Несмотря на строгие системы контроля, пищевые инфекции и химические загрязнители по-прежнему остаются серьёзной проблемой. Помимо бактерий и вирусов, всё больше внимания уделяется стойким химическим соединениям, таким как PFAS («вечные химикаты»), а также остаткам пестицидов, тяжёлым металлам и микотоксинам.
Современная аналитика обнаруживает сотни загрязнителей одновременно
Основой лабораторного контроля остаются методы газовой и жидкостной хроматографии в сочетании с масс-спектрометрией (GC–MS и LC–MS). Они позволяют выявлять следовые количества различных веществ даже в очень сложных пищевых образцах.
Например, исследователи Национального университета Кёнсан (Южная Корея) разработали методику, способную одновременно обнаруживать более 200 видов пестицидов в овощах.
В отличие от традиционных методов, рассчитанных на поиск заранее известных веществ, современные высокоразрешающие масс-спектрометры класса Orbitrap позволяют анализировать практически весь химический состав образца. Это особенно важно для выявления новых загрязнителей, число которых постоянно растёт.
Дополнительные возможности открывает масс-спектрометрическая визуализация (MSI), уже применяемая для обнаружения запрещённых добавок в кофе и токсинов в зерновых культурах.
Спектроскопия становится быстрее и мобильнее
Широкое распространение получают спектроскопические методы анализа, позволяющие исследовать продукты без их разрушения.
Особенно перспективной считается поверхностно-усиленная рамановская спектроскопия (SERS). Новая технология WL-SERS значительно повысила чувствительность метода и позволяет выявлять такие опасные загрязнители, как меламин в молоке, в чрезвычайно низких концентрациях.
Одновременно совершенствуются портативные приборы. Современные ближние инфракрасные спектрометры способны проводить экспресс-анализ качества продуктов непосредственно на производстве, в магазинах или во время транспортировки.
Биосенсоры позволяют следить за свежестью продуктов в реальном времени
Для массового применения всё большую роль играют компактные биосенсоры.
Исследователи уже разработали:
- флуоресцентный инфракрасный датчик, определяющий степень свежести лосося;
- сенсоры на основе наноцеллюлозы, оценивающие свежесть продуктов по изменению кислотности (pH);
- другие недорогие системы, обеспечивающие практически мгновенную визуальную индикацию начала порчи.
Такие технологии значительно проще традиционного лабораторного анализа и потенциально могут использоваться на всех этапах цепочки поставок.
Искусственный интеллект переходит от диагностики к профилактике
Одним из наиболее перспективных направлений становится применение искусственного интеллекта.
По словам специалистов, ИИ способен:
- анализировать огромные массивы данных лабораторных исследований;
- выделять образцы с повышенной вероятностью загрязнения;
- прогнозировать развитие микробного заражения;
- автоматизировать интерпретацию сложных спектров и хроматограмм.
Особенно эффективными оказываются модели глубокого обучения, которые лучше классических алгоритмов машинного обучения справляются с обработкой многомерных аналитических данных.
ИИ уже применяется для:
- поиска источников вспышек листериоза;
- диагностики болезней сельскохозяйственных культур;
- выявления заболеваний рыб;
- обнаружения канцерогенных микотоксинов в сыром молоке.
В одном из исследований алгоритмы машинного обучения достигли точности более 80% при выявлении загрязнённых образцов молока ещё до проведения сложного лабораторного анализа.
Компьютерное зрение ускоряет микробиологические исследования
Отдельное направление связано с использованием компьютерного зрения.
Обычно обнаружение бактерий методом выращивания культур занимает несколько суток. Однако исследователи из Университета штата Мичиган разработали систему искусственного интеллекта, которая способна обнаруживать микроколонии Escherichia coli уже через три часа после начала анализа.
Ещё один пример — разработка Университета штата Орегон. Учёные создали систему на базе смартфона, которая по фотографии определяет степень зрелости и качество авокадо. В будущем подобные инструменты смогут использоваться не только производителями и торговыми сетями, но и обычными покупателями.
Главная проблема — данные
Несмотря на впечатляющие успехи, специалисты считают, что основное препятствие для массового внедрения ИИ связано не с алгоритмами, а с качеством данных.
Сегодня информация о безопасности продуктов часто хранится в различных форматах и разрозненных информационных системах, что затрудняет обучение моделей.
По мнению исследователей, необходимы единые стандарты сбора и обмена данными между производителями, лабораториями и научными организациями. Только в этом случае искусственный интеллект сможет стать полноценным инструментом профилактического контроля, позволяющим выявлять потенциальные риски ещё до появления опасной продукции на рынке.
Источник: https://www.technologynetworks.com/tn/articles/the-new-technologies-that-could-make-our-food-safer-4...Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
