研究人员发现，通过将牛奶样本中微生物的基因测序和分析与人工智能（AI）相结合，能够检测出牛奶生产中的异常情况，如污染或未经授权的添加剂。
宾夕法尼亚州立大学（Penn State）、康奈尔大学和 IBM 研究的研究作者表示，这种新方法有助于提高乳制品的安全性。
在发表于《mSystems》的研究结果中，研究人员报告称，利用鸟枪法宏基因组学数据和人工智能，他们能够检测出实验性随机添加到他们收集的大罐牛奶样本中的抗生素处理过的牛奶。
为了验证他们的发现，研究人员还将其可解释的人工智能工具应用于公开的大罐牛奶样本的基因测序数据集，进一步证明了这种非靶向方法的稳健性。
“这是一项概念验证研究，”该研究的牵头人、宾夕法尼亚州立大学农业科学学院食品动物微生物组助理教授埃里卡·甘达（Erika Ganda）说。
“我们可以查看原奶中微生物的数据，并使用人工智能，查看存在的微生物是否揭示出诸如是否为巴氏杀菌前、巴氏杀菌后，或者是否来自接受过抗生素治疗的奶牛等特征。”
研究人员收集了 58 个大罐牛奶样本，并应用各种人工智能算法来区分基线样本和那些代表潜在异常的样本，例如来自外部农场的牛奶或含有抗生素的牛奶。
这项研究对原奶宏基因组（样本中许多个体微生物的基因组集合）进行了比迄今为止任何其他已发表工作更深入的测序，并证明存在一组在样本中被发现为稳定元素的共识微生物。
甘达解释说，研究结果表明，人工智能有可能显著增强食品生产中异常情况的检测，为科学家确保食品安全的工具包提供了一种更全面的方法。
她说：“传统的微生物测序数据分析，如α和β多样性指标和聚类，在区分基线和异常样本方面效果不佳。然而，人工智能的整合允许对与异常相关的微生物驱动因素进行准确分类和识别。”
IBM 研究的高级研究科学家、该研究的第一作者克里斯汀·贝克（Kristen Beck）表示，微生物系统和食品供应链是人工智能的理想应用，因为微生物之间的相互作用复杂且动态。
她说：“食品供应链中也有许多变量会影响我们试图观察的信号。人工智能可以帮助我们从噪声中理清信号。”
甘达指出，虽然重点是乳制品生产，但这项研究对更广泛的食品行业有影响，并补充说选择牛奶作为模型，因为它是生产液态奶的唯一成分——这是一种高产量的食品，在欺诈方面受到相当大的关注，特别是在发展中国家。
甘达解释说，食品质量和安全问题可能会通过供应链产生连锁反应，造成巨大的健康和经济损失，因此人们对应用有针对性和非针对性的方法来识别显示出食品欺诈、食品质量和食品安全问题风险增加的成分或食品产品有极大的兴趣。
她说：“非针对性方法表征了所有可以识别的分子，以识别偏离被认为是正常或受控的‘基线状态’的成分或产品。重要的是，这些非针对性方法是筛选方法，不会将成分或产品定义为不安全或掺假；而是表明与正常状态的偏差，应触发后续行动或调查。”
甘达指出，研究合作利用了每个合作伙伴的优势。它采用了 IBM 的开源人工智能技术“用于组学的自动化可解释人工智能”来处理大量的宏基因组数据，即从大罐牛奶样本中的所有微生物中分离和分析的所有核苷酸序列，从而能够识别传统方法经常错过的微生物特征。
康奈尔大学研究人员在乳制品科学方面的专业知识提高了研究的实际相关性及其对乳制品行业的适用性，而宾夕法尼亚州立大学生命科学哈克研究所的“一体化健康微生物组中心”在整合微生物数据以用于更广泛的健康和安全应用方面发挥了关键作用。
