AUROMA - Automatiseret analyse af aromaprofiler med machine learning


I mejeriforskningen er man hele tiden på udkig efter nye metoder, der kan være med til at optimere og kontrollere kvaliteten af mejeriprodukterne. Dette kræver blandt andet en detaljeret viden om alle væsentlige aromakomponenter samt forløbere til sådanne.

Gaskromatografi med massespektrometrisk detektion (GC-MS) bruges ofte til aromaanalyser. Værktøjet kan måle hundredvis af aromastoffer, heriblandt ønskede aromastoffer, der udvikles under en osts modning samt uønskede ”off-flavours”, der udvikles i langtidsholdbare produkter under lagring.

Af: Grith Mortensen

I øjeblikket bliver databehandlingen af GC-MS-data håndteret manuelt, hvilket er meget omfattende og tidskrævende især ved store lagringsforsøg. Som følge af dette bliver der i store forsøg med GC-MS ofte fokuseret på i forvejen kendte aromakomponenter, hvilket forøger risikoen for at overse information om nye biomarkører, der ellers kunne være tilgængelige i data. Dette giver anledning til forskning indenfor optimering af disse arbejdsgange.

I AUROMA-projektet automatiseres dataanalysen fra GC-MS fuldstændigt ved hjælp af maskinlæring og kemometrisk dataanalyse. Den automatiserede metode ekstraherer langt mere information fra hver måling og vil samtidig være mere nøjagtig, fordi en automatiseret metode ikke afhænger af brugeren, som det er tilfældet i øjeblikket.

I projektets første fase udvikles automatisk modellering. Der vil blive udviklet systemer, der er kemisk baserede og dermed er i stand til at dele data op i subintervaller, der bliver modelleret enkeltvis ved hjælp af maskinlæring. I anden fase udvikles automatisk bestemmelse af, hvilke komponenter, der repræsenterer kemisk information og hvilke, der ikke gør. I projektets tredje fase udvikles et tekstbaseret system, der giver brugeren en kemisk forklaring på, hvad der gik galt, såfremt modellen ikke virker. I den afsluttende fase vil softwaren blive testet på industrielle lagringseksperimenter af forskellig karakter.
Alt i alt, vil projektet skabe en detaljeret og billig software, der er lettilgængelig for alle og som kan bruges til at optimere og kontrollere kvaliteten af forskellige mejeriprodukter.

Projekt: April 2019 - Marts 2022

Budget: 2.212.000 DKK 

Finansiering: Mælkeafgiftsfonden, Arla Foods, Københavns Universitet 

Projektleder: Rasmus Bro

Institution: Institut for Fødevarevidenskab, Københavns Universitet

Deltagere: Institut for Fødevarevidenskab, Københavns Universitet, Arla Foods

 

Publikationer og præsentationer

Startartikel om projektet er publiceret i Mælkeritidende:

Mælkeritidende 2021 nr. 1

Slutartikel om projektet publiceret i Mælkeritidende:

Mælkeritidende 2023 NR. 2

Accelerating PARAFAC2 algorithms for non-negative complex tensor decomposition, Huiwen Yu, Dillen Augustijn, Rasmus Bro*, Chemometrics and Intelligent Laboratory Systems, Volume 214, 15 July 2021, 104312

Præsentationer
Huiwen Yu, All-at-once Nesterov-like Extrapolated PARAFAC2-ALS: A Fast And Robust Complex Tensor Decomposition Algorithm for Analyzing GC-MS Data, Annual Conference of the Federation of Analytical Chemistry and Spectroscopy Societies, USA, 12 Oct 2020.

Rasmus Bro, How to make the most of your data, FoodDay, UCPH Food Day - Food & Digitalisation, Food Production Data for All, Aug 26, 2020

Rasmus Bro, Handling GCMS data, 11th National meeting on chromatography, Caparica, Portugal, Dec 9-11, 2019

Rasmus Bro, Automating GCMS. Mini-arctic Analysis, 2019, Civita di Bagnioreggia, Italy, Oct 23-24, 2019

Grith Mælk 1

Grith Mortensen

Chefkonsulent, Branchesekretariat mejeri, Landbrug & Fødevarer/Skejby

Mobil: 40964114

E-mail: gmo@lf.dk