Uno studio che analizza vari tagli di pollo (petto, coscia e coscia) in termini di dieci biocomposti: nicotinamide, anserina, carnosina, malondialdeide e ammine biogene (putrescina, cadaverina, istamina, tiramina, spermidina e spermina).
L’analisi è condotta su tagli di carne di pollo refrigerati utilizzando tre diverse soluzioni di confezionamento: confezionamento in atmosfera modificata (MAP), confezionamento sottovuoto skin (SKIN) e film plastico permeabile all’O2 (STRETCH).
I risultati mostrano che la nicotinamide è il composto più discriminante seguito per tagli e tempo. Sorprendentemente, la sua concentrazione diminuisce nel tempo, senza essere influenzata da nessuna delle soluzioni di imballaggio.
Il contributo collettivo di tutti i biocomposti esaminati è evidenziato attraverso l’analisi statistica multivariata, utilizzando l’analisi discriminante dei minimi quadrati parziali (PLS-DA) e l’algoritmo della Support Vector Machine (SVM).
Entrambi i modelli di machine learning dimostrano un’elevata precisione di classificazione: per taglio, tempo di conservazione e imballaggio, PLS-DA fornisce tassi di precisione di classificazione rispettivamente dell’87%, 85% e 70%. SVM raggiunge tassi di precisione ancora più elevati, pari rispettivamente al 97%, 99% e 94% per taglio, tempo di stoccaggio e imballaggio.
Questi risultati sottolineano l’importanza di considerare l’influenza combinata di tutti i biocomposti esaminati in questo studio per una classificazione più precisa dei tagli e del confezionamento della carne di pollo.
Inoltre, i risultati evidenziano l’efficacia dell’SVM come approccio multivariato discriminante nella classificazione degli alimenti.
DOI: 10.1016/j.fbio.2024.103577
Un approccio di apprendimento automatico per scoprire la nicotinamide e altri antiossidanti come nuovi marcatori per la valutazione della qualità della carne di pollo
A machine learning approach to uncover nicotinamide and other antioxidants as novel markers for chicken meat quality assessment. Food Bioscience, disponibile online da 11 gennaio 2024
L. Esposito, M. Mascini, F. Silveri, A. Pepe, D. Mastrocola, M. Martuscelli
