidos grasos, logrando solo un 65% de precisión.
• Se identificaron compuestos fenólicos menores, incluidos el ácido clorogénico, el ácido ferúlico y la apigenina, como marcadores críticos de clasificación.

Conclusiones:

• Los algoritmos de aprendizaje automático combinados con el perfil fenólico ofrecen un método altamente preciso para la identificación de cultivares de olivo.
• Este enfoque puede mejorar significativamente la trazabilidad y el control de calidad en el sector de la aceituna.
• El estudio pone de relieve el potencial de compuestos fenólicos específicos menores como identificadores clave para las variedades de Olea europaea.