В Корее представили ИИ-систему, которая анализирует и прогнозирует стадий ферментации кимчи по составу микробиома
- KOREA HERALD
- 2 часа назад
- 5 мин. чтения
Корреспондент Юк Сон Ён
Система анализа и классификации стадий ферментации кимчи на основе ИИ [Предоставлено Всемирным институтом кимчи]
Всемирный институт кимчи, государственный исследовательский институт при Министерстве науки и ИКТ Южной Кореи, 2 февраля сообщил о разработке технологии, позволяющей прогнозировать стадии ферментации кимчи с помощью искусственного интеллекта (ИИ).
Ферментация кимчи — это процесс, при котором вкус и аромат формируются в результате сложных изменений в составе кислот, сахаров и аминокислот под воздействием молочнокислых бактерий. Однако в реальных условиях производства такие факторы, как характеристики сырья, температура ферментации и состав микроорганизмов, каждый раз варьируются, что приводит к необходимости полагаться на опыт и чувства для определения степени ферментации. Даже когда внешний вид не показывает значительных различий, легко пропустить оптимальный момент созревания в критической фазе, когда вкус резко меняется после определенного времени.
Исследовательская группа доктора Вон Тэ Вуна из Всемирного института кимчи в сотрудничестве с профессором Хон Ён Сиком из Национального университета Чоннам создала модель контролируемой ферментации на основе «безмикробного кимчи», исключающую влияние внешних микроорганизмов. Группа проводила ферментацию безмикробного кимчи, инокулированного либо смесью 10 штаммов молочнокислых бактерий в равных пропорциях, либо одним штаммом, при температуре 6 °C, 10 °C и 15 °C. Они систематически сравнивали и анализировали характеристики ферментации в зависимости от температуры и типа молочнокислых бактерий.
Исследование подтвердило, что существуют определенные комбинации компонентов, которые четко различают стадии ферментации, даже в интервалах, которые трудно различить с помощью только человеческих чувств. Команда использовала искусственный интеллект, чтобы выбрать девять ключевых компонентов, необходимых для прогнозирования стадий ферментации. На основе этого они разработали модель для прогнозирования стадий ферментации.
Девять выбранных компонентов — это кислоты (молочная кислота, янтарная кислота), сахара (сахароза, фруктоза, глюкоза), аминокислоты (глицин, глутаминовая кислота, треонин) и другие компоненты (холин). Эти вещества тесно связаны с формированием кислотности, сладости и пикантного вкуса кимчи. Примечательно, что «молочная кислота, сахароза и фруктоза» оказались ключевыми показателями, наиболее значимо влияющими на различение этапов ферментации.
Прогнозная модель также продемонстрировала практическую применимость в реальных условиях производства. Это считается технологическим прорывом, позволяющим оценивать ферментацию кимчи по объективным количественным показателям, а не по субъективным ощущениям человека.
Кроме того, анализ сети взаимосвязей между молочнокислыми бактериями и компонентами позволил выявить Leuconostoc mesenteroides и Lactococcus lactis как ключевые молочнокислые бактерии, вызывающие изменения в компонентах ферментации. Ожидается, что результаты этих исследований будут способствовать минимизации колебаний качества в производственных условиях.
Рис. 1. Обзор структуры исследования.
Консорциумное кимчи было приготовлено путем одновременного инокулирования безмикробного (GF) кимчи равными количествами 10 штаммов LAB и ферментировано при 6 °C, 10 °C и 15 °C (n = 7 в каждой группе, за исключением 10 °C на 16-й день, где n = 6). Моноассоциированное кимчи было получено путем индивидуальной инокуляции каждого из 10 штаммов LAB в GF-кимчи и ферментировано при 10 °C (n = 5 в каждой группе). Были определены профили метаболитов обоих типов гнотобиотического кимчи, а анализ с помощью машинного обучения был применен исключительно к консорциумному кимчи. CLBa, Companilactobacillus allii WiKim39; LCCl, Lactococcus lactis WiKim0124; LLBs, Latilactobacillus sakei CBA3608; LLBss, Latilactobacillus sakei subsp. sakei CBA3614; LCNl, Leuconostoc lactis CBA3622; LCNm32, Leuconostoc mesenteroides WiKim32; LCNm33, Leuconostoc mesenteroides WiKim33; LCNm0121, Leuconostoc mesenteroides WiKim0121; LCNmm, Leuconostoc mesenteroides subsp. mesenteroides CBA3607; WSLc, Weissella cibaria CBA3612
Рис. 2. Валидация моделей безмикробного и гнотобиотического кимчи и их температурно-зависимая микробиологическая и физико-химическая динамика.
(A, B) Изображения сред MRS, R2A и LA, инокулированных супом кимчи на 0-й день производства кимчи (n = 7 в каждой группе, за исключением 10 °C на 16-й день, где n = 6). (A) Бесмикробное (GF) и консорциумное (CA) кимчи и (B) GF и моноассоциированное кимчи (MA). (C) Колониеобразующие единицы (КОЕ) и (D) pH измерялись в образцах кимчи, отобранных в продольном направлении через 0, 2, 4, 8, 16, 35 и 50 дней после производства. (E) Гистограммы, представляющие бактериальные сообщества в консорциумном кимчи, ферментированном при 6 °C, 10 °C и 15 °C.
