.
Você já mordeu uma noz ou um pedaço de chocolate, esperando um sabor suave e rico, apenas para encontrar um sabor inesperado e desagradável de giz ou azedo? Esse sabor é o ranço em ação e afeta praticamente todos os produtos da sua despensa. Agora a inteligência artificial pode ajudar os cientistas a resolver esta questão de forma mais precisa e eficiente.
Somos um grupo de químicos que estudam formas de prolongar a vida útil dos produtos alimentares, incluindo aqueles que ficam rançosos. Publicamos recentemente um estudo que descreve as vantagens das ferramentas de IA para ajudar a manter amostras de óleo e gordura frescas por mais tempo. Dado que os óleos e as gorduras são componentes comuns em muitos tipos de alimentos, incluindo batatas fritas, chocolate e frutos secos, os resultados do estudo poderão ser amplamente aplicados e até afectar outras áreas, incluindo a cosmética e a farmacêutica.
Ranço e antioxidantes
Os alimentos ficam rançosos quando ficam expostos ao ar por um tempo – um processo chamado oxidação. Na verdade, muitos ingredientes comuns, mas especialmente os lipídios, que são gorduras e óleos, reagem com o oxigênio. A presença de calor ou luz UV pode acelerar o processo.
A oxidação leva à formação de moléculas menores, como cetonas, aldeídos e ácidos graxos, que conferem aos alimentos rançosos uma classificação característica, cheiro forte e metálico. O consumo repetido de alimentos rançosos pode ameaçar sua saúde.
Felizmente, tanto a natureza como a indústria alimentar têm um excelente escudo contra o ranço – os antioxidantes.
Os antioxidantes incluem uma ampla gama de moléculas naturais, como a vitamina C, e moléculas sintéticas capazes de proteger os alimentos da oxidação.
Embora existam algumas maneiras pelas quais os antioxidantes funcionam, em geral eles podem neutralizar muitos dos processos que causam ranço e preservar os sabores e o valor nutricional dos alimentos por mais tempo. Na maioria das vezes, os clientes nem sabem que estão consumindo antioxidantes adicionados, já que os fabricantes de alimentos normalmente os adicionam em pequenas quantidades durante o preparo.
Mas você não pode simplesmente borrifar um pouco de vitamina C na comida e esperar ver um efeito conservante. Os pesquisadores precisam escolher cuidadosamente um conjunto específico de antioxidantes e calcular com precisão a quantidade de cada um.
A combinação de antioxidantes nem sempre fortalece o seu efeito. Na verdade, há casos em que usar antioxidantes errados, ou misturá-los em proporções erradas, pode diminuir o seu efeito protetor – isso é chamado de antagonismo. Descobrir quais combinações funcionam para quais tipos de alimentos requer muitos experimentos, que são demorados, exigem pessoal especializado e aumentam o custo geral dos alimentos.
Explorar todas as combinações possíveis exigiria uma enorme quantidade de tempo e recursos, por isso os investigadores ficam presos a algumas misturas que fornecem apenas algum nível de proteção contra o ranço. É aqui que a IA entra em jogo.
Um uso para IA
Você provavelmente já viu ferramentas de IA como o ChatGPT nas notícias ou já experimentou com elas você mesmo. Esses tipos de sistemas podem absorver grandes conjuntos de dados e identificar padrões e, em seguida, gerar uma saída que pode ser útil para o usuário.
Como químicos, queríamos ensinar uma ferramenta de IA a procurar novas combinações de antioxidantes. Para isso, selecionamos um tipo de IA capaz de trabalhar com representações textuais, que são códigos escritos que descrevem a estrutura química de cada antioxidante. Primeiro, alimentamos nossa IA com uma lista de cerca de um milhão de reações químicas e ensinamos ao programa alguns conceitos simples de química, como identificar características importantes das moléculas.
Depois que a máquina conseguiu reconhecer padrões químicos gerais, como a forma como certas moléculas reagem umas com as outras, nós a ajustamos ensinando-lhe um pouco de química mais avançada. Para esta etapa, nossa equipe utilizou um banco de dados de quase 1.100 misturas previamente descritas na literatura de pesquisa.
Neste ponto, a IA poderia prever o efeito da combinação de qualquer conjunto de dois ou três antioxidantes em menos de um segundo. Sua previsão alinhou-se com o efeito descrito na literatura em 90% das vezes.
Mas essas previsões não se alinhavam com os experimentos que nossa equipe realizou no laboratório. Na verdade, descobrimos que a nossa IA foi capaz de prever corretamente apenas alguns dos experimentos de oxidação que realizamos com banha real, o que mostra as complexidades da transferência de resultados de um computador para o laboratório.
Refinando e aprimorando
Felizmente, os modelos de IA não são ferramentas estáticas com caminhos predefinidos de sim e não. Eles aprendem de forma dinâmica, portanto nossa equipe de pesquisa pode continuar alimentando o modelo com novos dados até que ele aprimore suas capacidades preditivas e possa prever com precisão o efeito de cada combinação de antioxidantes. Quanto mais dados o modelo obtém, mais preciso ele se torna, da mesma forma que os humanos crescem por meio do aprendizado.
Descobrimos que adicionar cerca de 200 exemplos do laboratório permitiu à IA aprender química suficiente para prever os resultados dos experimentos realizados por nossa equipe, com apenas uma ligeira diferença entre o valor previsto e o valor real.
Um modelo como o nosso pode ajudar os cientistas a desenvolver melhores formas de preservar os alimentos, criando as melhores combinações de antioxidantes para os alimentos específicos com os quais estão trabalhando, como se tivessem um assistente muito inteligente.
O projeto está agora a explorar formas mais eficazes de treinar o modelo de IA e a procurar formas de melhorar ainda mais as suas capacidades preditivas.
.
