机器学习的应用,以优化生物标志物组合和指导有关肉类认证真实性的决定
Lucille Rey-Cadilhac1, Sophie Prache2
1Université Clermont Auvergne, INRAE, VetAgro Sup, UMR12133 Herbivores, 63122 St-Genès-Champanelle, France; PEGASE, INRAE, Institut Agro, 35590 Saint-Gilles, France.
Meat science
|May 21, 2025
概括
机器学习,包括决策树 (DTs) 和随机森林模型 (RFs),有效地验证羊肉生产系统. 关键的生物标志物,如周围脏脂肪和胡卜素含量,可以准确地区分牧场完成的羊羔和养的羊羔.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 计算生物学 计算生物学
背景情况:
- 肉类认证对于验证生产系统和确保产品质量至关重要.
- 机器学习方法为分析食品认证中复杂的生物数据提供了新的方法.
研究的目的:
- 评估决策树 (DTs) 和随机森林模型 (RFs) 的有效性,以根据生产系统验证羊肉的真实性.
- 确定关键的生物标志物,并优化肉类认证的分类策略.
主要方法:
- 应用DTs和RFs来分析19个变量,这些变量测量的是围脂肪 (PF),背部脂肪 (DF) 和长胸和腰部肌肉 (LTL).
- 实验涉及罗姆雄羊羔在牧场或摊位上完成,持续时间各不相同.
主要成果:
- DTs/RF在区分牧场完成的和舍养的羔羊尸体方面取得了高达95.7%的准确性.
- 鉴定出PF skatole和PF胡卜素颜料含量是主要的分类生物标志物.
- 使用DF光谱色度和LTL肌肉颜色的销售点模型实现了85.4%的准确性.
结论:
- DT和RF显示了肉类认证的巨大潜力,提供了强大的分类能力.
- 这项研究强调了特定脂肪和肌肉组织生物标志物的重要性,以确保准确的认证.
- 建议对更大的数据集进行进一步验证,以便在肉类认证中更广泛地应用DTs.


