Sensori molecolari per la tracciabilità e la qualità

I problemi di salute legati all’alimentazione come allergie alimentari, obesità, diabete e malattie cardiovascolari sono cresciuti in proporzioni epidemiche. Inoltre stanno causando un pesante tributo alla nostra società e ai nostri sistemi sanitari. Per questa ragione, la Commissione Europea ha lanciato una sfida alle aziende ICT,  l’Horizon Prize, per lo sviluppo di una soluzione mobile economica e non invasiva che consentisse agli utenti di misurare e analizzare gli alimenti in presa diretta (https://ec.europa.eu/info/research-and-innovation/funding/funding-opportunities/prizes/horizon-prizes/food-scanner_en). Posta in palio: 1 Milione €! Tre aziende hanno condiviso questo premio.

Ci siamo chiesti perché non provare ad utilizzare queste nuove tecnologie nell’ambito della R&S di Nurideas? e integrarle nella tracciabilità e nel controllo qualità che stavamo sviluppando per le micro aziende del settore agroalimentare?

Nel 2017 abbiamo presentato un progetto di ricerca e sviluppo in risposta al bando “Filiera Biomed” di Sardegna Ricerche (POR FESR 2014-2020) per provare a rispondere a questa domanda.

Il progetto SANUM aveva come obiettivo lo studio di nuove funzionalità – attinenti alla tracciabilità alimentare e alla nutrizione personalizzata – da integrare nell’ecosistema di prodotti e servizi sviluppati da Nurideas. E cosi aumentare il livello di innovazione della nostra pipeline aziendale.

Il progetto prevedeva un percorso di validazione scientifica dei sensori articolato in quattro fasi:

1. raccolta di un adeguato numero di campioni alimentari da aziende del comparto lattiero-caseario;
2. analisi dei campioni presso i laboratori di spettrometria NMR e GC-MS dell’Università di Cagliari;
3. analisi dei medesimi campioni tramite due sensori molecolari attualmente disponibili in commercio;
4. validazione dei risultati ottenuti.

Abbiamo testato 2 dei 3 sensori risultati vincitori, nel 2016, del premio europeo Horizon Price Food scanner. L’obiettivo del progetto era duplice: da un lato analizzare il livello di sensibilità dei sensori e validare il loro funzionamento. Dall’altro capire se potevano essere utilizzati dalle micro e piccole realtà imprenditoriali agroalimentari.

I sensori utilizzati nel progetto sono: SCiO (www.consumerphysics.com)  e Tellspec (www.tellspec.com).
I sensori comunicano con lo smartphone dell’utente attraverso la connessione Bluetooth.

Entrambi i sensori utilizzano la tecnologia NIR (Near-Infrared Spectroscopy – Spettroscopia a InfraRosso Vicino) ma operano in range differenti di lunghezze d’onda (Scio: 750-1040 nm; Tellspec: 900-1700 nm).

Da un punto di vista tecnico, i sensori sono costituiti da una fonte luminosa che irradia il campione di cibo e da un sensore ottico (spettrometro) che fa convergere i raggi di luce riflessa dal campione restituendo come analisi finale uno spettro che viene utilizzato per l’analisi del campione.

Nel progetto SANUM abbiamo coinvolto 3 aziende casearie e un’azienda multifunzionale agrituristica dislocate in diverse parti del territorio. Nel periodo compreso tra dicembre 2017 e luglio 2018 abbiamo analizzato vari tipi di latte (caprino, ovino e misto ovi-caprino) e di formaggi.
In tutto, abbiamo analizzato 367 campioni che corrispondono a 16 prodotti diversi, e ottenuto in totale 2319 spetri. Gli spettri possono essere considerati come le impronte digitali di ogni prodotto.

Per gestire tutti questi dati, visualizzare e tracciare i nostri esperimenti abbiamo creato prima una base dati (ScanDB). E dopo NurScan, un software con interfaccia web per visualizzare facilmente i dati.

Le analisi che abbiamo fatto sui campioni raccolti sono di tipo “data-mining”. Per questo abbiamo utilizzato gli strumenti offerti dall’applicazione “TheLab” presente sul sito di Consumer Physics (azienda sviluppatrice del sensore SCiO).

TheLab permette di effettuare analisi PCA (Analisi delle componenti principali) sugli spettri analizzati e visualizzare i risultati in forma grafica.

La figura mostra ad esempio una PCA realizzata su un gruppo di 4 formaggi differenti, identificabili visivamente.

Nella PCA cerchiamo i “cluster” o nuvole di dati che hanno le stesse proprietà. Questo tipo di analisi è stata fatta per tutti i campioni.  Ci ha consentito di filtrare tutti gli spettri anomali (outliers), e procedere a ripulire i dati per la successiva creazione dei modelli.

Un modello di data-mining viene creato applicando un algoritmo ai dati: è un insieme di dati, statistiche e schemi che possono essere applicati a nuovi dati per generare previsioni e inferenze sulle relazioni. Il numero di campioni e i dati raccolti ci hanno solo permesso di creare qualche modello di classificazione per testare la validità dell’approccio. Utilizzando il tool di generazione di modelli presente in “TheLab” abbiamo creato un modello di classificazione utilizzando gli stessi 4 formaggi mostrati nella PCA. Nella figura vediamo le prestazioni attese dal modello di classificazione (la cosiddetta “matrice di confusione”).

Tuttavia per sviluppare un modello più preciso, sarà necessario analizzare un numero maggiore di campioni per ogni tipo di formaggio.