Come può l’intelligenza artificiale distinguere il latte di mucca, capra e pecora?

Il latte è un alimento universale, ma a volte è difficile capire da quale animale provenga. Scienziati hanno unito due tecnologie potenti: la proteomica, che studia le proteine, e le reti neurali artificiali, un tipo di intelligenza artificiale. Hanno analizzato campioni di latte di mucca, capra e pecora usando la spettrometria MALDI‑TOF, una tecnica che crea un “impronta” di massa per ogni proteina. Da queste impronte hanno estratto migliaia di vettori a otto dimensioni, cioè piccoli pacchetti di dati che descrivono le caratteristiche più importanti. Con questi dati hanno addestrato una rete neurale, insegnandole a riconoscere le firme uniche di ogni specie. Il risultato? Un modello capace di identificare il latte con precisione molto alta, anche quando le differenze sono sottili. Questo approccio può aiutare a combattere le frodi alimentari, garantire la qualità dei prodotti lattiero‑caseari e proteggere i consumatori. Inoltre, la stessa metodologia potrebbe essere estesa ad altri alimenti, rendendo più sicuri gli scaffali dei supermercati. In pratica, la scienza sta trasformando il modo in cui verifichiamo l’autenticità del cibo, usando algoritmi intelligenti e analisi proteiche avanzate.

La spettrometria MALDI‑TOF (Matrix‑Assisted Laser Desorption/Ionization‑Time of Flight) genera spettri di massa in pochi secondi, ionizzando le proteine presenti nel latte senza distruggerle. Ogni picco nello spettro corrisponde a una massa specifica, tipica di una proteina o di un peptide. Per i tre tipi di latte sono state raccolte rispettivamente 648, 1 554 e 2 392 spettri, tradotti in 16 018, 38 394 e 55 055 vettori a otto dimensioni. Le otto dimensioni rappresentano le intensità normalizzate dei picchi più discriminanti, selezionati tramite analisi di varianza e metodi di feature selection. Il modello di rete neurale impiegato è una architettura feed‑forward a tre strati nascosti, con funzioni di attivazione ReLU e dropout al 20% per prevenire l’overfitting. Il dataset è stato suddiviso in 70% per l’addestramento, 15% per la validazione e 15% per il test, garantendo una distribuzione bilanciata delle classi. Durante la fase di training, l’algoritmo Adam ha ottimizzato la funzione di perdita cross‑entropy, raggiungendo una convergenza entro 50 epoche. La precisione sul set di test è stata del 98,7%, con una recall superiore al 97% per ciascuna specie. L’analisi di confusione ha mostrato pochi errori tra capra e pecora, dovuti a proteine condivise. Questo risultato dimostra che la combinazione di proteomica ad alta risoluzione e deep learning può superare i metodi tradizionali basati su marcatori singoli, offrendo una soluzione scalabile per l’autenticazione alimentare. Futuri sviluppi includono l’integrazione di dati metabolomici e l’uso di reti neurali convoluzionali per analizzare spettri grezzi, potenziando ulteriormente la robustezza del modello.