Inteligencia Artificial para la identificación de riesgos microbiológicos en plantas de producción de alimentos

Juan Pablo LázaroPor Juan Pablo Lázaro 2 semanas publicado
Home  /  Tecnoalimentalia  /  Tecnología  /  Inteligencia Artificial para la identificación de riesgos microbiológicos en plantas de producción de alimentos

La microbiología predictiva, aquella orientada a anticipar potenciales riesgos microbiológicos en plantas de producción de alimentos, encuentra hoy en la inteligencia artificial un aliado. AINIA ha puesto en marcha una línea de I+D propia orientada al desarrollo de herramientas que combinen el conocimiento de los factores que promueven la presencia y crecimiento de determinados microorganismos, con tecnologías avanzadas de computación que permitan identificar la aparición de riesgos microbiológicos tanto en productos, como en el propio contexto de fabricación de alimentos.

Por las características de su producto, la industria alimentaria está continuamente sujeta a la necesidad de monitorizar cómo se comportan los alimentos desde su fabricación hasta su liberación y vida útil, desde el punto de vista de la seguridad para sus consumidores, y desde el punto de vista organoléptico.

Determinados alimentos, aquellos poco perecederos, en especial aquellos cuya venta se realiza con un nulo o un mínimo procesado del producto de origen (verduras frescas, carnes, quesos crudos, pescados frescos…), poseen unas condiciones favorables a la presencia y crecimiento de poblaciones de microorganismos potenciadas por factores externos como prácticas en el tratamiento de dichos productos frente a posibles contaminaciones, a factores como la temperatura de almacenamiento, que en definitiva pueden acabar generando problemas de salud pública en caso de llegar al consumo humano.

En los últimos años, hemos presenciado como se han extendido en las empresas agroalimentarias los procesos sistemáticos y preventivos dirigidos a garantizar la inocuidad alimentaria, cuyo máximo exponente es el análisis de peligros y puntos críticos de control (APPCC). El objetivo de este tipo de prácticas es analizar pormenorizadamente todos los procesos de manipulación y transformación de los alimentos que puedan ser susceptibles de introducir contaminaciones físicas, químicas y/o biológicas, y de generar medidas de monitorización continua y control para su corrección.

Sin embargo, y a pesar de la madurez en la implantación y ejecución de este tipo de prácticas, siguen ocurriendo casos en sistemas alimentarios de países avanzados que saltan a la opinión pública (Europa, Estados Unidos…) relacionados con aparición de microorganismos, incoherencias en el etiquetado de un determinado producto debido a manipulaciones intencionadas o no intencionadas de su composición, fraude…

Por otro lado, y también en los últimos años, estamos atendiendo a un proceso imparable conocido como Industria 4.0 cuyo principal impacto en la industria alimentaria es la puesta a disposición de los expertos y técnicos en las empresas agroalimentarias de la capacidad de analizar y procesar datos e información con dos finalidades principales: análisis descriptivo, es decir, ayudando a describir la realidad que expresan dichos datos, y análisis predictivo, es decir, utilizando grandes volumen de información y datos históricos para crear modelos que puedan ayudarnos a interpretar el futuro inmediato.

Inteligencia artificial para la predicción de Listeria, Salmonella y Campylobacter

Es precisamente en la confluencia de ambas disciplinas, microbiología e inteligencia artificial, donde AINIA ha identificado una línea de I+D propia. Esta línea de I+D propia de AINIA va orientada al desarrollo de herramientas que combinen el conocimiento de los factores que promueven la presencia y crecimiento de determinados microorganismos, con tecnologías avanzadas de computación que permitan identificar la aparición de riesgos microbiológicos tanto en productos, como en el propio contexto de fabricación de alimentos.

Para ello, se han seleccionado entre otros tres microorganismos que, por su prevalencia, importancia actual y futura para las empresas y motivos de control y regulación, son claves en el momento actual: Listeria, Salmonella y Campylobacter. Aunque en el trabajo de campo también se analizarán otros microorganismos con incidencia menor.

Existen en la actualidad modelos y herramientas informáticas que permiten realizar predicciones sobre el crecimiento, inhibición o inactivación de poblaciones de microorganismos en determinadas matrices alimentarias, atendiendo a diferentes  parámetros intrínsecos. Es decir, características del producto, como son su pH, grado de humedad, tipo y concentración de conservantes y parámetros extrínsecos como son la temperatura y atmosfera de conservación del producto.

Los llamados modelos primarios, son aquellos en los que se estudia cómo se comportan los microorganismos en el tiempo. Los modelos secundarios son aquellos que modelan como se comportan los microorganismos en función de los parámetros intrínsecos y extrinsecos. Por último, los modelos terciarios son aquellos que permiten combinar los modelos primarios y secundarios, es decir, que podemos simular como se va a comportar en el futuro una determinada colonia de un microorganismo en una matriz ante condiciones de entorno cambiantes en el tiempo.

