Da ciência de alimentos à ciência de dados automatizada: abordagens analíticas modernas para qualidade e classificação de vinagres
Data
2026-08-21
Autores
Mascareli, Vinícius Avanzi Barbosa
Título da Revista
ISSN da Revista
Título de Volume
Editor
Resumo
A autenticação de alimentos representa um desafio crescente para a ciência de alimentos em decorrência da complexidade das matrizes alimentícias, da globalização das cadeias produtivas e da ocorrência de fraudes economicamente motivadas. Nesse contexto, abordagens baseadas em fingerprinting associadas à quimiometria e ao aprendizado de máquina têm se consolidado como alternativas aos métodos analíticos convencionais por permitirem a exploração simultânea de um grande conjunto de informações químicas. Entre essas técnicas, a espectroscopia de Ressonância Magnética Nuclear de Hidrogênio de Baixo Campo (¹H LF-NMR) destaca-se pela rapidez de análise, reduzido preparo de amostras e baixo custo operacional, embora sua menor resolução espectral imponha desafios relacionados à modelagem e à interpretação dos dados. Assim, foram desenvolvidas estratégias analíticas para classificação, autenticação e interpretação química de vinagres de maçã brasileiros utilizando fingerprints espectrais obtidos por ¹H LF-NMR, associados à Análise Discriminante por Mínimos Quadrados Parciais (PLS-DA) e à Inteligência Artificial Explicável (XAI). Foram analisadas 564 amostras, compreendendo vinagres comerciais autênticos e amostras adulteradas experimentalmente em diferentes cenários de fraude. Após alinhamento espectral, correção de linha de base e padronização dos dados, os modelos PLS-DA apresentaram desempenho consistente, alcançando aproximadamente 81% de acurácia, com macro-F1 de 0,79 para a discriminação entre vinagres orgânicos autênticos e adulterados e 0,80 para a diferenciação entre vinagres de maçã autênticos e adulterados com vinagre de álcool. Para ampliar a interpretabilidade dos modelos, foi aplicado o Spectral Model eXplainer (SMX), um framework de Inteligência Artificial Explicável capaz de identificar e quantificar a contribuição de diferentes regiões espectrais para o processo de classificação. As análises de fidelidade apresentaram área sob a curva (AUC) normalizada de 0,3723 para o cenário de autenticação de vinagres orgânicos e 0,1388 para a diferenciação entre vinagres de maçã autênticos e adulterados com vinagre de álcool, demonstrando elevada concordância entre as explicações produzidas e o comportamento dos classificadores. Em conjunto, os resultados demonstraram que a integração entre ¹H LF-NMR, quimiometria, aprendizado de máquina e Inteligência Artificial Explicável constitui uma estratégia analítica robusta para autenticação de alimentos, combinando elevado desempenho de classificação e interpretação quimicamente fundamentada dos modelos preditivos. A estrutura metodológica desenvolvida apresenta potencial para aplicação em outras matrizes alimentícias e diferentes técnicas de fingerprinting, contribuindo para o avanço de abordagens orientadas por dados na autenticação, rastreabilidade e controle de qualidade de alimentos
Descrição
Palavras-chave
Autenticação de alimentos, Impressões digitais, Ressonância magnética nuclear de baixo campo, Machine learning, Inteligência artificial explicável, Vinagre