Ny AI-metod avslöjar mikrobiella ledtrådar för att säkra mjölksäkerhet och förebygga kontaminering

StockholmForskare från Penn State, Cornell University och IBM Research har utvecklat en ny metod för att förbättra mjölksäkerhet genom användning av artificiell intelligens. Genom att kombinera genetisk sekvensering av bakterier med AI-verktyg kan de nu identifiera problem i mjölkproduktionen, såsom kontaminering eller olagliga tillsatser. Denna metod syftar till att öka säkerheten inom mejeriindustrin och skulle även kunna ha inverkan på andra delar av livsmedelsindustrin.

Forskare använde data från shotgun-metagenomik och AI-algoritmer för att hitta skillnader mellan normala och möjligen kontaminerade mjölkprover. De analyserade 58 prover från mjölktankar och kunde framgångsrikt identifiera prover som hade behandlats med antibiotika. Studien var innovativ eftersom den använde AI för att bättre förstå de komplexa mikrobiella samhällena i mjölk och förbättrade detektering och noggrannhet mer än traditionella metoder.

Viktiga resultat från studien är:

• Att använda AI har avslöjat mikrobiella mönster kopplade till avvikelser mer effektivt än traditionella sekvenseringsmetoder.
• Metoden demonstrerade ett robust och brett tillvägagångssätt för att identifiera förfalskade mjölkprover.
• Genom att analysera mikrobiella interaktioner med AI kan man främja livsmedelssäkerheten i ett bredare perspektiv.

Läs också:

Igår · 18:30

AI på arbetsplatsen: känslor av rädsla, entusiasm och motstånd

Denna forskning har potentiella konsekvenser för många områden. AI kan förändra hur vi säkrar livsmedelssäkerheten genom att övervaka och skydda leveranskedjorna. Teknologin kan upptäcka säkerhetsproblem i livsmedel som annars kanske inte uppmärksammas förrän de utgör en tydlig risk för konsumenterna. AI har förmågan att analysera komplex information och få ordning på den, även när många faktorer spelar in.

Mjölk togs som exempel eftersom det består av endast en ingrediens och har hög risk för bedrägeri, särskilt i utvecklingsländer. Denna metod kan även vara värdefull för andra livsmedel. Tekniken markerar inte enbart produkter som farliga; den upptäcker avvikelser från det normala, vilket kan leda till mer noggranna kontroller.

Projektets framgång beror på en kombination av IBMs AI-expertis och Cornells kunskap om mejeri, med Penn States hälsoperspektiv som enande kraft. Detta samarbete visar hur fördelaktigt det är att arbeta tillsammans för att lösa svåra problem och utveckla nya teknologiska lösningar för livsmedelssäkerhet. När AI blir mer avancerad finns det förhoppningar om att kunna använda dessa metoder inom fler områden, vilket kan förändra hur vi säkerställer livsmedelssäkerhet globalt.