Existen algunos ejemplos de modelos y software de referencia que han sido obtenidos mediante la obtención de curvas de crecimiento o inactivación en medios de cultivo sintéticos, sin tener en cuenta otros factores de crecimiento presentes en los alimentos, como son los niveles de grasa y otras sustancias que pueden apantallar el efecto de ciertos conservantes.

Por tanto, estos modelos funcionan aceptablemente bien en condiciones de laboratorio y para identificar a “grandes rasgos” cuales son los parámetros que mayor influencia tendrán sobre el comportamiento microbiano. Sin embargo, la realidad del entorno de fabricación y manipulación del alimento no está tan bien controlado y son muchos los factores que pueden influir en la presencia y crecimiento de microorganismos: prácticas de limpieza de los trabajadores, calidad de la materia prima que llega del proveedor, funcionamiento adecuado de los procesos de esterilización (si es que el producto los admite), temperaturas y humedad ambiental, morfología del alimento…

Todo ello hace muy complejo poder hacer la transición “from lab to fab” de este tipo de modelos y que realmente sean capaces de funcionar de manera efectiva en el marco de un proceso productivo o de una cadena de valor en la que el producto sufre diferentes eventos con mayor o menor protección.

Por ello, en el marco del desarrollo de esta línea de I+D de AINIA, que cuenta con apoyo del IVACE, estamos avanzando en el conocimiento y en el desarrollo de soluciones que puedan transferirse en un futuro a la industria y que hoy se encuentran en fase exploratoria.

Desarrollo de modelos de machine learning (caja negra) para modelar el comportamiento de los microorganismos en planta

Esta línea de desarrollo busca  analizar los procesos productivos y de manipulación del producto de la empresa e identificar cuáles son los factores clave que tienen un mayor impacto en la presencia y crecimiento de un determinado microorganismo.  Además, estamos identificando puntos críticos en los que la presencia del microorganismo debe monitorizarse de manera inequívoca.

Posteriormente iniciamos un proceso de toma de datos, en los que es imprescindible aprovechar la capacidad actual de las líneas de producción de capturar variables de proceso como temperaturas, tiempos, humedad…, así como el resto de los parámetros clave identificados. En algunos casos concretos se van a utilizar nuevos sensores adicionales siguiendo el paradigma IoT (Internet of Things) para que su incorporación sea rápida y el dato se transmita de manera segura y fiable.

Una vez recogido un conjunto de datos suficientemente representativos tantos de casos positivos (presencia de microorganismo) como de casos negativos (ausencia o presencia por debajo de unos índices aceptables según el producto y el mercado objetivo) se va a desarrollar un modelo propio, utilizando técnicas de Deep learning que sea capaz de representar todo el conocimiento implícito en los datos capturados.

El modelo será refinado y entrenado hasta alcanzar un nivel de exactitud aceptable para la casuística del producto tratado. Una vez generado este modelo, lo podremos utilizar en condiciones normales de producción para que ante una monitorización continua de los parámetros clave sea capaz de predecir la presencia o probabilidad de presencia del microorganismo que hayamos estudiado.

La calidad de la predicción se va a ver influida por 3 factores principales:

• Una buena selección de parámetros clave, realizada por expertos que conocen en profundidad las característica del microorganismo y cuyo control asegure que la aparición o crecimiento de un patógeno dependa de dichos parámetros;

• Una recogida de datos de calidad, con rigor y suficientemente representativos de los casos que se quieran predecir a posteriori;

• Y finalmente, la selección de la tecnología de machine learning más adecuada para lograr un ratio de fiabilidad lo mayor posible a través del entrenamiento de dichos modelos.

En última instancia, un experto con un buen conocimiento de la línea, siempre deberá validar la predicción realizada por el modelo, verificando que no se ha introducido cualquier condición no prevista en el entorno de producción y que pueda desvirtuar la predicción del modelo.

Las principales ventajas del uso de este tipo de herramientas tecnológicas son:

  • Reducción de costes por el ahorro en el número de análisis microbiológicos.
  • Mejoran la capacidad de los técnicos de las empresas para comprender como se comportan los microorganismos en sus matrices
  • A partir de este conocimiento, desarrollar e implantar técnicas de higienización que permitan minimizar el riesgo allí donde conocemos que pueden ser más efectivos.
  • Aseguramiento de la calidad y seguridad alimentaria de los productos y de la planta de producción.

 

Imprimir
Categoría:
  Tecnología
este artículo fue compartido 0 veces
 000