Forskere fra Institut for Fødevarevidenskab på Københavns Universitet har fundet ud af, hvordan man ved at bruge deep learning hurtigere kan tolke analyser, der foretages ved hjælp af gaskromatografi. Da denne type analyser benyttes mange steder i samfundet, har den nye metode stor betydning for kvalitet, effektivitet og omkostninger, når forskellige data – fra blodprøver, over test af olieforurening, til fermentering af ost – skal undersøges.
Gaskromatografi er en analysemetode, som de fleste på et eller andet tidspunkt stifter bekendtskab med uden nødvendigvis at vide det. Ved hjælp af gaskromatografi kan man fx afsløre fødevaresvindel, finde ud af hvor et bestemt parti kokain er fremstillet, eller overvåge en fermentering af ost.
– Den nye tolkningsmetode af gaskromatografiske analyser kan gøre denne type analyser tilgængelige for langt flere, hvilket betyder, at man vil kunne træffe bedre og billigere beslutninger på en række områder i samfundet, siger professor ved Institut for Fødevarevidenskab på Københavns Universitet (KU FOOD), Rasmus Bro, som er en af forskerne bag den nye tolkningsmetode.
Metoden kan også bruges til måling af smag og duft indenfor gastronomien og til at undersøge blodprøver på hospitalet.
– Gaskromatografi er en af de mest anvendte analysemetoder overhovedet, og der er tale om en kemisk profilering, som kan afsløre tusindvis af ting. Analysen er helhedsorienteret og viser næsten alle de kemiske komponenter i en prøve, der består af biologisk materiale, i et særligt mønster, som så kan tolkes i forhold til de specifikke ting, man gerne vil undersøge. Man kan sige, at man tager et kemisk ”fingeraftryk” af materialet, siger Rasmus Bro.
Gaskromatografi er generelt vigtig, når man taler om sikkerhed og forbedring af kvaliteten af den globale fødevareproduktion. Og overvågning ved hjælp af målinger og kunstig intelligens i fødevareindustrien er et af emnerne på en ny stor fødevarekonference i København senere på måneden, Food Day 2019, under overskriften ”The role of online monitoring and artificial intelligence in sustainable food production”.
Brug af gaskromatografiske analyser i fødevareindustrien
Det er ret dyrt at tolke analyserne, da det kræver højt specialiseret arbejdskraft.
– Der ligger et stort manuelt arbejde bag tolkningen af mange gaskromatografiske analyser, og i nogle tilfælde går der flere uger, fra man har lavet målingerne, til man står med resultaterne. Med denne forskning viser vi, at noget af det, der tager allermest tid, kan man få en computer til at gøre automatisk, siger ph.d.-studerende Anne Bech Risum, som også er en af forskerne bag den nye tolkningsmetode.
Computeren kan træffe en lang række af beslutninger, som normalt kræver en kemiker.
– Tolkningen er et meget omfattende arbejde, fordi man så at sige arbejder sig gennem data bid for bid. En computer kan gøre dette langt mere effektivt og reproducerbart, uddyber Anne Bech Risum.
Gaskromatografi ved hjælp af massespektrometri (GC-MS) bruges meget i fødevareindustrien. For eksempel vil alle store virksomheder, der arbejder med fermentering, bruge denne analysemetode til at måle på, hvordan mikroorganismerne i en fermentering udvikler sig og påvirker det endelige produkt.
– Hvis man fx producerer en ost, udvikler smagen og duften (aromaen) sig forskelligt afhængigt af, hvilken mikrobiologisk kultur, man tilsætter, og hvordan man behandler osten under produktionen. Gaskromatografi kan bruges til at måle de kemiske stoffer, der tilsammen danner aromaprofilen af osten. Så hvis man fx ønsker en mere frugtig eller nøddeagtig aroma, kan man prøve at ændre produktionen og derefter måle på, om man får dannet mere af de kemiske stoffer, der ligger bag den ønskede smagsprofil, siger Anne Bech Risum.
Den nye tolkningsmetode kan være med til også at give mindre fødevarevirksomheder adgang til meget avancerede analytiske metoder, der kan hjælpe virksomhederne med produktoptimering, kvalitetssikring og råvareidentifikation.
Resultatet af forskningen er en del af det løbende arbejde, som KU-FOOD-sektionen, Kemometri og analytisk teknologi, udfører i forhold til at automatisere GC-MS-analyser, og forskningen er finansieret af FOSS og Arla.
