Da ciência de alimentos à ciência de dados automatizada: abordagens analíticas modernas para qualidade e classificação de vinagres

Página do item simplificado
dc.contributor.advisorSpinosa, Wilma Aparecida
dc.contributor.authorMascareli, Vinícius Avanzi Barbosa
dc.contributor.bancaPortela, Claudimara da Silva
dc.contributor.bancaAngilelli, Karina Benassi
dc.contributor.bancaRomagnoli, Érica Signori
dc.contributor.bancaSilva, Jaqueline Munise Guimarães da
dc.contributor.coadvisorGalvan, Diego
dc.coverage.extent175 p.
dc.coverage.spatialLondrina
dc.date.accessioned2026-10-09T14:17:16Z
dc.date.available2026-10-09T14:17:16Z
dc.date.issued2026-08-21
dc.description.abstractA 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
dc.description.abstractother1Food authentication has become an increasingly important challenge in food science due to the complexity of food matrices, the globalization of food supply chains, and the growing incidence of economically motivated food fraud. In this context, fingerprinting-based approaches combined with chemometrics and machine learning have emerged as promising alternatives to conventional analytical methods by enabling the simultaneous exploitation of large amounts of chemical information. Among these techniques, low-field proton nuclear magnetic resonance (¹H LF-NMR) spectroscopy stands out because of its rapid analysis, minimal sample preparation, and low operational cost, although its lower spectral resolution poses challenges for data modeling and interpretation. Accordingly, analytical strategies were developed for the classification, authentication, and chemical interpretation of Brazilian apple vinegars using spectral fingerprints obtained by ¹H LF-NMR combined with Partial Least Squares Discriminant Analysis (PLS-DA) and eXplainable Artificial Intelligence (XAI). A total of 564 samples, comprising authentic commercial vinegars and experimentally adulterated samples representing different fraud scenarios, were analyzed. Following spectral alignment, baseline correction, and data standardization, the PLS-DA models achieved robust predictive performance, reaching approximately 81% accuracy, with macro-F1 scores of 0.79 for discriminating authentic and adulterated organic apple vinegars and 0.80 for differentiating authentic apple vinegars from samples adulterated with spirit vinegar. To improve model interpretability, the Spectral Model eXplainer (SMX) was developed as an Explainable Artificial Intelligence framework capable of identifying and quantifying the contribution of distinct spectral regions to the classification process. Fidelity analysis yielded normalized area under the curve (AUC) values of 0.3723 for the authentication of organic apple vinegars and 0.1388 for the discrimination of authentic and spirit vinegar-adulterated apple vinegars, demonstrating strong agreement between the generated explanations and the behavior of the predictive models. Overall, the results demonstrated that the integration of ¹H LF-NMR, chemometrics, machine learning, and Explainable Artificial Intelligence constitutes a robust analytical strategy for food authentication by combining high predictive performance with chemically meaningful interpretation of classification models. The methodological framework developed in this study has the potential to be extended to other food matrices and fingerprinting techniques, contributing to the advancement of data-driven approaches for food authentication, traceability, and quality control
dc.identifier.urihttps://repositorio.uel.br/handle/123456789/20026
dc.language.isopor
dc.relation.departamentCCA - Departamento de Ciência e Tecnologia de Alimentos
dc.relation.institutionnameUniversidade Estadual de Londrina - UEL
dc.relation.ppgnamePrograma de Pós-Graduação em Ciência de Alimentos
dc.subjectAutenticação de alimentos
dc.subjectImpressões digitais
dc.subjectRessonância magnética nuclear de baixo campo
dc.subjectMachine learning
dc.subjectInteligência artificial explicável
dc.subjectVinagre
dc.subject.capesCiências Agrárias - Ciência e Tecnologia de Alimentos
dc.subject.cnpqCiências Agrárias - Ciência e Tecnologia de Alimentos
dc.subject.keywordsFood authentication
dc.subject.keywordsFingerprints
dc.subject.keywordsLow-field nuclear magnetic resonance
dc.subject.keywordsMachine learning
dc.subject.keywordsExplainable artificial intelligence
dc.subject.keywordsVinegar
dc.titleDa ciência de alimentos à ciência de dados automatizada: abordagens analíticas modernas para qualidade e classificação de vinagres
dc.title.alternativeFrom food science to automated data science: modern analytical approaches for vinegar quality and classification
dc.typeTese
dcterms.educationLevelDoutorado
dcterms.provenanceCentro de Ciências Agrárias

Arquivos

Pacote Original
Agora exibindo 1 - 2 de 2
Nenhuma Miniatura disponível
Nome:
CA_ALI_Dr_2026_Mascareli_Vinicius_AB_Termo.pdf
Tamanho:
233.67 KB
Formato:
Adobe Portable Document Format
Descrição:
Termo de autorização
Baixar
Imagem de Miniatura
Nome:
CA_ALI_Dr_2026_Mascareli_Vinicius_AB.pdf
Tamanho:
2.56 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo ID. 196157
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
555 B
Formato:
Item-specific license agreed to upon submission
Descrição:
Baixar

Coleções

01 - Doutorado - Ciência de Alimentos