相关实验视频
Updated: Jun 11, 2025
08:43
Metagenomic Analysis of Silage
Published on: January 13, 2017
18.2K
开发和评估统计和人工智能方法,使用微生物枪甲基因组学数据作为用于食品生产的非定向查工具
Kristen L Beck1, Niina Haiminen2, Akshay Agarwal1
1IBM Almaden Research Center, San Jose, California, USA.
mSystems
|October 10, 2024
概括
人工智能 (AI) 可以检测液体牛奶微生物组中的异常,识别潜在的食品欺诈或安全问题. 可解释的人工智能成功地区分了异常样本,并预测了牛奶加工阶段,显示了食品安全的前景.
科学领域:
- 食品系统中的微生物生态学
- 机器学习用于异常检测检测.
- 食品安全和质量控制
背景情况:
- 微生物组分析对于食品质量和安全至关重要.
- 机器学习 (ML) 算法对异常检测非常有效.
- 将ML应用于食品微生物群数据提供了一种有价值的方法来识别偏差.
研究的目的:
- 评估使用射门测序数据与ML用于在液体牛奶中检测异常的可行性.
- 评估用于识别异常牛奶样本的传统方法和可解释AI (XAI).
- 通过公开数据验证XAI根据来源,加工和储存区分牛奶的能力.
主要方法:
- 液体牛奶样本的纵向元基因组分析.
- 应用对比的主要组件分析 (PCA),基于集群的方法和可解释的AI (XAI).
- 分析公开可用的16S rDNA测序数据集用于牛奶分化.
主要成果:
- 传统方法 (例如,多样性分析,PCA) 无法区分异常样本.
- 可以解释的AI成功地将异常与基线牛奶样本分类.
- XAI确定了与抗生素使用相关的微生物驱动因素,并根据来源,加工和季节区分了牛奶.
结论:
- 可解释的人工智能是一种可行且有效的工具,用于检测食品微生物群数据中的异常.
- XAI可以识别异常的微生物驱动因素,帮助食品安全调查.
- 人工智能驱动的微生物组分析对自动化食品安全和质量控制具有重大前景.