Рис. 3. Фазоспецифическая кластеризация профилей микроорганизмов и метаболитов при ферментации гнотобиотического кимчи.
(A) Схематический обзор метода обработки данных. (B, C) Анализ главных компонент (PCA) профилей микробиологического сообщества (B) и метаболитов (C) на каждой фазе ферментации. (D) Кластеризация Mfuzz 38 метаболитов в соответствии с их сходством в фазоспецифических изменениях во время ферментации. (E) Анализ обогащения путей Киотской энциклопедии генов и геномов (KEGG) каждого кластера метаболитов, показывающий типичные функциональные пути, связанные с наблюдаемыми временными паттернами.
Рис. 4. Модель классификации на основе машинного обучения с использованием сигнатуры из 9 метаболитов для прогнозирования фазы ферментации.
(A) Схема моделирования. Отбор признаков осуществлялся с помощью регрессии LASSO (Least Absolute Shrinkage and Selection Operator), после чего проводилось обучение модели с помощью алгоритма Random Forest. Полученная модель классификации из девяти метаболитов оценивалась с помощью внутреннего тестового набора и независимого внешнего набора данных. (B) Рейтинг важности переменных метаболитов, выбранных с помощью LASSO, на основе классификации Random Forest. Среднее снижение точности указывает на вклад каждого метаболита в классификацию, причем более высокие значения отражают большую важность. (C) Влияние количества метаболитов с наивысшим рейтингом на эффективность классификации. Многоклассовые AUC были рассчитаны путем последовательного добавления метаболитов в порядке важности Random Forest. (D, E) Кривые рабочих характеристик приемника (ROC) для классификации фаз ферментации с использованием модели RF с девятью метаболитами во внутреннем тестовом наборе (D, слева) и внешнем наборе для валидации (E, слева), с соответствующими матрицами ошибок классификации, показанными справа. Площади под кривыми ROC (AUC) указаны в каждом графике для ранней, средней и поздней фаз.
Рис. 5. Фазоспецифический регрессионный анализ Random Forest, интегрирующий относительную численность микроорганизмов, количество LAB и pH в качестве предикторов.
(A–C) Гистограммы (слева) показывают три основных метаболита в каждой фазе ферментации, ранжированные по коэффициенту детерминации (R2) из моделей RF. Сетевые диаграммы (справа) изображают корреляции Спирмена между этими метаболитами и видами LAB, причем ширина края пропорциональна абсолютному коэффициенту корреляции, а цвет края указывает на знак корреляции (красный = положительный, синий = отрицательный). (D) Временная динамика трех основных метаболитов каждой фазы, а также количество LAB и pH показаны в виде Z-оценок по нормализованному времени фазы (0–1). Сплошные (или пунктирные) линии обозначают средние Z-оценки для каждой переменной, а заштрихованные области представляют среднее ± стандартную ошибку (SE) по биологическим повторениям. (Для интерпретации ссылок на цвета в легенде к этому рисунку читателю рекомендуется обратиться к веб-версии этой статьи).
Рис. 6. Зависимые от штамма метаболические конечные точки в моноассоциированном кимчи.
(A) Дискриминантный анализ методом частичных наименьших квадратов (PLS-DA) профилей метаболитов поздней фазы моноассоциированных групп кимчи (n = 5 в каждой группе). (B) Тепловая карта средних Z-оценок групп для метаболитов со значительными различиями между группами (тест Крускала-Уоллиса с FDR < 0,05). (C) Рейтинг значимых метаболитов по величине эффекта (ε2), определенной с помощью тестов Крускала-Уоллиса для количественной оценки величины межгрупповых различий. (D) Групповые бокс-плоты Z-показателей для шести основных метаболитов, ранжированных по ε2 (диметиламин, фруктоза, глюкоза, глицин, маннит и TMAO), показывающие отклонения от среднего значения когорты, специфичные для штамма. (E) Иерархическая кластеризация групп на основе значимых метаболитов. CLBa, Companilactobacillus allii WiKim39; LCCl, Lactococcus lactis WiKim0124; LLBs, Latilactobacillus sakei CBA3608; LLBss, Latilactobacillus sakei subsp. sakei CBA3614; LCNl, Leuconostoc lactis CBA3622; LCNm32, Leuconostoc mesenteroides WiKim32; LCNm33, Leuconostoc mesenteroides WiKim33; LCNm0121, Leuconostoc mesenteroides WiKim0121; LCNmm, Leuconostoc mesenteroides subsp. mesenteroides CBA3607; WSLc, Weissella cibaria CBA3612.
«Данное достижение представляет собой важный поворотный момент, выводящий ферментацию кимчи из сферы опыта и чувства в область измерения и прогнозирования с помощью искусственного интеллекта» - сказал доктор Вон Тэ Вун, руководивший исследованием.
Результаты исследования опубликованы в Food Chemistry (импакт-фактор 9,8), международном научном журнале в области пищевой науки и технологии.
Комментарии